Bootcamp Data Science y Data Analytics

1. INTRODUCCIÓN A DATA SCIENCE
   • La Industria 4.0.
   • Estadística Básica para Data Scientists.
   • Introducción a Python: Programación Orientada a Objetos
   • Introducción a Python: Numpy y Pandas.
2. DATA ACQUISITION Y DATA WRANGLING
   • Principales librerías para realizar adquisiciones de datos (SQLAlquemy, Request, Selenium, Urblib, BeautifulSoup, Pandas, JSON, Scikit-learn)
   • Bases de datos. Crear conector y utilizar pandas con SQL.
   • APIs. Explorar la posibilidad de recibir diferentes tipologías de respuestas.
   • Web Scrapping. Posibles técnicas que pueden ser utilizadas.
   • Manipulación de datos. Diferentes técnicas para realizar featuring engineering. Respuestas a principales problemas a los que enfrentarse (diccionarios de datos, problemas de granularidad).
3. EXPLORATORY DATA ANALYSIS (EDA) & INSIGHT DISCOVERY
   • Principales librerías para realizar un análisis exploratorio (Dash, Matplotlib, Seaborn, Streamlit, SciPy).
   • Importancia de hacer un EDA antes de desarrollar un modelo estadístico/ML.
   • Principales tipos de gráficos y principales formas de representar la información utilizando estadísticos descriptivos (media, mediana, desviación).
   • Diferencia entre variables cualitativas y cuantitativas.
   • Cualitativas. Posibles formas de captar correlación (no causalidad). Análisis de relevancia de atributos (IV, WoE).
   • Cuantitativas. Posibles formas de captar correlación (no causalidad).
   • Distribuciones de datos y el teorema central del limite.
   • Posibles test para utilizar en análisis exploratorios. Análisis univariados, bivariados y multivariados.
4. METODOLOGÍAS Y HERRAMIENTAS TECNOLÓGICAS PARA DATA SCIENCE
   • Principales herramientas de uso del Data Scientist (Anaconda, VSCode, Google Colab).
   • Introduccion al Machine Learning y la Inteligencia Artificial.
   • Aprendizaje Supervisado: clasificación VS regresión.
   • Aprendizaje No Supervisado: clustering.
   • Proceso de ajuste de modelo.
   • Mi primer modelo predictivo
   • Principales desafíos del Data Scientist
5. ALGORITMOS DE MACHINE LEARNING
   • Modelos de clasifificación y regresión
   • Aprendizaje No Supervisado: clustering.
   • Deep Learning.
   • Esto es una carrera de fondo: recomendaciones para continuar el aprendizaje.
   • Caso de Uso: caracterización del problema, EDA, selección de modelos, aprendizaje y testing, conclusiones
6. VALIDACIÓN DE RESULTADOS DEL MODELO Y TUNEO
   • Intro a MLOps qué es y por qué es tan importante
   • MLFlow: nuestra herramienta de MLOps
   • Manos a la obra: pipe de MLOps end-to-end
   • Advanced MLOps
   • Práctica: Mi modelo a competición I: encapsulando el modelo en una API
   • Práctica: Mi modelo a competición II: procesamiento de datos en tiempo real.

Tendrás la oportunidad de trabajar en un proyecto final con datos de empresas reales. De este modo, podrás poner en práctica todos los conocimientos adquiridos en el Work Camp.

El objetivo es crear valor a partir de los datos que nos dan las empresas mediante un grupo colaborativo.

Para ello, contarás con el apoyo del profesorado, que compartirá su experiencia contigo.