$ - Ecuador 
$COP - Colombia 
$MXN - México 
$CLP - Chile 
$ARS - Argentina 
🎯 Objetivos del Curso
✅ Diseñar, interpretar y validar modelos predictivos utilizando Python para facilitar la toma de decisiones.
fundacioncomplutense.es
✅ Seleccionar y ajustar el modelo más adecuado para cada caso práctico, asegurando resultados precisos y útiles
Horarios
Inicio de clases
Duración: 15 h
Miercoles y viernes, 15-Oct- 29-Oct
19:00 – 22:00
S/320.00
Big Data y Análisis de Datos con Python
Temario
⏳ Duración total: 15 horas
📌 Modalidad: Teórico-práctico ( Clases en Vivo)
Módulo 1: Introducción al Big Data y al Ecosistema Python
Conceptos Fundamentales de Big Data:
Definición y características del Big Data: volumen, velocidad, variedad y veracidad.
Importancia y aplicaciones del Big Data en la industria y la investigación.
Ecosistema Python para Big Data:
Introducción a Python como herramienta para el análisis de datos.
Instalación y configuración de entornos de desarrollo en Python.
Visión general de bibliotecas esenciales: NumPy, Pandas, Matplotlib y Scikit-learn.
Módulo 2: Manipulación y Análisis de Datos con Pandas
Estructuras de Datos en Pandas:
Series y DataFrames: creación, manipulación y operaciones básicas.
Importación y Exportación de Datos:
Lectura y escritura de datos en diferentes formatos: CSV, Excel, JSON y SQL.
Limpieza y Preparación de Datos:
Identificación y manejo de datos faltantes.
Transformación y normalización de datos.
Combinación y fusión de DataFrames.
Módulo 3: Análisis Estadístico y Visualización de Datos
Análisis Estadístico:
Cálculo de estadísticas descriptivas: medias, medianas, desviaciones estándar, etc.
Agrupación y segmentación de datos para análisis específicos.
Visualización de Datos:
Creación de gráficos básicos y avanzados con Matplotlib y Seaborn.
Personalización de visualizaciones: etiquetas, títulos y leyendas.
Interpretación de gráficos para la toma de decisiones.
Módulo 4: Introducción al Aprendizaje Automático con Python
Conceptos Básicos de Machine Learning:
Definición y tipos de aprendizaje: supervisado, no supervisado y por refuerzo.
Aplicaciones del aprendizaje automático en Big Data.
Implementación de Modelos Predictivos:
Preparación de datos para modelos de machine learning.
Construcción y evaluación de modelos de clasificación y regresión utilizando Scikit-learn.
Validación cruzada y métricas de rendimiento de modelos.