DS1001 Curso de  Introducción al Data Science

• Objetivos: Introducción a los fundamentos del análisis de datos y su impacto en las empresas.
• Contenido:
  • ¿Qué es Data Science?
  • Historia y evolución de la ciencia de datos.
  • Aplicaciones en la vida real (marketing, salud, finanzas, etc.).
  • El rol del científico de datos.
  • Diferencias entre Data Science, Machine Learning e Inteligencia Artificial.

DS1002 Curso de Análisis Exploratorio de Datos (EDA)

• Objetivos: Enseñar a los estudiantes cómo explorar y entender conjuntos de datos.
• Contenido:
  • Cargar y visualizar datos con Pandas.
  • Tipos de datos y estadística descriptiva.
  • Manejo de valores nulos y datos faltantes.
  • Identificación de outliers.
  • Visualización de datos con Matplotlib y Seaborn.
  • Introducción a gráficos: histogramas, scatter plots, box plots.

DS1003 Curso de Estadística para Data Science

• Objetivos: Proporcionar a los estudiantes las bases estadísticas necesarias para el análisis de datos.
• Contenido:
  • Probabilidades y distribuciones.
  • Media, mediana, moda, varianza y desviación estándar.
  • Correlación y covarianza.
  • Pruebas de hipótesis.
  • Distribuciones más comunes: normal, binomial, Poisson.

DS1004 Curso de Preprocesamiento de Datos

• Objetivos: Enseñar cómo preparar los datos para modelos de machine learning.
• Contenido:
  • Limpieza de datos.
  • Normalización y estandarización.
  • Codificación de variables categóricas.
  • División del conjunto de datos en entrenamiento y prueba.
  • Introducción a la reducción de dimensionalidad (PCA).

DS1005 Curso de Introducción al Machine Learning

• Objetivos: Proporcionar una base sólida en técnicas de Machine Learning.
• Contenido:
  • Diferencias entre aprendizaje supervisado, no supervisado y semi-supervisado.
  • Modelos de regresión lineal y logística.
  • Árboles de decisión.
  • K-Nearest Neighbors (KNN).
  • Validación cruzada y evaluación de modelos.

DS1006 Curso de Algoritmos de Machine Learning Avanzados

• Objetivos: Introducción a algoritmos más complejos.
• Contenido:
  • Random Forest y Gradient Boosting.
  • Support Vector Machines (SVM).
  • Clustering con K-Means.
  • Análisis de Componentes Principales (PCA) para reducción de dimensionalidad.

DS1007 Curso de Deep Learning y Redes Neuronales

• Objetivos: Introducción al Deep Learning.
• Contenido:
  • ¿Qué es Deep Learning?
  • Concepto de redes neuronales.
  • Frameworks de Deep Learning: TensorFlow y Keras.
  • Arquitecturas básicas de redes neuronales.
  • Implementación de una red neuronal simple en Python.