Bienvenido al curso profesional de Data Science
Clase 2 de 35 • Curso Profesional de Data Science 2016
Contenido del curso
Llevar tus cosas a Producción
- 3

Llevar tus cosas a producción
05:53 min - 4

Bases de datos: SQL o NoSQL
05:22 min - 5

ETL
12:01 min - 6

Mostrar tus datos mediante dashboards
07:38 min - 7

Repaso por Jupyter Notebook
07:34 min - 8

Ejemplo de inferencia en twitter para producción
20:35 min - 9

Creando nuestro modelo matematico
17:45 min - 10

Automatización
24:35 min - 11
Llevar tus cosas a producción
07:13 min
Machine Learning
- 12

Un poco de contexto sobre machine learning
10:40 min - 13

Entrenando un modelo de Machine Learning
12:03 min - 14

Modelos de regresión, clasificación, clustering y reducción de dimensionalidad
15:38 min - 15

Modelos canónicos y para que los usamos
17:02 min - 16

Más modelos canonicos
28:24 min - 17

Itera rápido o muere lento
06:33 min - 18

Recolectando y limpiando nuestros datos
23:28 min - 19

Implementando nuestros modelos de Machine Learning
16:23 min - 20

Creando y ejecutando nuestro pipeline
32:34 min - 21
Machine Learning
12:04 min
Estadística
Herramientas clave que usa un data scientist
Construyendo un equipo de data science
¿Qué sigue?
Resumen
En este curso vamos a sumergirnos con más profundidad en el mundo de data science:
- Hablaremos es llevar tus cosas a producción
- Tomaremos prototipos de data science y los convertiremos en sistemas de ingeniería;
- Navegar a través de elementos de bases de datos, procesos ETL y paneles de control;
Lo siguiente es una visión general de machine learning que habla sobre la formación de modelos de machine learning:
- Diferencia entre aprendizaje no supervisado y supervisado
- Regresión, clasificación, reducción de dimensionalidad y agrupación;
- Modelos canónicos de aprendizaje, y cuáles son sus usos.
También tendremos una visión general de estadísticas:
- Variables aleatorias, funciones de distribución de probabilidad,
- Inferencia bayesiana.
Las compartiremos el papel de algunas herramientas en el flujo de trabajo de un data scientist cubriendo temas como Git, AWS y la línea de comandos.
Y, finalmente, hablaremos de experiencias personales sobre cómo construir equipos de data science
y las decisiones que tomamos en ellos.
Así que bienvenidos.