Python Analyst: Python Analyst

Este bootcamp intensivo te lleva al siguiente nivel en ciencia de datos, combinando programación avanzada, visualización interactiva, aprendizaje automático y procesamiento distribuido. Aprende con un enfoque práctico y desarrolla soluciones innovadoras listas para producción.

Últimos días de inscipción

CUPOS COMPLETOS

Súmate a la lista de espera y recibe noticias exclusivas del próximo cohort.

Intermedio

Próximas fechas

Python Analyst: Python Analyst

Inicio de bootcamp:

Agosto 17

Ultimo Dia de inscripcion:

Agosto 14

Programa educativo

Módulo 1: Python y Manipulación de Datos

Programación orientada a objetos avanzada.
Aplicaciones avanzadas de librerías de Python para Análisis de datos
Optimización y profiling de código.
Cálculo Científico con Python (Matemáticas y Estadística con Scipy, Numpy, Statsmodels)
Manejo de datos temporales y geoespaciales.
Visualización avanzada: Matplotlib, Seaborn, Plotly, Vega-Altair, Bokeh.

Módulo 2: Machine Learning Avanzado y Feature Engineering

Teoría general del Machine Learning
Modelos de Aprendizaje Automático Supervisado (Naive Bayes, LDA, regresiones LASSO y Ridge, SVM, KNN, Modelos de Ensemble, Random Forests etc)
Aprendizaje Automático No Supervisado (Clustering(K-Means,DBSCAN,GMM) y modelos de reducción de dimensionalidad( PCA, UMAP)
Pipelines de preprocesamiento y modelado con Scikit-learn.
Selección e ingeniería de características.
Optimización de hiperparámetros y técnicas AutoML.
Interpretabilidad de modelos: SHAP, LIME.
Sistemas de recomendación y detección de anomalías.

Módulo 3: Deep Learning y Procesamiento de Lenguaje Natural

Redes neuronales con TensorFlow y Keras.
Arquitecturas avanzadas: CNN, RNN, LSTM, Transformers.
Técnicas de NLP: embeddings, topic modeling, análisis de sentimiento.
Transfer learning y fine-tuning de modelos pre-entrenados.

Módulo 4: Big Data, MLOps

Procesamiento distribuido con PySpark.
Gestión de Bases de Datos Relacionales con MySQL
Computación paralela con Dask.
Bases de datos NoSQL (MongoDB, Cassandra).
Integración con servicios en la nube (AWS, Google Cloud).
Mejores prácticas de ingeniería de software para ciencia de datos (Control de versiones, Pruebas Unitarias, documentación y frameworks de Gestión de Proyectos de Ciencia de Datos.)
Desarrollo de APIs con Flask y FastAPI.
Contenedorización con Docker.