Cursos de Ciencia de Datos
La ciencia de datos es el campo que convierte datos sin procesar en conocimientos significativos y decisiones inteligentes. En esta categoría, aprenderás a recopilar, procesar, analizar, visualizar y modelar datos utilizando herramientas como Python, SQL, aprendizaje automático y plataformas de inteligencia empresarial, preparándote para desafíos reales basados en datos.
4.7
Calificado según 7 reseñas.
76 AprendicesYa inscrito
Habilidades adquiridas:
A/B Test DesignAI Transparency AwarenessARIMA ModelingActivation Function AnalysisActive Learning FundamentalsAdaptive AlgorithmsAdvanced ARIMA TechniquesAdvanced Ensemble IntegrationAdvanced Text CleaningAdversarial Training ConceptsAgent-Environment InteractionAjuste de HiperparámetrosAjuste de hiperparámetrosAlgorithm Evaluation and ComparisonAlgoritmos de Bandidos de Múltiples BrazosAlgoritmos genéticosAlignment and Generalization RisksAnalyzing GAN Training ChallengesAnomaly detection evaluation Análisis de componentes principales (PCA)Análisis de equidad y sesgoAnálisis de seriesAplicación de RNN en tareas de PLN (análisis de sentimientos)Aplicación de Random ForestApplied Calibration WorkflowsApproximate InferenceApproximate ReasoningApproximation TheoryAprendizaje automático con scikit-learnAprendizaje por Diferencia TemporalArquitectura TransformerAtención Multi-CabezaAttention Mechanisms TheoryAutomated Search with scikit-learnAutoregressive GenerationBackward Difference CodingBagging and Random ForestsBayesian NetworksBayesian OptimizationBernoulli DistributionBias–Variance Trade-offs in High DimensionsBias–Variance TradeoffBoosting AlgorithmsCalibration Metrics (ECE, MCE, Brier Score)Caminatas aleatorias en grafosCatBoost ModelingCatastrophic Forgetting AnalysisCategorical Feature HandlingChi-Square AnalysisClasificación de nodosClassification AlgorithmsClassification Loss AnalysisClassification metrics (Accuracy, Precision, Recall, F1, ROC–AUC) Clustering TechniquesClustering evaluation (Silhouette, Davies–Bouldin, Calinski–Harabasz) Clustering jerárquico y dendrogramasCodificación PosicionalCodificación de característicasCoefficient VisualizationCommittee-Based QueryingCompactness and ConvergenceComprensión de RNN, LSTM y GRUComprensión de la arquitectura TransformerCompression Trade-off ReasoningConcentration of MeasureConceptos de GraphSAGEConceptos de atención multi-cabezaConceptos de privacidad de datosConciencia regulatoriaConditional IndependenceConjugate PriorsConstrucción de pipelinesContinual Learning TheoryContinuity and BoundednessConvergence TheoryConvex AnalysisCoordinate Reference SystemsCorrelation AnalysisCovarianza y descomposición en valores propiosCritical Analysis of NTK LimitationsCross-validation techniquesCurse of DimensionalityDBSCAN: manejo de ruido y formas irregularesData Leakage PreventionData Preprocessing with TransformersData StorytellingData Visualization with matplotlib and seabornDeduplication AlgorithmsDegrees of TruthDensity-Weighted SamplingDeployment Best PracticesDesarrollo y evaluación integral de modelosDescenso de gradienteDescomposición matricialDescriptive StatisticsDetección de valores atípicosDeterminants and matrix rank Diffusion Model TheoryDimensionality reduction evaluation Directional derivatives Diseño de salidas estructuradasDistance CollapseDistribuciones de probabilidadDistributional Analysis of Neural NetworksDocument Chunking and IndexingDocument ClusteringDocument Similarity MeasuresDrift Detection FundamentalsEffective DocumentationEigenvalues and eigenvectors Empirical Risk MinimizationEncoder-Decoder ArchitectureEncoding Leakage PreventionEnfoques de detección de objetosEnsemble Learning FundamentalsEntrenamiento y Evaluación de ModelosEntrenamiento y evaluación de modelosEntropy and CompressionEntropy and Rate–Distortion AnalysisError Propagation in Deep NetworksEscalado de característicasEstimator IntrospectionEstructuras de Datos en PythonEthical AI PrinciplesEvaluación de promptsEvaluation Under Distribution ShiftExperiment Tracking with MLflowExperimental Data PreparationExplainable AI FundamentalsExploration vs. ExploitationExploratory Data AnalysisExponential Family UnderstandingExpressivity of Neural NetworksFailure Analysis in RAGFailure Mode DiagnosisFairness in MLFeature Engineering for TSFeature ScalingFeature Selection MethodsFeed-Forward NetworksFine-tuning Pre-trained ModelsForecast Evaluation MetricsForecasting StrategiesFormal Preference ModelingFunciones y conjuntosFunctional Analysis FoundationsFunctional Analysis in MLFundamentos de Aprendizaje por RefuerzoFundamentos de GymnasiumFundamentos de PyTorchFundamentos de TensorFlowFundamentos de ingeniería de promptsFundamentos de ética en IAFundamentos matemáticos de la atenciónFundamentos y algoritmos de clusteringFuzzy If–Then RulesFuzzy Inference SystemsFuzzy Logical OperatorsFuzzy Matching in PythonFuzzy SetsGAN FundamentalsGANsGaussian DistributionGaussian Process CorrespondenceGeneralization BoundsGeneralization in Learning TheoryGenerative Model ConnectionsGeometric Implications for ML AlgorithmsGeometric InterpretabilityGeometric Intuition in High DimensionsGeospatial Data FundamentalsGeospatial VisualizationGestión de datos faltantes y categóricosGradient Boosting for TSGradient DescentGraph LaplaciansGraph Representation in PythonHelmert CodingHigh-Cardinality Feature EncodingHigh-Dimensional Data InterpretationHigh-Dimensional Geometry IntuitionHigh-Dimensional Statistical TheoryHilbert Spaces in LearningHistogram BinningHybrid Rule-Based SystemsHyperparameter TuningHyperparameter Tuning FundamentalsHypothesis TestingIA GenerativaImplementación de Transformers en PythonImplementación de redes recurrentes en PyTorchImplicit Bias in Machine LearningImplicit Regularization in Deep NetworksImportance SamplingImputación de valores faltantesIn-Context Learning TheoryInductive BiasInductive Bias ReasoningInfinite-Width Neural Network TheoryInformation Bottleneck and MDLInformation Theory BasicsInformation Theory in NLPInformation-Theoretic LossesInformation-Theoretic ReasoningIngeniería de característicasIntegralesInteligencia de enjambreInteroperabilidad de datosInterpretación de ModelosInterpretación de la importancia de característicasInterpreting Generalization BoundsIntuición de incrustaciones en grafosIntuición sobre la auto-atenciónIsolation Forest ImplementationIsotonic RegressionJacobian matrices Jupyter Notebook ProficiencyK-Means: principios y optimización de conglomeradosKernel MethodsKernel Regression DynamicsKernel-based RegularizationKnowledge Distillation TheoryKnowledge Graph Embedding ModelsKnowledge Graph FundamentalsKnowledge Integration in LLMsKolmogorov–Smirnov TestL1, L2, and Elastic Net RegularizationLLM Failure ModesLabel Efficiency TechniquesLarge-Width Limit TheoryLatent Space GeometryLatent Space ReasoningLayer NormalizationLayer-wise Representation AnalysisLearning Curve AnalysisLeave-One-Out EncodingLightGBM ModelingLikelihood vs ProbabilityLimits of LLM GeneralizationLimpieza de datosLinear Algebra FoundationsLinear Algebra for Deep LearningLink PredictionLocal Outlier Factor AnalysisLoss Function Selection and ComparisonLow-Rank Matrix IntuitionLímites y derivadasMLOps FundamentalsManejo de Lenguaje NaturalManejo de valores nulos en ArrowManifold IntuitionManual Search MethodsMarcos de IA responsableMarkov Chain Monte CarloMarkov Chains in Generative ModelingMarkov Decision ProcessesMarkov Random FieldsMathematical Formulation of GANsMathematical Foundations of Loss FunctionsMathematical OptimizationMatrix multiplication and transposition Maximum-Margin SolutionsMean Field Theory in Neural NetworksMean-CenteringMecanismo de Auto-AtenciónMedidas estadísticasMembership FunctionsMinimum-Norm SolutionsModel BlendingModel Deployment with FastAPI and DockerModel EvaluationModel Evaluation and DiagnosticsModel Evaluation and GeneralizationModel InterpretabilityModel InterpretationModel Monitoring and CI/CDModel RegularizationModel Scaling ConceptsModel Selection UtilitiesModel-Based Drift DetectionModelado de clasificación binariaModelo de datos ArrowModelos de Clasificación en PythonModelos de DifusiónModelos de mezcla gaussiana: clustering probabilísticoMomentum MethodsMonitoring Model DegradationMonte Carlo IntuitionMulti-Head AttentionMultinomial DistributionMultiple integralsMultivariate AnalysisMultivariate chain rule Métodos de Programación DinámicaMétricas de Evaluación para IA GenerativaMétricas de evaluación de modelosNeural Network Architecture AnalysisNeural Network Compression TheoryNeural Network TheoryNeural Tangent Kernel FormalismNeuroevoluciónNormalización de datos y métricas de distanciaNormalization (L1, L2, Max)Normed and Banach SpacesNumerical Representation AnalysisODE Formulations in Generative ModelsOffline vs Online Evaluation ReasoningOne-Class SVM for Novelty DetectionOperator TheoryOptimización evolutivaOptimización por enjambre de partículasOptimization Constraints in Fine-TuningOptimization Dynamics in RLHFOptimization in Neural NetworksOutlier Detection FundamentalsOverfitting and RegularizationPAC Generalization BoundsPEFT Deployment ReasoningPEFT TheoryPGM Inference and LearningPLN con TransformersParameter Space GeometryPartial derivatives and gradients Pattern MiningPipeline Automation with AirflowPipeline CompositionPipeline ConstructionPlatt ScalingPolicy UnderstandingPolynomial CodingPopulation Stability IndexPositional EncodingPositional Encoding ConceptsPositive Definite KernelsPrecision-Accuracy Trade-offsPredicción de enlacesPreprocesamiento de DatosPreprocesamiento de datosPreprocessing PipelinesPrincipal Component Analysis TheoryPrincipios de transparenciaProbabilistic Graphical ModelsProbabilistic Model CalibrationProbability Distributions IntuitionProbability in Loss FunctionsProcesamiento de Lenguaje NaturalProcesamiento de imágenes con OpenCVProcesamiento de series temporales y datos secuencialesProgramación en PythonPrompt-Based GeneralizationPrompts de cadena de pensamientoPrompts de pocos ejemplosPrompts de rol y contextoPuntuación de similitud en grafosPySpark Machine LearningQuantization Noise TheoryQuantization and Pruning MathematicsRAG Evaluation MetricsRAG Pipeline ArchitectureRAG System Design PatternsRIPPER AlgorithmRKHS FoundationsRademacher ComplexityReasoning over Knowledge GraphsRecommendation SystemsRecord Linkage TechniquesRedes NeuronalesRedes neuronalesRedes neuronales convolucionalesReducción de dimensionalidadRefinamiento de promptsReglas de probabilidadRegresión LogísticaRegresión lineal con PythonRegression AnalysisRegression Loss AnalysisRegression metrics (MSE, RMSE, MAE, R²) Regularization and Inductive BiasReinforcement Learning FoundationsReliability DiagramsRepresentación de datos columnarRepresentación de grafos en PythonRepresenter TheoremReproducibility in ML WorkflowsReproducible Analysis HabitsReproducing PropertyResponsabilidad en IARetrieval-Augmented Generation FundamentalsReward Model TheoryReward SystemsRisk Minimization TheoryRobust Model AssessmentRule PruningRule Quality MetricsRule-Based ModelingRuleFit AlgorithmSampling StrategiesSampling Strategies in MLScaled Dot-Product AttentionScore MatchingSelección de característicasSelf-Attention MechanismSemantic Directions in LLMsSemantic Retrieval ConceptsSistemas inmunes artificialesSolving linear systems Sparsity and Effective DimensionalitySpatial Joins and OverlaysSpatial OperationsSpectral Graph TheorySpectral TheoryStability–Plasticity Trade-OffsStandardizationStatistical Anomaly DetectionStatistical Drift MetricsStatistical InterpretationStochastic Differential Equations (SDEs)Stochastic OptimizationStress Testing ML ModelsSubword Tokenization AlgorithmsTF-IDF WeightingTaylor expansions Temporal ValidationTeorema de BayesTeoría de grafos para MLTeoría de los mecanismos de atenciónTheoretical Deep Learning InsightsTheoretical Foundations of Zero-Shot GeneralizationTheoretical Limits of LearningTheoretical OverfittingTime Series AnalysisTime Series WindowingTokenization TheoryToma de decisiones éticasTrade-off Analysis in Model DesignTraining Dynamics in Mean Field RegimesTransfer Learning FundamentalsTransfer Learning in CVTransfer Learning in NLPTransformaciones linealesTransformación de datosTransformer Architecture TheoryTransformer AssemblyTransformersTree-Based ForecastingTriple Scoring FunctionsTécnicas de Monte CarloUncertainty-Based QueryingUnderstanding GAN VariantsUnderstanding Representation CollapseUniform ConvergenceUso de la API de PyArrowVAEsVC DimensionVariational Inference & ELBOVector Search TheoryVector Space ModelingVector and Raster Data HandlingVector operations and norms Vectores y matricesVocabulary OptimizationWeight-of-Evidence EncodingWhitening and DecorrelationWorkflow AutomationXAI Methods and ConceptsXGBoost Modelingscikit-learn API Usagescikit-learn Active Learning Implementationt-Norms and t-Conormst-test and z-test Application
Mostrar más¡Haz un breve cuestionario y acércate a tus metas!
80,000
Los estudiantes ya han completado con éxito los cursos y están aplicando sus habilidades en el lugar de trabajo
92%
Los usuarios encuentran útiles nuestros cursos
Cursos
Cursos
Explorar Ciencia de Datos cursos y proyectos
4 horas
32 capítulos
4 horas 25 capítulos
2 horas 19 capítulos
3 horas 24 capítulos
4 horas 34 capítulos
4 horas 29 capítulos
4 horas 21 capítulos
5 horas 29 capítulos
6 horas 37 capítulos
2 horas 16 capítulos
1 hora 0 capítulo
3 horas 20 capítulos
Nivel
Tipo de Lección
Tecnologías
curso
Introducción al Aprendizaje Automático con Python
4 horas 32 capítulosIntermedio
Habilidades Adquiridas: Aprendizaje automático con scikit-learn, Entrenamiento y evaluación de modelos, Ajuste de hiperparámetros
curso
Introducción a las Redes Neuronales con Python
4 horas 25 capítulosAvanzado
Habilidades Adquiridas: Redes neuronales, Entrenamiento y evaluación de modelos, Preprocesamiento de datos, Ajuste de hiperparámetros, Aprendizaje automático con scikit-learn
curso
Regresión Lineal con Python
2 horas 19 capítulosIntermedio
Habilidades Adquiridas: Regresión lineal con Python, Entrenamiento y evaluación de modelos
curso
Clasificación con Python
3 horas 24 capítulosIntermedio
Habilidades Adquiridas: Programación en Python, Modelos de Clasificación en Python, Regresión Logística, Preprocesamiento de Datos, Entrenamiento y Evaluación de Modelos, Ajuste de Hiperparámetros
curso
Análisis de Conglomerados con Python
4 horas 34 capítulosIntermedio
Habilidades Adquiridas: Fundamentos y algoritmos de clustering, Gestión de datos faltantes y categóricos, Normalización de datos y métricas de distancia, K-Means: principios y optimización de conglomerados, Clustering jerárquico y dendrogramas, DBSCAN: manejo de ruido y formas irregulares, Modelos de mezcla gaussiana: clustering probabilístico
curso
Fundamentos de Visión por Computadora con Python
4 horas 29 capítulosIntermedio
Habilidades Adquiridas: Procesamiento de imágenes con OpenCV, Redes neuronales convolucionales, Enfoques de detección de objetos
curso
Modelos Generativos Profundos con Python
4 horas 21 capítulosAvanzado
Habilidades Adquiridas: IA Generativa, VAEs, GANs, Transformers, Modelos de Difusión, Métricas de Evaluación para IA Generativa
curso
Introducción al NLP con Python
5 horas 29 capítulosAvanzado
Habilidades Adquiridas: Procesamiento de Lenguaje Natural, Manejo de Lenguaje Natural
curso
Introducción al Aprendizaje por Refuerzo con Python
6 horas 37 capítulosAvanzado
Habilidades Adquiridas: Fundamentos de Aprendizaje por Refuerzo, Algoritmos de Bandidos de Múltiples Brazos, Métodos de Programación Dinámica, Técnicas de Monte Carlo, Aprendizaje por Diferencia Temporal, Fundamentos de Gymnasium
curso
Introducción a TensorFlow
2 horas 16 capítulosIntermedio
Habilidades Adquiridas: Fundamentos de TensorFlow, Redes Neuronales, Estructuras de Datos en Python, Preprocesamiento de Datos
proyecto
Predicción de la Calidad del Vino Tinto con Aprendizaje Automático
1 hora 0 capítuloIntermedio
Habilidades Adquiridas: Preprocesamiento de datos, Modelado de clasificación binaria, Métricas de evaluación de modelos, Interpretación de la importancia de características, Aplicación de Random Forest
curso
Esenciales de PyTorch
3 horas 20 capítulosAvanzado
Habilidades Adquiridas: Fundamentos de PyTorch, Redes neuronales, Entrenamiento y evaluación de modelos
Ventajas de Codefinity
Aprendizaje asistido por IA
¡Abraza la fascinación de las habilidades tecnológicas! Nuestro asistente de IA proporciona retroalimentación en tiempo real, pistas personalizadas y explicaciones de errores, empoderándote para aprender con confianza.
Espacios de trabajo
Con Espacios de trabajo, puedes crear y compartir proyectos directamente en nuestra plataforma. Hemos preparado plantillas para tu conveniencia
Rutas de aprendizaje
Toma el control de tu desarrollo profesional y comienza tu camino hacia el dominio de las últimas tecnologías
Proyectos del mundo real
Los proyectos del mundo real elevan tu portafolio, mostrando habilidades prácticas para impresionar a posibles empleadores
Por qué Codefinity se destaca
Contenido de video
Materiales descargables
Certificados prestigiosos
Entorno de aprendizaje interactivo
Corrección de errores
Asistente de IA
Acceso a todo el contenido con una suscripción
Codefinity
Plataformas de aprendizaje basadas en video
Codefinity
Plataformas de aprendizaje basadas en video
Contenido de video
Materiales descargables
Certificados prestigiosos
Entorno de aprendizaje interactivo
Corrección de errores
Asistente de IA
Acceso a todo el contenido con una suscripción
Oportunidades de carreraConoce las profesiones más populares, los salarios promedio y las empresas que buscan activamente especialistas en este campo.
Científico de Datos
Analista de Big Data
Ingeniero de PLN
Ingeniero de Aprendizaje Profundo
Investigador De IA
$149k
$197k
$246k
Min
Average
Max
Salario anual
(Promedio en EE.UU.)
Empresas contratantes
*Fuente: Glassdoor
Elegido por estudiantes de las mejores escuelas
Incluyendo 30 de las 30 mejores universidades de EE.UU.
Cursos de Ciencia de Datos: Información clave y preguntas
Introducción a los cursos de Ciencia de Datos
Contamos con una amplia variedad de cursos para cualquier aspecto de la ciencia de datos, incluyendo visualización de datos (como "Visualización definitiva con Python"), manipulación de datos con Python (como "Ultimate NumPy" o "Técnicas avanzadas en pandas"), SQL (como "Introducción a SQL") y aprendizaje automático (como "Introducción al ML con scikit-learn" o "Introducción a redes neuronales").
Beneficios de nuestros cursos de Ciencia de Datos
Ofrecemos a nuestros clientes un plan de estudios integral, experiencia práctica y expertos instructores.
Oportunidades profesionales tras completar los cursos de Ciencia de Datos
Tras completar un curso de ciencia de datos, es posible iniciar una carrera en diversas posiciones orientadas a los datos, incluyendo científico de datos, analista de datos, analista de aprendizaje automático, analista de inteligencia de negocios, ingeniero de datos, entre otros.
Opciones en Ciencia de Datos
Contamos con una amplia variedad de cursos para cualquier aspecto de la ciencia de datos, incluyendo visualización de datos (como "Visualización definitiva con Python"), manipulación de datos con Python (como "Ultimate NumPy" o "Técnicas avanzadas en pandas"), SQL (como "Introducción a SQL") y aprendizaje automático (como "Introducción al ML con scikit-learn" o "Introducción a redes neuronales").
Información sobre certificados
Al completar cualquiera de nuestros cursos relacionados con ciencia de datos, recibirás un certificado que valida tus habilidades y conocimientos en el área.
Cómo elegir el curso de Ciencia de Datos adecuado
Es necesario evaluar tus objetivos, revisar los requisitos previos y analizar el plan de estudios.
¿Cuál es el mejor curso en la categoría de Ciencia de Datos?
Disponemos de varios cursos destacados en el área de ciencia de datos, entre los que resaltan "Técnicas avanzadas en pandas", "Visualización definitiva con Python" y "Introducción al ML con scikit-learn".
¿Por qué debería considerar tomar un curso de Ciencia de Datos en línea con nuestra empresa?
Ofrecemos a nuestros clientes un plan de estudios integral, experiencia práctica y expertos instructores.
Consejos para completar con éxito un curso de Ciencia de Datos
Es importante mantenerse organizado, aprender de manera activa y practicar de forma regular.
¿Cuál es el costo de la formación en cursos de Ciencia de Datos?
Ofrecemos opciones de precios flexibles. Nuestro Plan Pro comienza en $49 por mes o $99 por tres meses, con ahorros en el Plan Pro Anual a $144. El Plan Ultimate es de $59 por mes, $147 por tres meses o $299 anuales. Cada plan incluye acceso a contenido elaborado por expertos, desafíos interactivos y certificación.
¿Qué curso de Ciencia de Datos es más adecuado para principiantes?
Para principiantes, buenas opciones pueden ser "Introducción a SQL" y "Primeros pasos con pandas".
¿Cuáles son las habilidades clave para destacar en Ciencia de Datos?
Es recomendable contar con experiencia básica en programación y conocimientos fundamentales de matemáticas.
¿Cómo se compara la Ciencia de Datos con el Aprendizaje Automático?
La Ciencia de Datos abarca todo el proceso de trabajo con datos, mientras que el aprendizaje automático es una subdisciplina que se centra específicamente en desarrollar y aplicar algoritmos que permiten a las computadoras aprender y hacer predicciones a partir de datos.
¿Qué impacto tiene la Ciencia de Datos en la industria?
La Ciencia de Datos impulsa la innovación y la eficiencia en diversas industrias al proporcionar información accionable, mejorar la toma de decisiones y optimizar procesos. Por ejemplo, ayuda a las empresas a comprender tendencias del mercado, comportamiento del cliente y eficiencia operativa.
¿Es difícil un curso de Ciencia de Datos?
El nivel de dificultad puede variar según tu formación y la complejidad del curso. Los cursos que ofrecen práctica y apoyo pueden facilitar el proceso de aprendizaje. Tener conocimientos básicos de estadística y programación puede ayudar a reducir la dificultad.
¿Qué título se necesita para trabajar en Ciencia de Datos?
Aunque no siempre se requiere un título específico, muchos científicos de datos poseen títulos en áreas como Ciencias de la Computación, Estadística, Matemáticas o Ingeniería. Algunos puestos pueden requerir títulos avanzados o certificaciones especializadas, pero la experiencia práctica y las habilidades también son altamente valoradas.
Qué Dicen Nuestros Usuarios
Únete 1.5+ millones avanzando en habilidades de IA y datos en Codefinity
¿Listo para comenzar?
ProMejor oferta de introducción$12 /mesFacturado anualmente
250+ Cursos de alta calificaciónCertificados de finalizaciónAsistente de IA en todos los cursos
40+ hands-on Real-world projectsRutas de estudio personalizadasEspacios de trabajo ilimitadosUltimateTodo lo que necesitas para impulsar tu carrera$25 /mesFacturado anualmente
250+ Cursos de alta calificaciónCertificados de finalizaciónAsistente de IA en todos los cursos40+ hands-on Real-world projectsRutas de estudio personalizadasEspacios de trabajo ilimitadosCursos principales en la Ciencia de Datos categoría
1. | Introducción al Aprendizaje Automático con Python |  4 horas |  32 capítulos |
2. | Introducción a las Redes Neuronales con Python | 4 horas | 25 capítulos |
3. | Regresión Lineal con Python | 2 horas | 19 capítulos |
4. | Clasificación con Python | 3 horas | 24 capítulos |
5. | Análisis de Conglomerados con Python | 4 horas | 34 capítulos |
1. Introducción al Aprendizaje Automático con Python
Horas
Capítulos2. Introducción a las Redes Neuronales con Python
HorasCapítulos3. Regresión Lineal con Python
HorasCapítulos4. Clasificación con Python
HorasCapítulos5. Análisis de Conglomerados con Python
HorasCapítulosTemas relacionados en el blog
Artificial Intelligence
Machine Learning
by Artem HrechkaData Scientist, Ml Engineer
Data Science
Coding Foundations
Data Analytics
by Andrii ChornyiData Scientist, ML Engineer
Data Visualization
Data Analytics
Data Manipulation
Excel
by Anastasiia TsurkanBackend Developer
