Nuestro Bootcamp
Data Science
Impulsa tu carrera con nuestro bootcamp y aprende nuevas habilidades en Python, Machine Learning, Deep Learning y PNL
Aprende a usar las herramientas que van a potenciar tu futuro
Hemos diseñado cuidadosamente nuestro plan de estudios para contener las herramientas más actualizadas que demanda el mercado laboral. Esto es lo que hace que nuestro Data Science Bootcamp sea tan innovador y lo que le permitirá dar el siguiente paso en su carrera.
Metodología:
Modalidad Online / Aprendizaje Síncrono Duración:
260 horas de videoconferencia
22 semanas / 5 meses y medio Horario:
Lunes, Miércoles y Viernes de
7:00 pm a 11:00 pm 
Embárcate en un viaje fascinante hacia el mundo de Data Science, donde descubrirás cómo transformar datos en conocimiento significativo; en este Bootcamp, explorarás las herramientas y técnicas clave utilizadas por los científicos de datos para analizar datos, extraer información valiosa y tomar decisiones fundamentadas.
Sobre el
Programa
Nuestra metodología Bootcamp está enfocada en proyectos, así que para el final del programa habrás desarrollado proyectos innovadores que permitirán poner en jaque tus conocimientos y desafiarte a desarrollar procesos completos de data science desde la definición del problema, la exploración de los datos, la aplicación de técnicas de aprendizaje automático adecuadas hasta la entrega de un prototipo funcional.
Saber más
Malla
Curricular
- Aprenda sobre estadística, probabilidad básica, cálculo y álgebra lineal
- Control de versiones (Git)
- Python.
- Aprenda las herramientas y los lenguajes de programación relevantes para la ciencia de datos.
- Fundamentos de Python para ciencia de datos, control de versiones (Git y GitLab)
- Bases de datos SQL, organización y estructuración de proyectos de ciencia de datos.
- Negociación de datos en profundidad en Python (acceso a datos en línea a través de API, limpieza de datos y exploración con Pandas).
- Trabaje tanto con JupyterLab como con entornos de desarrollo integrados.
- Utilice técnicas de visualización avanzadas para extraer información procesable de los datos y cree historias visualmente atractivas.
- Cree figuras interactivas e incluso cuadros de mando completos aprovechando herramientas como Matplotlib, Seaborn, Plotly y Dash.
- Utilice métodos estadísticos para ayudar en la toma de decisiones utilizando metodologías críticas como las pruebas A/B.
- Aplicar estadísticas inferenciales, estimación de parámetros y pruebas de hipótesis en problemas de ciencia de datos.
- Aprenda sobre modelado probabilístico y modelos lineales generalizados y resuelva problemas del mundo real.
- Cree canalizaciones avanzadas de Machine learning de un extremo a otro.
- Obtenga una visión en profundidad de los métodos de aprendizaje supervisados (regresión y clasificación), así como de los métodos de aprendizaje no supervisados (agrupamiento, detección de valores atípicos y reducción de dimensionalidad).
- Aprenda los conceptos básicos de ML (Descenso de gradiente, modelos lineales frente a no lineales, funciones de pérdida, validación cruzada, ajuste).
- Resuelva escenarios del mundo real que incluyen: abordar datos desequilibrados, seleccionar modelos adecuados, optimizar el rendimiento del modelo mediante el ajuste de hiper parámetros y la interpretación del modelo mediante marcos como LIME y SHAP.
- Conozca los avances, las aplicaciones y los marcos más recientes para Auto-ML (PyCaret, TPOT y Auto-Sklearn).
- Conozca la teoría y la historia detrás de las redes neuronales y el aprendizaje profundo.
- Cree sus propias redes con TensorFlow y Keras: redes neuronales artificiales y redes neuronales convolucionales.
- Utilice el aprendizaje de transferencia profunda y los modelos de aprendizaje profundo de última generación para resolver problemas de visión por computadora, como la clasificación y segmentación de imágenes.
- Interprete y explique modelos de aprendizaje profundo para la visión utilizando técnicas como Grad-CAM
- Aprenda los conceptos básicos de la PNL (reconocimiento de entidades con nombre, modelado de temas, clasificación de documentos, similitudes, incrustaciones, etc.).
- Aprenda y practique cómo transformar texto no estructurado en datos estructurados y entrene modelos clásicos de AA.
- Resuelve diversos problemas como clasificación, recomendaciones, resumen, reconocimiento de entidades con nombre y más.
- Utilice los últimos modelos de Deep Learning de última generación, incluidos los transformadores, para resolver tareas más complejas (traducción de idiomas, similitud contextual, búsqueda y más).
- Aprenda a abordar un proyecto de ciencia de datos de manera eficaz mediante el uso de flujos de trabajo convencionales y la creación de una estructura de proyecto limpia.
- Conozca las mejores prácticas de MLOps, como el control de versiones de modelos y datos, el seguimiento de experimentos, las pruebas de modelos y códigos y CI/CD para proyectos de ML.
- Use Docker en contenedores y sirva su modelo, haciéndolo accesible a través de una API que implementará en un servidor en la nube.
- Resuelva problemas reales de ciencia de datos de nuestra lista cuidadosamente seleccionada de proyectos predefinidos o, mejor aún, traiga sus propios datos y problemas de ciencia de datos.
- Experimente el proceso completo de ciencia de datos: desde la definición de su problema comercial, la exploración de los datos, la aplicación de técnicas de aprendizaje automático adecuadas, hasta finalmente la entrega de un prototipo funcional.
APLICA
Nuestro
Mindset
