Libro de Data Science I: Fundamentos para la Ciencia de Datos

✅ Garantía de 7 Días

Si el libro no cumple tus expectativas, tenés 7 días para pedir un reembolso. Sin vueltas.

📘 Sobre el libro

Data Science I: Fundamentos para la Ciencia de Datos es una guía práctica/teórica con ejemplos claros y aplicables. Te adentrarás en la ciencia de datos desde cero. Aprenderás a dominar Python y sus librerías esenciales para manipular datos, a aplicar estadísticas y a construir tus primeros modelos de Machine Learning, preparándote para un futuro en la toma de decisiones basada en datos.

Introducción:

• La Transformación Digital en la Industria 4.0: En este capítulo, exploraremos el panorama de la Industria 4.0 y el papel crucial que juegan los datos. Comprenderás qué es la ciencia de datos y cómo se diferencia de otras disciplinas. Analizaremos ejemplos de la vida real para que veas cómo las empresas están usando los datos para innovar.

• Fundamentos de Python: Aquí pondrás manos a la obra con Python, el lenguaje de programación principal para la ciencia de datos. Te guiaremos a través de su sintaxis, tipos de datos y estructuras de control. A través de ejercicios prácticos, te familiarizarás con las bases que necesitas para cualquier proyecto futuro.

• NumPy y Pandas: Este capítulo te introducirá a dos librerías esenciales para todo científico de datos. Aprenderás a usar NumPy para realizar cálculos numéricos de forma eficiente y a manejar Pandas para trabajar con datos estructurados, como hojas de cálculo, utilizando la poderosa estructura de datos DataFrame.

• Manipulación de Datos - Pandas: Ahora que conoces Pandas, profundizaremos en la manipulación y limpieza de datos. Te enseñaremos a manejar datos faltantes, a eliminar duplicados y a combinar información de múltiples fuentes. Estas habilidades son fundamentales para preparar tus datos antes de analizarlos o construir modelos.

• Estadísticas y Preprocesamiento: Antes de construir modelos, necesitas entender tus datos. En esta sección, cubriremos conceptos básicos de estadística descriptiva y te mostraremos cómo usar Python para calcular medidas clave. También, aprenderás a preprocesar tus datos, un paso crucial para asegurar que tus modelos de machine learning funcionen correctamente.

• Aprendizajes Supervisados en Ciencia de Datos: Aquí nos adentramos en el mundo del aprendizaje supervisado. Comprenderás cómo funcionan los modelos que aprenden de datos etiquetados para resolver problemas de regresión (predecir valores continuos) y clasificación (asignar etiquetas).

• Aprendizaje No Supervisado: En contraste con el capítulo anterior, aquí verás cómo los modelos pueden encontrar patrones y estructuras en datos no etiquetados. Explorarás técnicas como el clustering, que te permite agrupar datos similares, y aprenderás a aplicarlas en casos de uso como la segmentación de clientes.

• Fundamentos de IA y Machine Learning: Este capítulo te dará una visión global de la relación entre la Inteligencia Artificial y el Machine Learning. Entenderás cómo se interrelacionan y sus diferencias, sentando una base sólida para comprender cómo estas tecnologías impulsan la innovación hoy en día.

• Aplicaciones Prácticas de ML: Para finalizar, exploraremos casos de uso de la vida real de Machine Learning en diferentes industrias. Verás cómo todo lo aprendido se puede aplicar en proyectos, desde la recomendación de productos hasta la detección de fraudes, y te daremos las bases para tu primer proyecto práctico.