módulo #1 Introducción a la ciencia de datos Descripción general de la ciencia de datos, importancia y aplicaciones
módulo #2 Proceso de la ciencia de datos Comprensión del proceso de la ciencia de datos: definición del problema, recopilación de datos, limpieza, análisis y visualización
módulo #3 Python para la ciencia de datos Introducción al lenguaje de programación Python y sus bibliotecas para la ciencia de datos (NumPy, Pandas, etc.)
módulo #4 Preprocesamiento de datos Manejo de valores faltantes, normalización de datos, escalado de características y transformación de datos
módulo #5 Visualización de datos Introducción a la visualización de datos con Matplotlib y Seaborn
módulo #6 Estadística descriptiva Medidas de tendencia central, variabilidad y distribución de datos
módulo #7 Estadística inferencial Prueba de hipótesis, intervalos de confianza y valores p
módulo #8 Análisis de regresión Regresión lineal simple y múltiple, supuestos de regresión y evaluación de modelos
módulo #9 Ingeniería de características Selección de características, extracción y técnicas de creación
módulo #10 Aprendizaje supervisado Introducción al aprendizaje supervisado, la clasificación y la regresión
módulo #11 Aprendizaje no supervisado Introducción al aprendizaje no supervisado, la agrupación y la reducción de dimensionalidad
módulo #12 Evaluación de modelos Métricas para evaluar el rendimiento del modelo, el sobreajuste y el subajuste
módulo #13 Árboles de decisión y bosques aleatorios Introducción a los árboles de decisión y los bosques aleatorios, ventajas y limitaciones
módulo #14 Máquinas de vectores de soporte Introducción a las máquinas de vectores de soporte, truco de kernel y tipos de SVM
módulo #15 Redes neuronales Introducción a las redes neuronales, el perceptrón y el perceptrón multicapa
módulo #16 Aprendizaje profundo Introducción al aprendizaje profundo, las redes neuronales convolucionales y las redes neuronales recurrentes
módulo #17 Procesamiento del lenguaje natural Introducción al procesamiento del lenguaje natural, el preprocesamiento de texto y la representación de texto
módulo #18 Big Data y bases de datos NoSQL Introducción a los big data y a las bases de datos NoSQL», datos, ecosistema Hadoop y bases de datos NoSQL
módulo #19 Data Storytelling Comunicación eficaz de información y resultados mediante visualización de datos y narración
módulo #20 Herramientas y tecnologías de la ciencia de datos Introducción a las herramientas y tecnologías de la ciencia de datos, Jupyter Notebooks y Git
módulo #21 Estudio de caso 1: Análisis de regresión Aplicación del análisis de regresión a un problema del mundo real
módulo #22 Estudio de caso 2: Clasificación Aplicación de técnicas de clasificación a un problema del mundo real
módulo #23 Estudio de caso 3: Agrupamiento Aplicación de técnicas de agrupamiento a un problema del mundo real
módulo #24 Resumen y conclusión del curso Planificación de los próximos pasos en la carrera de Ciencia de Datos
