DiplomadoInteligencia artificial y datos
Ciencia de datos de IBM
El diplomado Ciencia de datos de IBM proporciona al estudiante la metodología y las herramientas del científico de datos: Python, SQL, análisis exploratorio, visualización y aprendizaje automático, con un proyecto aplicado inspirado en el capstone de IBM. Lo prepara para desempeñarse como científico de datos junior, desde la comprensión del problema hasta la comunicación de resultados.
A quién va dirigido
Personas con bases de matemáticas de bachillerato que desean iniciar en ciencia de datos, sin experiencia previa en programación.
Objetivos
✓Comprender la metodología de ciencia de datos de IBM y el papel de herramientas como Jupyter, RStudio, GitHub y Watson Studio.
✓Analizar datos obtenidos por API REST, extracción web y SQL mediante limpieza y análisis exploratorio con pandas.
✓Aplicar modelos de regresión, clasificación y agrupamiento con scikit-learn, evaluados con métricas y validación cruzada.
✓Diseñar tableros interactivos con Plotly Dash y mapas con Folium que comuniquen los resultados de un proyecto.
✓Evaluar la calidad de un modelo predictivo y el aporte de la IA generativa dentro del flujo de ciencia de datos.
Plan de estudios por sesión
1
El científico de datos y sus herramientasQué hace un científico de datos · Jupyter, RStudio, GitHub y Watson Studio
2
Metodología de ciencia de datos y control de versionesMetodología de ciencia de datos de IBM · Control de versiones con Git
3
Programación en Python para ciencia de datosEstructuras de datos y funciones · pandas y NumPy
4
Obtención de datos desde la webConsumo de API REST · Extracción web con BeautifulSoup
5
Consultas SQL para ciencia de datosConsultas y agregaciones · JOIN y vistas
6
SQL desde Python sobre datos públicosAcceso a SQLite y Db2 desde Python · Análisis de datos públicos
7
Análisis exploratorio y visualizaciónLimpieza y análisis exploratorio · Matplotlib, Seaborn y Folium
8
Tableros interactivos y evaluación de regresionesTableros con Plotly Dash · Evaluación de modelos de regresión
9
Modelos supervisados con scikit-learnRegresión lineal y logística · Árboles de decisión, SVM y k vecinos
10
Agrupamiento y validación de modelosk-means y DBSCAN · Métricas y validación cruzada
11
Recolección y exploración para el proyecto aplicadoRecolección de datos por API y web · Análisis exploratorio y mapas interactivos
12
Presentación del proyecto final: modelo predictivo y tablero interactivoModelo predictivo y tablero · IA generativa en el flujo de ciencia de datos
Evaluación
Inicial30%Aplicación de la metodología de IBM a un problema propuesto; repositorio en GitHub con control de versiones; cuestionario de herramientas.
Intermedio30%Cuaderno con consumo de API y extracción web con BeautifulSoup; consultas SQL sobre SQLite o Db2; análisis exploratorio con visualizaciones.
Final40%Proyecto final aplicado inspirado en el capstone de IBM: recolección de datos, análisis exploratorio, modelo predictivo de clasificación y tablero interactivo, con sustentación.
Proyecto final
Proyecto aplicado de ciencia de datos inspirado en el capstone de IBM: recolección, análisis, modelo predictivo de clasificación y tablero interactivo.