Ventajas de nuestra formación
Acceso al curso las 24 hs. Todos los días de la semana
Contenidos didácticos de calidad
Calendario flexible
Profesores especializados
Curso acreditado por FUNDAE
Aula virtual accesible para PCs, notebook, tablet y smartphone
Opción a disponer de asistencia de profesor o sólo acceso a contenidos (autoestudio)
Nos ocupamos de toda la gestión de su bonificación
Diploma acreditativo de CIBERAULA
Calendario: Flexible.
Fecha disponible: Inmediata.
Porcentaje de Bonificación: 100%
Diploma acreditativo emitido por FUNDAE.
Certificado acreditativo para concursos y oposiciones.
Temario Personalizado.
¿Por qué es beneficioso para un profesional realizar un curso de Análisis de Datos en Python?
En la era de los datos, el manejo y análisis de grandes volúmenes de información es fundamental para los profesionales que buscan destacar en el ámbito de la Tecnología, la Investigación y los Negocios. Este curso te permitirá dominar herramientas avanzadas como Python, aplicando lo aprendido en proyectos prácticos para generar visualizaciones efectivas y análisis exhaustivos.
Leer másEn la era de los datos, el manejo y análisis de grandes volúmenes de información es fundamental para los profesionales que buscan destacar en el ámbito de la Tecnología, la Investigación y los Negocios. Este curso te permitirá dominar herramientas avanzadas como Python, aplicando lo aprendido en proyectos prácticos para generar visualizaciones efectivas y análisis exhaustivos.
El conocimiento en Análisis de Datos es clave para la toma de decisiones basadas en datos. Aprenderás a manejar bibliotecas populares como Pandas y Matplotlib, optimizando procesos y mejorando la eficiencia en proyectos de análisis de datos. Este curso es una inversión que potenciará tu perfil profesional, permitiéndote aportar soluciones innovadoras y estratégicas en cualquier sector.
Otros Cursos de Relacionados
Horas Lectivas: 50 Horas Lectivas: 50 Horas Lectivas: 50 Horas Lectivas: 50 Horas Lectivas: 50| Este curso está dirigido a profesionales, estudiantes y entusiastas interesados en el análisis de datos y la visualización. Aunque es accesible a todas las áreas, es especialmente útil para aquellos en tecnología, investigación y negocios. No se requiere experiencia previa profunda en programación, pero sí es importante tener curiosidad por aprender cómo herramientas como Python, Tableau y otras pueden aplicarse para analizar datos y crear visualizaciones, facilitando la toma de decisiones y mejorando procesos en diversas industrias. |
| La duración del curso de Visualizaciones y Análisis de Datos en Python es de 50 horas,
acreditadas en el Diploma del mismo. Fecha de inicio: Se puede determinar libremente, teniendo en cuenta que en cursos bonificados de formación contínua debe notificarse a FUNDAE con al menos 3 días naturales de antelación a la misma. |
| Este curso puede ser bonificado al 100% para la empresa receptora, incluso aunque esta tenga un porcentaje de copago en razón de su número de empleados en plantilla. El coste de la formación se recuperará
mediante descuento en el pago de los seguros sociales. |
Este descuento será aplicable libremente en cualquier mes del año posterior a la fecha en que haya finalizado la formación. Podrán bonificarse las matrículas de aquellos alumnos que realicen al menos el
75% del curso con éxito. |
| EN CURSOS ONLINE Teleformación: En esta modalidad todo el curso se realiza a través de internet, con acceso las 24 hs. todos los días de la semana y plazo máximo de seis meses. No hay actividades como clases a las que el alumno deba asistir en horarios y fechas programados. Aula virtual: En esta modalidad la formación se imparte mediante clases en directo a través de internet, es decir clases tele-presenciales, que se llevarán a cabo a través de ZOOM, Skype u otra herramienta a convenir. Modalidad MIXTA: Combinación de las dos modalidades anteriores. Los trabajadores asisten a clases en directo (por ejemplo una a la semana) y entre clases disponen de material para avanzar en el curso en la plataforma. Es la más completa para grupos de trabajadores que realizan un mismo curso. EN CURSOS PRESENCIALES o SEMI - PRESENCIALES En esta modalidad los trabajadores realizan el curso asistiendo físicamente a un aula en la que se imparte la formación. Puede ser complementada igualmente con acceso a una plataforma online entre clases. Para esta modalidad se requiere una consulta previa de disponibilidad en la ciudad donde se desee llevar a cabo. |
NOTA:
Trabajamos con la metodología de curso personalizado, creada por Ciberaula en 1997. Usted puede solicitar un curso a la medida de sus objetivos, que combine lecciones de
2 o más cursos en un plan de formación a su medida. Si este es su caso consúltenos, esta metodología ofrece un aprovechamiento máximo de la formación en los cursos bonificados para trabajadores.
El
temario predefinido del curso online de Visualizaciones y Análisis de Datos en Python es el siguiente:
1 Introducción al Curso de Análisis de Datos en Python
1.1 Bienvenida y Objetivos del Curso
1.2 Recomendaciones y Repositorio de GitHub
2 Fundamentos de Análisis de Datos
2.1 Introducción al Análisis de Datos
2.2 ¿Por qué Python para Análisis de Datos?
2.3 Conceptos Clave de Estadística Descriptiva
2.4 Clasificación y Tipos de Variables
2.5 Distribuciones de Datos
2.6 Preparación del Entorno: Instalación de Python, Jupyter y Pandas
2.7 Resolución de Problemas Comunes de Instalación
2.8 Uso de Jupyter Notebook como Herramienta de Trabajo
2.9 Primeros Pasos con Pandas: Análisis Exploratorio
2.10 Manipulación de Datos con Pandas: Joins y Fechas
2.11 Avanzando con Pandas: Agrupaciones y Transformaciones
2.12 Proyecto: Realizando un Análisis de Datos Completo
3 Conceptos Básicos de Visualización de Datos
3.1 Introducción a la Visualización de Datos
3.2 La Importancia de las Visualizaciones en el Análisis
3.3 Creación de Visualizaciones Efectivas: Diseño y Colores
3.4 Consideraciones Éticas en la Presentación de Datos
4 Visualización de Datos Univariables
4.1 Introducción a la Visualización Univariable
4.2 Instalación de Herramientas: Matplotlib, Seaborn y Plotly
4.3 Creación de Gráficos de Barras
4.4 Gráficos Circulares y de Dona
4.5 Box Plots para el Análisis de Outliers
4.6 Gráficos de Violín para Visualización de Distribuciones
4.7 Histogramas para el Análisis de Distribuciones
4.8 Gráficos de Densidad (KDE)
4.9 Gráficos de Líneas
4.10 Gráficos de Áreas y Apilados
4.11 Ejercicio Práctico: Visualización de Datos Univariables
5 Visualización de Datos Avanzada
5.1 Introducción a las Técnicas Avanzadas de Visualización
5.2 Ajustes de Estilo y Dimensiones en Gráficos
5.3 Personalización de Etiquetas y Ejes
5.4 Uso de Anotaciones y Marcas en Visualizaciones
5.5 Creación de Subgráficos y Gráficos Compuestos
5.6 Guardado y Exportación de Gráficos
5.7 Práctica: Resolución de Problemas de Visualización
5.8 Técnicas Avanzadas de Personalización de Gráficos
5.9 Técnicas de Búsqueda de Personalizaciones para Gráficos
5.10 Formato de Guardado de Imágenes
5.11 Conclusión de la Sección
6 Proyectos de Visualización
6.1 Proyecto 1: Creación de Gráficos de Barras Múltiples
6.2 Solución del Proyecto 1
6.3 Proyecto 2: Visualización de Barras Apiladas
6.4 Solución del Proyecto 2
6.5 Proyecto 3: Análisis de Ventas mediante Gráficos
6.6 Solución del Proyecto 3
6.7 Proyecto 4: Realizando un Análisis de Ventas Completo
6.8 Solución del Proyecto 4
7 Visualización de Datos Multivariables
7.1 Creación de Gráficos de Dispersión y Categoría
7.2 Análisis de Regresión y Correlación
7.3 Uso de Joint Plot con Seaborn
7.4 Creación de Pair Plots con Seaborn
7.5 Gráficos de Radar para la Comparación de Múltiples Variables
7.6 Gráficos de Burbujas con Escalas Logarítmicas
7.7 Gráficos de Líneas con Ejes Múltiples
7.8 Gráficos Combinados: Barras y Líneas
7.9 Mapas de Calor (Heatmap) para Visualización de Patrones
7.10 Creación de Heatmaps Categóricos
7.11 Matriz de Correlación con Paletas Personalizadas
7.12 Diagramas de Coordenadas Paralelas para el Análisis Multivariable
7.13 Ejercicio Práctico: Análisis Multivariable
8 Visualización Geoespacial
8.1 Introducción a la Visualización Geoespacial
8.2 Creación de Mapas de Puntos y Burbujas
8.3 Mapas Coropléticos
8.4 Mapas de Calor Geoespaciales
8.5 Mapas de Calor con Animación Temporal
8.6 Introducción a Carto y su Uso en la Visualización Geográfica
8.7 Mapas Avanzados con Choropleth y Puntos Agrupados
8.8 Visualización en Mapas de Grid y Hexabin
8.9 Creación de Mapas en 3D
9 Visualización de Redes y Grafos
9.1 Introducción al Análisis de Redes
9.2 Creación de Grafos de Interacción con NetworkX
9.3 Uso de Gephi para la Visualización de Redes
9.4 Personalización de Grafos en Gephi
9.5 Creación de Grafos de Co-Ocurrencia de Palabras
9.6 Diagramas de Cuerdas para Redes Complejas
9.7 Visualización de Conexiones y Flujos
9.8 Ejercicio Práctico: Análisis de Redes
10 Visualización Jerárquica de Datos
10.1 Creación de Treemaps para Visualización Jerárquica
10.2 Visualización con Gráficos de Sunburst
11 Visualización de Datos
11.1 Creación de Nubes de Palabras para Procesamiento de Texto
11.2 Diagramas de Venn para Comparación de Conjuntos
11.3 Creación de Stream Graphs
11.4 Visualizaciones en 3D: Gráficos de Dispersión
11.5 Introducción a Series de Tiempo y su Visualización
11.6 Ejercicio Práctico: Visualización de Series de Tiempo
12 Herramientas de Visualización Profesional con Tableau
12.1 Fundamentos de Visualización con Tableau
12.2 Instalación de Tableau
12.3 Creación de Gráficos de Barras en Tableau
12.4 Gráficos Circulares y de Caja en Tableau
12.5 Análisis de Outliers con Tableau
12.6 Creación de Histogramas en Tableau
12.7 Gráficos de Dispersión y Regresión en Tableau
12.8 Gráficos Combinados en Tableau
12.9 Mapas Geográficos en Tableau
12.10 Creación de Dashboards Interactivos en Tableau
12.11 Visualizaciones Avanzadas con Mapas y Heatmaps en Tableau
13 Conclusiones y Próximos Pasos
13.1 Reflexión Final y Próximos Pasos
13.2 Recomendaciones de Contenido Adicional
14 Introducción a la Programación en Python
14.1 ¿Qué es un Lenguaje de Programación?
14.2 Introducción a Python y su Instalación
14.3 Trabajo con Variables en Python
14.4 Tipos de Datos y Operaciones Básicas
14.5 Entrada y Salida de Datos en Python
14.6 Uso de Librerías y Módulos en Python
14.7 Control de Flujo y Estructuras Condicionales
14.8 Bucles y Iteraciones en Python
14.9 Colecciones en Python: Listas, Strings y Diccionarios
14.10 Funciones en Python
14.11 Manejo de Archivos en Python
14.12 Clases y Objetos en Python
Inicio
Ir a la Portada
