Data Science using R & Python

El mercado de ciencia de datos, aprendizaje automático e inteligencia artificial está en auge.

La ciencia de datos consiste básicamente en convertir datos estructurados o no estructurados en información, comprensión y conocimiento utilizando métodos, procesos y algoritmos científicos.

R y Python son los lenguajes de programación más comunes utilizados en Data Science.

R es un lenguaje de código abierto gratuito que se utiliza como software estadístico y de visualización. Puede tratar con datos estructurados (organizados) y semiestructurados (semi-organizados).

Para aprender R para la ciencia de datos, cubrimos todos los aspectos de la siguiente manera:

& # 10020; Introducción

& # 10020; Tipos de datos en R

& # 10020; Variables en R

& # 10020; Operadores en R

& # 10020; Declaraciones condicionales

& # 10020; Declaraciones de bucle

& # 10020; Declaraciones de control de bucle

& # 10020; R Script

& # 10020; Funciones R

& # 10020; Función personalizada

& # 10020; Estructuras de datos

• Vectores atómicos

• matriz

• matrices

• Factores

• Marcos de datos

• Lista

& # 10020; Importar / Exportar datos: asigne valores a la estructura de datos

& # 10020; Manipulación / Transformación de datos

& # 10020; Aplicar la función de Base R

& # 10020; Paquete dplyr

Para Python cubrimos los siguientes:

& # 10020; Configuración del entorno y elementos esenciales de Python

• Introducción y configuración del entorno

• Asignación variable en Python

• Tipos de datos en Python

• Estructura de datos: tupla

• Estructura de datos: lista

• Estructura de datos: Diccionario (Dict)

• Estructura de datos: conjunto

• Operador básico: en

• Operador básico: + (más)

• Operador básico: * (multiplicar)

• funciones

• Función de secuencia incorporada en Python

• Control de declaraciones de flujo: if, elif, else

• Declaraciones de flujo de control: para bucles

• Control de declaraciones de flujo: mientras que bucles

• Manejo de excepciones

& # 10020; Computación matemática con NumPy en Python

• Tipos de matrices

• Atributos de ndarray

• Operaciones básicas

• Acceso al elemento de matriz

• Copia y vistas

• Funciones universales (ufunc)

• Manipulación de forma

• Radiodifusión

• Álgebra lineal

& # 10020; Manipulación de datos con pandas

    • ¿Por qué los pandas?

    • Estructuras de datos

    • Serie - Creación

    • Serie - Elemento de acceso

    • Series: operaciones de vectorización

    • DataFrame - Creación

    • Visualización de DataFrame

    • Manejo de valores perdidos

    • Operaciones de datos con funciones

    • Funciones estadísticas para operaciones de datos.

    • Operación de datos con GroupBy

    • Operación de datos: clasificación

    • Operación de datos: fusión, duplicación, concatenación

    • Operación SQL en pandas

Estadísticas es una parte crucial para comenzar a aprender en este campo.

Los términos utilizados en las estadísticas son muy extraños y difíciles de entender para los principiantes, por lo que hicimos todo lo posible para explicar estos términos en un lenguaje muy fácil para los novatos, intermedios o avanzados en el campo de la ciencia de datos, el aprendizaje automático y la inteligencia artificial.

Aquí cubrimos tantos términos utilizados en estadísticas como:

• Hipótesis

• Métodos cuantitativos

• Métodos cualitativos

• Variables independientes y dependientes

• Variables de predicción y resultado

• Variables categóricas

• variable binaria

• variable nominal

• variable ordinal

• Variable continua

• Variable de intervalo

• Relación variable

• Variable discreta

• variables de confusión

• Error de medición

• Validez y fiabilidad

• Dos métodos de recolección de datos.

• Tipos de variación

• variación no sistemática

• variación sistemática

• Distribución de frecuencias

• media

• mediana

• Modo

• Dispersión en la distribución de datos.

• Rango

• Rango intercuartil

• cuartiles

• Probabilidad

• Desviación Estándar

La ventaja más importante de esta aplicación es que el material completo, excepto el proyecto de muestra, está disponible sin conexión, la parte del proyecto de muestra está en línea porque seguimos agregándolo regularmente en la web.

Compilador en línea en dispositivos móviles, puede escribir código en dispositivos móviles y ejecutarlo para ver la salida.

Prueba / examen de simulación: compruebe sus conocimientos en ciencia de datos al intentar este examen de simulación, cada pregunta tiene 4 opciones y 1 respuesta correcta.