Desafío de Entrevista en Ciencia de Datos

Desafío de Entrevista en Ciencia de Datos

0%

1. Python

Veamos con qué trabajaremos en este curso. La primera sección te familiarizará con Python, un lenguaje de programación flexible y avanzado conocido por su clara sintaxis y legibilidad.

Desafío 1: Comprensión de Listas

Desafío 2: Manipulación de Cadenas

Desafío 3: Manipulación de Diccionarios

Desafío 4: Bucles Anidados

Desafío 5: Clases

Preguntas Teóricas

2. NumPy

NumPy es una biblioteca fundamental en Python que facilita cálculos numéricos eficientes con potentes matrices n-dimensionales y funciones matemáticas.

Desafío 1: Creación de Arreglo

Desafío 2: Manipulación de Arreglos

Desafío 3: Perspectivas Estadísticas

Desafío 4: Manejo de Valores Ausentes

Reto 5: Ordenamiento de Subarreglos

Preguntas Teóricas

3. Pandas

Pandas proporciona estructuras de datos intuitivas y versátiles para la manipulación y el análisis eficientes de datos, agilizando las etapas iniciales del proceso de la ciencia de datos.

Desafío 1: Creación de DataFrame

Desafío 2: Agrupación de Datos

Desafío 3: Indexación y MultiIndexación

Desafío 4: Modificando DataFrame

Desafío 5: Iterando Sobre Datos

Preguntas Teóricas

4. Matplotlib

Matplotlib es una completa biblioteca de Python para crear visualizaciones estáticas, animadas e interactivas en Python.

Desafío 1: Fundamentos de Trazado

Desafío 2: Otros Tipos de Gráficos

Desafío 3: Subtramas

Desafío 4: Personalización de Gráficos

Desafío 5: Añadir Texto a las Gráficas

Preguntas Teóricas

5. Seaborn

Seaborn es una biblioteca de visualización de datos de Python basada en Matplotlib que proporciona una interfaz de alto nivel para crear gráficos estadísticos informativos y atractivos.

Reto 1: Visualización de Distribuciones

Desafío 2: Explorando Datos Categóricos

Desafío 3: Gráficos Relacionales

Reto 4: Gráficos de Regresión

Desafío 5: Gráficos de Matrices

Preguntas Teóricas

6. Estadísticas

La estadística proporciona a los científicos de datos técnicas y herramientas básicas para extraer información significativa de los datos, lo que les permite tomar decisiones y realizar predicciones fundamentadas basadas en pruebas empíricas.

Desafío 1: Probabilidades y Distribuciones

Desafío 2: Teorema de Bayes

Desafío 3: Pruebas de Hipótesis

Desafío 4: Intervalos de Confianza

Desafío 5: Correlación

Preguntas Teóricas

7. Scikit-learn

Scikit-learn es una biblioteca de Python de código abierto que proporciona herramientas sencillas y eficaces para el análisis y modelado de datos, en particular para el aprendizaje automático. Los científicos de datos la utilizan mucho por su completa colección de algoritmos y técnicas de procesamiento, que les permiten desarrollar e implantar rápidamente modelos predictivos.

Desafío 1: Escalado de Datos

Reto 2: Creación de un Modelo Básico

Desafío 3: Tuberías

Desafío 4: Validación cruzada

Desafío 5: Ajuste de Hiperparámetros

Preguntas Teóricas

Contenido del Curso

Desafío de Entrevista en Ciencia de Datos

Desafío de Entrevista en Ciencia de Datos

1. Python

Introducción Desafío 1: Comprensión de Listas Desafío 2: Manipulación de Cadenas Desafío 3: Manipulación de Diccionarios Desafío 4: Bucles Anidados Desafío 5: Clases Preguntas Teóricas

2. NumPy

Desafío 1: Creación de Arreglo Desafío 2: Manipulación de Arreglos Desafío 3: Perspectivas Estadísticas Desafío 4: Manejo de Valores Ausentes Reto 5: Ordenamiento de Subarreglos Preguntas Teóricas

3. Pandas

Desafío 1: Creación de DataFrame Desafío 2: Agrupación de Datos Desafío 3: Indexación y MultiIndexación Desafío 4: Modificando DataFrame Desafío 5: Iterando Sobre Datos Preguntas Teóricas

4. Matplotlib

Desafío 1: Fundamentos de Trazado Desafío 2: Otros Tipos de Gráficos Desafío 3: Subtramas Desafío 4: Personalización de Gráficos Desafío 5: Añadir Texto a las Gráficas Preguntas Teóricas

5. Seaborn

Reto 1: Visualización de Distribuciones Desafío 2: Explorando Datos Categóricos Desafío 3: Gráficos Relacionales Reto 4: Gráficos de Regresión Desafío 5: Gráficos de Matrices Preguntas Teóricas

6. Estadísticas

Desafío 1: Probabilidades y Distribuciones Desafío 2: Teorema de Bayes Desafío 3: Pruebas de Hipótesis Desafío 4: Intervalos de Confianza Desafío 5: Correlación Preguntas Teóricas

7. Scikit-learn

Desafío 1: Escalado de Datos Reto 2: Creación de un Modelo Básico Desafío 3: Tuberías Desafío 4: Validación cruzada Desafío 5: Ajuste de Hiperparámetros Preguntas Teóricas

Preguntas Teóricas

1. ¿Cómo se pueden filtrar las filas de un DataFrame `df` en las que los valores de la columna 'A' son superiores a 10?

2. ¿Qué devuelve el método `df.describe()`?

3. Si `series` es una serie Pandas, ¿qué hará `series.value_counts()`?

4. ¿Cuál de los siguientes métodos se utiliza para concatenar dos DataFrames, `df1` y `df2`?

5. ¿Qué método se utiliza para comprobar el número de observaciones "Ninguna" en las columnas?

6. ¿Qué devuelve el siguiente código: `df.dtypes`?

7. ¿Qué método se utiliza para eliminar duplicados de un DataFrame?

8. ¿Cómo se transpone un DataFrame?

9. ¿Qué método Pandas se utiliza para combinar dos DataFrames uno al lado del otro?

10. ¿Qué devuelve `df.head(3)`?

¿Cómo se pueden filtrar las filas de un DataFrame df en las que los valores de la columna 'A' son superiores a 10?

Selecciona la respuesta correcta

df.get(df['A'] > 10)

df[df['A'] > 10]

df.where('A' > 10)

df.find(df['A'] > 10)

¿Qué devuelve el método df.describe()?

Selecciona la respuesta correcta

Resumen estadístico del DataFrame

Las 5 primeras filas del DataFrame

Tipos de datos de las columnas del DataFrame

Un gráfico que describe el DataFrame

Si series es una serie Pandas, ¿qué hará series.value_counts()?

Selecciona la respuesta correcta

Devuelve la frecuencia de cada valor único de la serie

Ordenar las series en función de los valores

Contar el número total de valores de la serie

Devolver valores únicos en la serie

¿Cuál de los siguientes métodos se utiliza para concatenar dos DataFrames, df1 y df2?

Selecciona la respuesta correcta

pd.append(df1, df2)

df1.concat(df2)

pd.concat([df1, df2])

df1.combine(df2)

¿Qué método se utiliza para comprobar el número de observaciones "Ninguna" en las columnas?

Selecciona la respuesta correcta

df.check()

df.isnull().sum()

df.na_count()

df.observe()

¿Qué devuelve el siguiente código: df.dtypes?

Selecciona la respuesta correcta

Las cinco primeras filas del DataFrame

Las cinco últimas filas del DataFrame

Una máscara booleana del DataFrame basada en valores nulos

Los tipos de datos de cada columna

¿Qué método se utiliza para eliminar duplicados de un DataFrame?

Selecciona la respuesta correcta

df.dropna()

df.eliminar_duplicados()

df.eliminar_duplicados()

df.drop_duplicates()

¿Cómo se transpone un DataFrame?

Selecciona la respuesta correcta

df.T

df.transpose = True

df.rotate()

df.flip()

¿Qué método Pandas se utiliza para combinar dos DataFrames uno al lado del otro?

Selecciona la respuesta correcta

df.join()

df.bind()

df.concat()

df.union()

¿Qué devuelve df.head(3)?

Selecciona la respuesta correcta

Las tres primeras filas de df

Las tres últimas filas de df

Una muestra aleatoria de tres filas de df.

Los tres valores más frecuentes de df

¿Todo estuvo claro?

¿Cómo podemos mejorarlo?

¡Gracias por tus comentarios!

Sección 3. Capítulo 6

We're sorry to hear that something went wrong. What happened?

some-alt