carlosalvarezh / analitica_datos Goto Github PK

Si ya tiene conocimientos en el ecosistema Python (lenguaje, Numpy, Pandas, Matplotlib, etc...), puede ir directamente a los contenidos específicos en estadística, empezando por el de Estadística Univariante. Si es su primer contacto con el ecosistema Python, o nunca ha tenido la oportunidad de aprender un lenguaje de programación, se recomienda empezar por el CrashCourse01_Python.ipynb y luego retomar los contenidos de estadística.

Fortalecer e implementar el razonamiento estadístico en la gestión y análisis de datos a través del uso de Python.

40 horas

Esta formación se desarrollará siguiendo la modalidad E-Learning, con clases magistrales por parte del tutor con actividades a ser desarrolladas por los asistentes de forma autónoma e independiente.

• Introducción a conceptos básicos de estadística univariante: Descripción gráfica, visual y tabular de los datos, Indicadores de centralidad, dispersión y forma, y su interpretación.

• Análisis de normalidad y Modelos Probabilísticos, Estimación puntal de indicadores (parámetros) e intervalos de confianza, Pruebas de hipótesis paramétricas y no paramétricas.

• Modelos de predicción y pronóstico: Visualización de datos, Correlaciónes, Modelo de regresión lineal, Métodos estadísticos de selección de variables importantes e identificación de información redundante, Validación y significancia.

• Series de tiempo, Identificación de datos raros, Regresión robusta.

• Estadística multivariante: Visualización de datos multivariantes, Indicadores de centralidad, dispersión y forma, Similaridad de individuos y registros (Distancia estadística), Outliers multivariantes, Componentes principales, Clustering, Clasificación supervisada de registros.

Como complemento al curso, se han desarrollado una serie de documentos (notebooks) tipo cursos rápidos (crash-courses) que le permitirán al estudiante adquirir las habilidades necesarias y suficientes para abordar los temas del curso. Se invita a los estudiantes a que revisen esta documentación:

• CrashCourse01_Python.ipynb

• CrashCourse02_Numpy.ipynb

• CrashCourse03_Matplotlib.ipynb

• CrashCourse04_Pandas.ipynb

• CrashCourse06_NumerosAleatorios.ipynb

• CrashCourse07_DistribucionesProbabilidad.ipynb

El curso se desarrolla con diferentes estrategias pedagógicas, entre otras:

• Clases Magistrales en modalidad remota (E-learning)
• Talleres para desarrollar en diferentes plataformas de trabajo (Python, Jupyter Notebook, Google Colab)

A lo largo del curso se usarán los siguientes recursos computacionales:

• Python

• Numpy

• Matplotlib

• Pandas

• Jupyter

• Anaconda

• Google Colab

• Github

• Visual Studio Code