¿En qué consiste este curso?
En este curso te proporcionamos todas las herramientas para iniciarte en el mundo del Data Science hasta llegar a un nivel más avanzado. Para ello veremos los siguientes temas:
R y Python
Aprenderemos los dos lenguajes más importantes en Ciencia de Datos para implementar cualquier técnica o modelo de análisis de datos, desde el nivel más básico hasta el avanzado.
Estadística multivariante
Nuestro mundo no es unidimensional, sino multidimensional, y por tanto también nuestros datos. En este curso veremos los métodos de análisis de datos multivariantes (múltiples variables o columnas). Veremos, por ejemplo, métodos como PCA, AF, MDS, Clustering, Clasificación, Regresión, etc.
Atípicos - Outliers
Cuando analizamos datos reales, podemos encontrarlos el problema de los valores atípicos (o outliers) y debemos saber cómo tratarlo y qué métodos robustos de análisis de datos se deben utilizar, por ejemplo, para detectar atípicos, hacer regresión robusta, PCA robusto, etc.
Series Temporales univariantes
Cuando nuestros datos dependen del tiempo se le conocen como "series temporales", por ejemplo, datos financieros, de ventas, de evolución de enfermedades como el coronavirus, del tiempo, etc. En este curso aprenderás los métodos para analizar y predecir series de tiempo.
Series temporales multivariantes
Cuando tenemos múltiples series de tiempo medidas a la vez y queremos crear modelos predictivos para analizar esos datos y predecir datos futuros que desconocemos. Por ejemplo, datos financieros, de ventas en una empresa donde se midan varias características o índices, datos médicos donde se miden diferentes características de los pacientes, etc.
Programa del Curso
Introducción
Disponible en
días
días
después de que te inscribas
R y Python para Data Science y Análisis de Datos
Disponible en
días
días
después de que te inscribas
Introducción a Python
Disponible en
días
días
después de que te inscribas
Python: Instalación
Disponible en
días
días
después de que te inscribas
Python: Fundamentos del lenguaje
Disponible en
días
días
después de que te inscribas
- Variables (9:40)
- Operadores (12:04)
- Cadenas de texto (strings) - parte I (10:49)
- Cadenas de texto (strings) - parte II (10:48)
- Cadenas de texto (strings) - parte III (10:19)
- Cadenas de texto (strings) - parte IV (8:02)
- Condicionales (if, else, elif) (5:18)
- Operadores de comparación (=,==,<,...) (8:02)
- Ciclo "while" (8:22)
- Ciclo "for" (11:02)
- Listas - I (9:23)
- Listas - II (6:29)
- Listas - III (11:10)
- Listas - IV (6:58)
- Diccionarios - I (6:09)
- Diccionarios - II (10:40)
- Ficheros (2:11)
- Crear nuestras propias funciones (8:24)
- Python: ejercitando lo aprendido
- Python: básicos, variables (14:03)
- Python: operaciones, strings (17:08)
- Python: crear ciclos y funciones (6:15)
- Python: condicionales if, else, elif (17:41)
- Python: funciones matemáticas pre-definidas (4:04)
- Python: listas (11:20)
Python: Librería NumPy
Disponible en
días
días
después de que te inscribas
- Introducción a la librería NumPy (9:50)
- Matrices con NumPy (12:28)
- Generación de datos (enteros, bernouilli, normales, etc.) (10:57)
- Manipulando arrays con NumPy (20:19)
- Operaciones lógicas (8:27)
- Ordenación y valores únicos (6:40)
- Operaciones aritméticas (4:48)
- Funciones universales (3:49)
- Cálculo estadístico con NumPy (5:47)
- Funciones vectorizadas (5:28)
- Álgebra lineal (8:58)
- Python: ejercitando lo aprendido sobre NumPy
- Python: básicos (8:44)
- Python: creación y simulación de arrays (11:23)
- Python: manipulando arrays (14:43)
- Python: operaciones lógicas y ordenación (8:58)
- Python: matemática, estadística y álgebra (13:30)
Python: Librería Pandas
Disponible en
días
días
después de que te inscribas
- Introducción a la librería Pandas (1:17)
- ¿Qué es una serie en Pandas? (10:12)
- Operaciones con series de Pandas (10:16)
- ¿Qué es un dataframe? (10:27)
- Características y selección de elementos (18:07)
- Modificación de elementos (8:43)
- Manejando cadenas de texto (5:59)
- Manejando fechas (7:25)
- Manejando datos categóricos (4:45)
- Análisis estadístico (20:25)
- Python: ejercitando lo aprendido sobre Pandas
- Python: Inicio y Series de Pandas (12:54)
- Python: DataFrames de Pandas (26:46)
Python: Visualización con Matplotlib y Seaborn
Disponible en
días
días
después de que te inscribas
- Introducción a la visualización de datos (5:10)
- Python: ejercitando la visualización
- Python: cómo crear una figura y un gráfico de línea (15:11)
- Python: diferentes estilos y cómo hacer anotaciones (8:44)
- Python: gráficos de barras e histogramas (9:54)
- Python: boxplots (5:46)
- Python: gráficos de dispersión (2:35)
- Python: mapa de calor (2:47)
- Python: gráficos con Seaborn (12:30)
Python: Librerías para generar informes de EDA
Disponible en
días
días
después de que te inscribas
Python: Series Temporales
Disponible en
días
días
después de que te inscribas
Python: Mapas con Geopandas
Disponible en
días
días
después de que te inscribas
Data Science en Python
Disponible en
días
días
después de que te inscribas
Introducción a R
Disponible en
días
días
después de que te inscribas
R: Instalación
Disponible en
días
días
después de que te inscribas
R: Fundamentos del lenguaje
Disponible en
días
días
después de que te inscribas
- Variables y objetos (7:13)
- Vectores (6:42)
- Operadores (9:32)
- Cadenas de texto (6:12)
- Matrices (3:52)
- Dataframes (3:35)
- Listas (4:12)
- Subconjuntos por índice (7:20)
- Subconjuntos por nombre (4:17)
- Subconjuntos por signo de dolar y doble corchete (3:02)
- Subconjuntos con condicionales (6:59)
- Funciones (5:33)
- Estructuras de control if, for, while, etc. (14:35)
- R: Introducción a la programación y manejo de datos
- R: Básicos, vectores y operaciones (13:55)
- R: Cadenas de caracteres (3:49)
- R: Matrices (9:46)
- R: Dataframes (2:58)
- R: Funciones (6:31)
R: Importar y exportar datos
Disponible en
días
días
después de que te inscribas
R: Gráficas simples
Disponible en
días
días
después de que te inscribas
R: Visualización con la librería ggplot2
Disponible en
días
días
después de que te inscribas
R: Series temporales
Disponible en
días
días
después de que te inscribas
R: Mapas
Disponible en
días
días
después de que te inscribas
Data Science con R
Disponible en
días
días
después de que te inscribas
Material complementario gratuito
Disponible en
días
días
después de que te inscribas
Introducción al Espacio Multivariante
Disponible en
días
días
después de que te inscribas
- Introducción al espacio multivariante
- Datos Multivariantes (10:58)
- Visualización en el espacio multivariante (3:24)
- Boxplot (18:25)
- Histograma (4:05)
- Densidad kernel (7:33)
- Scatterplot (6:17)
- Matriz de correlaciones (6:36)
- Coordenadas paralelas (7:27)
- Medidas descriptivas multivariantes loc (11:31)
- Medidas descriptivas m cov (17:40)
- Transformaciones lineales (12:42)
- R: Dataset States (20:38)
- R: Dataset Iris (13:10)
- Python: Dataset Iris (9:27)
- Pyhton: Dataset MNIST (12:21)
- Pyhton: Dataset Wisconsin Breast Cancer (18:34)
Variables Multivariantes
Disponible en
días
días
después de que te inscribas
Distribución Multivariante
Disponible en
días
días
después de que te inscribas
- Distribucion Normal multivariante (18:37)
- Curvas de nivel o contornos (6:03)
- Densidad kernel multivariante (2:56)
- Distancia Euclidea (7:36)
- Distancia Mahalanobis (11:54)
- Distribucion t-student multivariante (5:29)
- Distribuciones esféricas y elípticas (4:17)
- Mixtura de distribuciones (5:37)
- Cópulas (11:18)
- R: Generación de Normales Multivariantes (13:52)
- R: Contornos (9:40)
- R: t-student multivariante (4:56)
- R: Mixtura (3:29)
- Python: Contornos (5:41)
- Python: Cópulas (16:58)
Inferencia Multivariante
Disponible en
días
días
después de que te inscribas
- Introducción a la inferencia multivariante (7:13)
- Estadísticos muestrales multivariantes (14:42)
- Teorema central del limite multivariante (6:27)
- Máxima verosimilitud (11:21)
- Estimadores MLE para una Normal (18:30)
- Test de Hipótesis Multivariantes (15:16)
- Contraste para la media de una Normal multivariante (12:38)
- Ejemplo contraste de vector de medias de una Normal multivariante (21:27)
- Contrastes para la matriz de covarianzas de una Normal multivariante (12:12)
- Contraste de igualdad de varias medias - Análisis de varianza multivariante (12:55)
- R: Contraste de igualdad de varias medias (5:10)
Análisis de Componentes Principales
Disponible en
días
días
después de que te inscribas
Análisis Factorial
Disponible en
días
días
después de que te inscribas
Escalamiento Multidimensional
Disponible en
días
días
después de que te inscribas
Clusterización
Disponible en
días
días
después de que te inscribas
- Introducción al análisis de cluster (4:27)
- K-medias (13:35)
- K-medoides: algoritmo pam (2:27)
- Métodos jerárquicos (14:01)
- Método aglomerativo (5:24)
- Dendograma (10:31)
- Método divisivo (2:14)
- Clúster basado en modelos (7:49)
- R: Clúster particiones: kmeans y pam (7:54)
- R: Ejercicio Normales (3:45)
- R: Clúster jerárquico (8:37)
- R: Clúster basado en modelos (3:40)
- Python: K-Means (25:05)
Clasificación
Disponible en
días
días
después de que te inscribas
Regresión Lineal Múltiple y Regularización
Disponible en
días
días
después de que te inscribas
Material adicional: Estadística Multivariante
Disponible en
días
días
después de que te inscribas
Introducción a la Estadística Robusta
Disponible en
días
días
después de que te inscribas
Análisis de datos atípicos y outliers
Disponible en
días
días
después de que te inscribas
Conceptos básicos I
Disponible en
días
días
después de que te inscribas
Espacio Univariante
Disponible en
días
días
después de que te inscribas
- Media vs Mediana (6:42)
- Rango vs RI y STD vs MAD (14:01)
- Asimetría vs Medcouple (11:19)
- R: Estimadores (5:45)
- Método SD (7:58)
- Z score (4:40)
- Tukey boxplot (10:51)
- MADe (3:29)
- Z score modificado (3:03)
- Boxplot ajustado (5:09)
- Matlab + R: Métodos detección de atípicos (univariante) (10:34)
- Conclusiones Espacio Univariante (4:25)
Conceptos básicos II
Disponible en
días
días
después de que te inscribas
Espacio Multivariante
Disponible en
días
días
después de que te inscribas
- Espacio multivariante (3:14)
- Matlab: Ejemplo (4:59)
- Estimadores de localización (8:37)
- Matlab: Estimadores de localización multivariantes (2:44)
- R: Estimadores de localización multivariantes (2:14)
- Estimadores de dispersión (14:34)
- R: Estimadores de dispersión multivariantes (2:43)
- Distancia euclídea (7:10)
- Distancia de Mahalanobis (8:11)
- R: Distancia de Mahalanobis (4:38)
- MCD (15:12)
- Matlab: MCD (6:30)
- R: MCD (1:41)
- MCD Ajustado (11:43)
- Ejemplo: Kola Project (10:06)
- R: Kola Project y el MCD ajustado (4:49)
- Stahel-Donoho (7:29)
- R: Stahel-Donoho (3:19)
- Kurtosis (3:49)
- Matlab + R: Métodos detección de atípicos (multivariante) (14:52)
- Conclusiones Espacio Multivariante (2:07)
- Paquete de R "mvoutlier"
Regresión lineal robusta
Disponible en
días
días
después de que te inscribas
PCA Robusto
Disponible en
días
días
después de que te inscribas
Material adicional: Análisis robusto de datos
Disponible en
días
días
después de que te inscribas
Los datos que dependen del tiempo
Disponible en
días
días
después de que te inscribas
Introducción a las Series Temporales
Disponible en
días
días
después de que te inscribas
Serie temporal en R y Python
Disponible en
días
días
después de que te inscribas
- Python: Transformación de los datos (6:33)
- Python: Fecha como indice (4:35)
- Python: Frecuencia de la serie de tiempo (4:47)
- Python: Valores faltantes (6:47)
- Python: Simplificando el dataset (4:20)
- Python: Conjuntos de entrenamiento y prueba (10:18)
- Python: Actualizando los datos de precios con Yahoo Finance
- Python: Modificando la frecuencia de la serie
- R: Manejo de tiempo y fechas (13:26)
- R: Objeto serie de tiempo (3:24)
- R: Valores faltantes y atípicos (7:04)
- R: Objeto ts vs zoo (Starbucks & Microsoft) - Datos mensuales / diarios (39:24)
Características fundamentales
Disponible en
días
días
después de que te inscribas
- Ruido Blanco (12:58)
- ¿Cómo generar ruido blanco en R?
- Caminata aleatoria - Random Walk (8:00)
- ¿Cómo generar una caminata aleatoria en Python?
- ¿Cómo generar una caminata aleatoria en R?
- Estacionariedad (8:13)
- Estacionariedad en Python (18:30)
- Heterocedasticidad
- Estacionalidad (7:48)
- Filtro Hodrick Prescott (15:12)
- Python: Ejemplo pasajeros avión (7:47)
- Autocorrelación (11:00)
- Autocorrelación parcial (7:56)
- R: Analizando temperaturas (6:49)
Técnicas de suavizado
Disponible en
días
días
después de que te inscribas
Modelos AR autorregresivos
Disponible en
días
días
después de que te inscribas
Modelos MA: medias móviles
Disponible en
días
días
después de que te inscribas
ARMA: autoregresivo de medias móviles
Disponible en
días
días
después de que te inscribas
ARIMA: autoregresivo integrado de medias móviles
Disponible en
días
días
después de que te inscribas
ARCH
Disponible en
días
días
después de que te inscribas
GARCH
Disponible en
días
días
después de que te inscribas
Auto ARIMA
Disponible en
días
días
después de que te inscribas
Prediciendo el futuro
Disponible en
días
días
después de que te inscribas
- Prediciendo el futuro de Yahoo Finance (12:14)
- Prediciendo con AR y MA (4:41)
- Modelos máximos (8:11)
- Predicciones con estacionalidad (4:21)
- Predicciones con auto ARIMA en Python (4:49)
- Desventajas con pronósticos (6:37)
- Prediciendo volatilidad (6:06)
- VAR (10:20)
- Auto ARIMA en R con tasas de inflación alemanas (7:18)
- Auto ARIMA en R con Linces atrapados (5:07)
- Prophet Facebook library (11:14)
- Prophet pasajeros de avión (4:20)
- Análisis del Covid-19 (18:23)
- Análisis de precios del Bitcoin (43:22)
- Paquete coindeskr en R
- Python: Hampel Filter para detectar atípicos en series temporales (22:11)
- R: Hampel Filter para detectar atípicos en series temporales (10:02)
- Python: Cómo invertir la diferenciación de la serie y volver a la escala original (18:41)
- R: Cómo invertir la diferenciación de la serie y volver a la escala original (17:43)
- Python: Comparando Auto Arima y Prophet (30:43)
Redes Neuronales para Series de Tiempo
Disponible en
días
días
después de que te inscribas
- Introducción y conceptos de redes neuronales (5:51)
- Modelo Perceptrón (6:38)
- Redes Neuronales en Deep Learning (8:38)
- Python - Introducción a Keras (21:01)
- Redes Neuronales Recurrentes (11:26)
- LSTM (15:04)
- Python: Time Series Generator (19:28)
- Python: LSTM para predecir series de tiempo (28:38)
- R: Red neuronal autorregresiva para predecir el consumo de electricidad (18:55)
- Paquetes en Python y R
Series Temporales Multivariantes
Disponible en
días
días
después de que te inscribas
- Introducción a las series temporales multivariantes
- Desventajas del análisis de series temporales clásico univariante (8:01)
- Introducción a las series temporales multivariantes (7:38)
- Estructura y categorización (7:35)
- Ejemplo de serie temporal multivariante (5:37)
- ¿Cómo escoger el modelo adecuado? (3:15)
- Estacionariedad en una serie temporal multivariante (6:04)
- Modelo VAR y VARMA (13:45)
- Causalidad de Granger (9:35)
- Causalidad de Granger no es realmente causalidad (9:59)
- Predicciones y pronósticos en el caso multivariante (3:58)
- Librerias R y Python (5:52)
Introducción a los casos de estudio
Disponible en
días
días
después de que te inscribas
Casos de estudio con R-Studio: Datos macroeconómicos de Estados Unidos
Disponible en
días
días
después de que te inscribas
- Cargando librerías y datos (8:35)
- Análisis exploratorio (10:44)
- Dividiendo en conjuntos de entrenamiento y prueba (8:01)
- Estacionariedad (3:05)
- Modelo VAR (5:49)
- Causalidad de Granger (2:06)
- Diagnosis del modelo (2:13)
- Pronósticos a futuro (1:59)
- Evaluación del modelo (4:26)
- Re-entrenando el modelo con todos los datos (7:41)
Casos de estudio con R-Studio: Datos macroeconómicos de Sudáfrica
Disponible en
días
días
después de que te inscribas
Casos de estudio con R-Studio: Datos macroeconómicos de Filipinas
Disponible en
días
días
después de que te inscribas
Casos de estudio con R-Studio: Comodities Oro y Plata
Disponible en
días
días
después de que te inscribas
Casos de estudio con R-Studio: Datos macroeconómicos mayor dimensión
Disponible en
días
días
después de que te inscribas
Casos de estudio con R-Studio: Mercado financiero europeo
Disponible en
días
días
después de que te inscribas
Resumen casos de estudio en R: metodología y trucos
Disponible en
días
días
después de que te inscribas
Casos de estudio con Python: Precios del Oro y la Plata
Disponible en
días
días
después de que te inscribas
- Pasos para analizar series temporales multivariantes en Python (6:36)
- Yahoo Finance para obtener datos del mercado financiero actualizados (12:33)
- Análisis exploratorio (5:18)
- Conjunto de entrenamiento y prueba (3:48)
- Estacionariedad (4:20)
- Transformación de los datos (5:08)
- Modelo VAR (4:06)
- Causalidad de Granger (9:36)
- Diagnosis del modelo (3:15)
- Pronósticos (8:20)
- Evaluación del modelo (2:50)
Casos de estudio con Python: Índices del mercado financiero europeo
Disponible en
días
días
después de que te inscribas
Casos de estudio con Python: Crecimiento salarial y el proceso de inflación
Disponible en
días
días
después de que te inscribas
Casos de estudio con Python: Sensores de gas
Disponible en
días
días
después de que te inscribas
Casos de estudio con Python: Calidad del Aire
Disponible en
días
días
después de que te inscribas
Detección de anomalías
Disponible en
días
días
después de que te inscribas
Inferencia o Impacto Causal
Disponible en
días
días
después de que te inscribas
Resumen casos de estudio en Python: metodología y trucos
Disponible en
días
días
después de que te inscribas
Final del Curso
Disponible en
días
días
después de que te inscribas
Acceso ilimitado
Tendrás acceso sin límite de tiempo y para toda la vida, así podrás hacer los cursos a tu propio ritmo.
Material
Todos los cursos vienen acompañados de libros y material suplementario, así como resúmenes, datos y códigos.
Precio económico
Precios competitivos para que el aprendizaje de calidad esté al alcance de todos.
¿Quién es tu instructora?
Elisa Cabana es una profesora apasionada del Análisis de Datos. Es Licenciada en Matemáticas por la Universidad de La Habana, máster y doctora cum-laude en Estadística por la Universidad Carlos III de Madrid, España. Actualmente se dedica a la investigación de métodos robustos de detección de atípicos, un campo que tiene muchísima importancia en Medicina, Neurociencia, Química, Geoquímica, Finanzas, entre muchos otros. Además de trabajar en investigación, es profesora en la Universidad Carlos III de Madrid, donde tiene más de 10 años de experiencia impartiendo la asignatura de Estadística. Le encanta todo lo relacionado con Data Mining, detección de atípicos, clustering, clasificación, regresión lineal, regresión logística, análisis discriminante, Machine Learning, Artificial Intelligence y Big Data, especialmente en R, Matlab o Python.
Nuestros Cursos
Estos son los cursos y packs que tenemos disponibles en Aprende con Eli. El pack tiene aplicado un 17% de descuento.
Verifica tu bandeja de entrada para confirmar tu suscripción