Inicio: 14 de Noviembre Días: Sábado 14 y 21 de Noviembre Docente: Mgt. Alices Oxa 1. Phyton Basics • Your first program • Types • Expressions and Variables • String Operations 2. Phyton Data Structures • Lists and Tuples • Sets • Dictionaries 3. Python Programming • Fundamentals • Conditions and Branching • Loops • Functions • Objects and Classes 4. Working with Data in Python • Reading files with open • Writing files with open • Loading data with Pandas • Working with and Saving data with Pandas 5. Working with Numpy Arrays • Numpy 1d Arrays • Numpy 2d Arrays

Inicio: 4 de Noviembre Días: Miércoles y Viernes Docente: Lic. Roger Vasquez Obtén un panorama general sobre Ciencia de Datos y cómo aplicarla en las organizaciones. Aprende a tomar decisiones basadas en los datos. Lo que aprenderás • Introducir al alumno en los conceptos claves sobre la Ciencia de Datos y Big Data. • Comprender la forma en la que gesta un proyecto de Ciencia de Datos Identificar los proyectos de esta disciplina que se pueden realizar en las diferentes áreas funcionales de una organización a través de caos de éxito en las diferentes industrias.

Inicio: 2 de Diciembre Días: Miércoles y Viernes 1. Importing Dataset • Learning Objectives • Understanding the Domain • Understanding the Dataset • Python package for data science • Importing and Exporting Data in Python • Basic Insights from Datasets 2. Cleaning and Preparing the Data - Identify and Handle Missing Values - Data Formatting - Data Normalization Sets - Binning - Indicator variables 3. Summarizing the Data Frame • Descriptive Statistics • Basic of Grouping • ANOVA • Correlation • More on Correlation 4. Model Development • Simple and Multiple Linear • Regression • Model Evaluation Using Visualization • Polynomial Regression and Pipelines • Rsqueared and MSE for In-Sample Evaluation • Prediction and Decision Making 5. Model Evaluation • Model Evaluation • Overfitting, Under-fitting and Model Selection • Ridge Regression • Grid Search • Model Refinement

Inicio: 30 de Diciembre Días: Miércoles y Viernes Conoce las herramientas para el procesamiento, modelación, análisis, almacenamiento y acceso de los datos. Aprende los beneficios del computo en la nube para proyectos de cienca de datos en las organizaciones y conoce las herramientas más populares. Lo que aprenderás • Presentar las diferentes herramientas tanto comerciales con de Open Source que permiten la manipulación, administración y análisis de datos. • Conocer que es una base de datos y su importancia en los proyectos de ciencia de datos. • Conocer los beneficios que los servicios de computo en la nube proveen a los proyectos de ciencia de datos.

Inicio: 3 de Febrero Días: Miércoles y Viernes Docente: Lic. Roger Vasquez 1. Introduction to Visualization Tools • Introduction to Data Visualization • Introduction to Matplotlib • Basic Plotting with Matplotlib • Datase ton Inmmigration to Canada • Line Plots 2. Basic Visualization Tools • Area Plots • Histograms • Bar Charts • ANOVA • Correlation • More on Correlation 3. Specialized Vidualization Tools • Pie Charts • Box Plots • Scatter Plots • Bubble Plots 4. Advanced Visualization Tools • Waffle Charts • Word Clouds • Seaborn and Regression Plorts 5. Creating Maps and Visualizing Geospatial Data • Introduction to Folium • Maps with Markers • Choropleth

Inicio: 3 de Marzo Días: Miércoles y Viernes Docente: Mgt. Alices Oxa Aprende en este curso que es la visualización de datos, sus usos; los elementos que la conforma y la forma de poder utilizarla para apoyo en la toma de las mejores dediciones para las empresas basadas en el análisis de datos. Lo que aprenderás • Comprender qué es la visualización de datos • Conocer la importancia que tiene la visualización de datos en la ciencia de datos. • Conocer los elementos que componen una visualización de datos y qué herramientas existen para aplicarla

Inicio: 31 de Marzo Días: Miércoles y Viernes Docente: Mgt. Alices Oxa 1. Introduction to Machine Learning • Applications of Machine Learning • Supervised vs Unsupervised • Learning • Python libraries suitable for Machine Learning 2. Regression • Linear Regression • Nonlinear Regression • Model evaluation methods 3. Classification • KNearest Neighbour • Decision Trees • Logistic Regression • Support Vector Machines • Model Evaluat 4. Unsupervised Learning • KMeans Clusterig • Hierarchical Clustering • DensityBased Clustering 5. Recommender Systems • Contestbases recommender systems • Collaborative Filtering

Inicio: 28 de Mayo Días: Miércoles y Viernes • Apply your knowledge of data science and machine learning to real life scenario • Analyze and visualize data using Python{ • Perform a feature engineering exercise using Python • Build and validate a predictive machine learning model using Python • Create and share actionable insights to real life data problems • Logistic Regression • Support Vector Machines • Model Evaluat