En 9 semanas intensivas, aprende Data Science, desde Python a aprendizaje automático avanzado, adquiere todas las habilidades para unirte a un equipo de Data Science y da un salto en tu carrera.
Nuestro curso intensivo de ciencia de datos te capacita para empezar tu carrera en un equipo de ciencia de datos en tan solo 9 semanas. Desde Pandas a Deep Learning, acabarás el curso sabiendo cómo explorar, limpiar y transformar datos en información útil y cómo implementar modelos de aprendizaje automático de principio a fin en un entorno de producción, trabajando en equipos con las mejores herramientas.
Nuestro curso está diseñado para que aprendas ciencia de datos paso a paso, empezando por las herramientas de datos básicas en Python y matemáticas hasta el desarrollo total y el ciclo de implementación de algoritmos de aprendizaje automático.
El curso de ciencia de datos es muy intenso. Para ahorrar tiempo y empezar con buen pie, nuestros estudiantes deben hacer un trabajo de preparación online antes de empezar el bootcamp. Son unas 40 horas y cubrimos conocimientos básicos de Python, el lenguaje requisito del curso, y algunos temas matemáticos que usan a diario los científicos de datos.
Aprende programación en Python, cómo trabajar con Jupyter Notebook y cómo usar las potentes bibliotecas de Python como Pandas y NumPy para explorar y analizar grandes series de datos. Recopila datos de varias fuentes, incluyendo archivos CSV, consultas SQL en bases de datos relacionales, Google Big Query, APIs y web scraping.
Aprende a formular una buena pregunta y a cómo responderla creando la consulta SQL apropiada. En este módulo vamos a cubrir arquitectura modelo y luego nos vamos a adentrar en la manipulación avanzada de SELECT para extraer información útil de una base de datos autónoma o usando un software de cliente SQL como DBeaver.
Haz tus análisis de datos más visuales y comprensibles incluyendo visualizaciones de datos en tu Notebook. Aprende a trazar tus marcos de datos usando bibliotecas de Python como matplotlib and seaborn y transforma tus datos en información útil.
Entiende las matemáticas subyacentes detrás de todas las bibliotecas y modelos usados en el bootcamp. Familiarízate con los conceptos básicos de estadística y probabilidad (promedio, varianza, variable aleatoria, teorema de Bayes, etc.) y con las matrices en la computación, el núcleo de las operaciones numéricas en bibliotecas como Pandas y Numpy.
Aprenderás a estructurar un repositorio de Python con programación orientada a objetos para limpiar el código y que sea reutilizable, cómo sobrevivir a la fase de preparación de un gran conjunto de datos, y cómo encontrar e interpretar resultados estadísticos significativos basados en modelos de regresión multivariada.
Los analistas de datos deben comunicar sus resultados a una audiencia no técnica: aprenderás a crear impacto explicando información técnica y a convertirla en decisiones empresariales usando análisis de coste y beneficio. Podrás compartir tus progresos, presentarlos y comparar tus resultados con tus compañeros de equipo.
Aprende a explorar, limpiar y preparar tu conjunto de datos a través de técnicas de preprocesamiento como la vectorización. Familiarízate con los modelos clásicos de aprendizaje supervisado: las regresiones lineales y logísticas. Aprende a resolver tareas de predicción y clasificación con scikit-learn de la biblioteca de Python usando algoritmos de aprendizaje como KNN (k-nearest neighbors).
Implementa fases de ensayo y pruebas para asegurar que tu modelo se pueda generalizar a datos no vistos e implementar a producción con una precisión predecible. Aprende a evitar el sobreajuste usando métodos de regularización y cómo elegir la función de pérdida adecuada para mejorar la precisión de tu modelo.
Evalúa el rendimiento de tu modelo definiendo qué optimizar y las métricas de error adecuadas para poder evaluar el impacto de tu negocio. Mejora el rendimiento de tu modelo con métodos de validación como la validación cruzada o la optimización de hiperparámetros. Por último, descubre un poderoso método de aprendizaje supervisado llamado SVM (máquinas de soporte vectorial).
Avanza al aprendizaje no supervisado e implementa métodos como el PCA para reducción de la dimensionalidad o la agrupación para descubrir grupos en un conjunto de datos. Completa tus herramientas con métodos conjuntos que combinan otros modelos para mejorar el rendimiento, como Random Forest o Gradient Boosting.
Aprende a gestionar variables de grandes dimensiones y a transformarlas en información manejable. Aprende técnicas clásicas de preprocesamiento para imágenes como la normalización, la estandarización y el blanqueamiento. Aplica el tipo correcto de codificaciones para preparar los datos de texto para diferentes tareas PLN (procesamiento de lenguaje natural).
Entiende la arquitectura de las redes neuronales (neuronas, capas y grupos) y sus parámetros (funciones de activación, función de pérdida, optimizador). Capacítate para crear tus propias redes, como la red neuronal convolucional (para imágenes), la red neuronal recurrente (para series temporales) y redes de procesamiento de lenguaje natural (para texto).
Descubre una nueva librería llamada Keras, que es un wrapper ajustado a desarrolladores para TensorFlow, una biblioteca de aprendizaje automático creada por Google. Te enseñaremos las técnicas fundamentales para crear tu primer modelo de aprendizaje profundo con Keras.
Profundiza en visión computacional con redes de creación de aprendizaje automático para la detección y reconocimiento de objetos. Implementa técnicas avanzadas como el aumento de datos para incrementar tu modelo computando alternaciones de imágenes (recortes aleatorios, cambios de intensidad, etc.) para mejorar la generalización de tu modelo.
Avanza de Jupyter Notebook a un editor de código y aprende cómo configurar un proyecto de aprendizaje automático correctamente para iterar de forma rápida y segura. Aprende a convertir un modelo de aprendizaje automático en un modelo con una tubería robusta y escalable con sklearn-pipeline, usando codificadores y transformadores.
Crear un modelo de aprendizaje automático de principio a fin requiere mucha preparación de datos, experimentación, iteración y ajuste. Te enseñaremos cómo llevar a cabo la ingeniería y la optimización de hiperparámetros para crear el mejor modelo. Para esto, usarás una biblioteca llamada MLflow.
Por último, te enseñaremos cómo implementar el código y el modelo a producción. Usando Google Cloud AI Platform y Airflow, podrás entrenar tu modelo a escala, empaquetarlo y ponerlo al alcance de todos. Por si fuera poco, usarás un entorno Docker para implementar tu propio RESTful Flask API, que podría conectarse a cualquier interfaz front-end.
Pasarás las últimas dos semanas haciendo un proyecto de grupo: ¡trabajarás en un emocionante problema de ciencia de datos que tendrás que resolver! Como equipo, aprenderéis a colaborar de forma eficiente en un proyecto real de ciencia de datos a través de un repositorio común de Python y el Git flow. Usaréis una mezcla de vuestros propios conjuntos de datos (si tenéis de vuestra propia empresa/organización sin ánimo de lucro) y repositorios de datos públicos (iniciativas gubernamentales, Kaggle, etc.). Será una buena manera de practicar con todas las herramientas, técnicas y metodologías cubiertas en el curso de ciencia de datos con la que te darás cuenta de lo capacitado que estás.
Desde clases por la mañana a charlas por la tarde, todos los días están cargados de acción.
Ve a buscar un café y empieza la mañana con una clase interesante e interactiva, antes de poner en práctica lo que has aprendido.
Júntate con tu compañero del día y trabaja en una serie de retos de programación con la ayuda de nuestro personal docente.
Aprender a programar es muy intenso, por eso es importante tomarse un descanso y relajarse en nuestras clases de yoga.
Repasa los retos del día y hazte una idea de las próximas clases durante las sesiones de live code.
Déjate inspirar y obtén consejos valiosos de emprendedores de éxito invitados a charlas exclusivas.
El curso de ciencia de datos es tan solo el principio del camino. Una vez te gradúes, pertenecerás a una comunidad tecnológica global y tendrás acceso a nuestra plataforma online para continuar aprendiendo y creciendo.
Obtén consejos y asesoramiento de científicos de datos y analistas de datos profesionales, accede a ofertas laborales y de freelance exclusivas de emprendedores y desarrolladores.
Accede a nuestra plataforma de aprendizaje online en cualquier momento después del curso: encontrarás todas las clases de ciencia de datos, screencasts, retos y flashcards.
Benefíciate de nuestra comunidad global de 8136 graduados que trabajan en puestos relacionados con datos, pero también emprendedores, desarrolladores y product managers de todo el mundo.
Ofrecemos cursos en 39 ciudades de todo el mundo: vayas donde vayas, ¡formas parte de la comunidad de Le Wagon!
Una vez terminado el curso, te beneficiarás de nuestros servicios de orientación laboral. Te ayudamos a conocer a los mejores reclutadores y a conectar con los graduados pertinentes.
Accede a una guía completa para empezar tu carrera en ciencia de datos tras el curso: mejora tu portfolio, encuentra el trabajo de tus sueños y saca partido de nuestra comunidad de 8136 graduados.
Asiste a ferias de empleo y eventos de networking, conoce a las mejores empresas del sector tecnológico y recibe ofertas de reclutadores que buscan candidatos para puestos relacionados con datos.
A los graduados del curso de ciencia de datos les encanta compartir sus experiencias con los alumnos que acaban de terminar: les explican cómo encontraron trabajo de científico de datos, analista de datos o ingeniero de datos.
Nuestros equipos locales conocen a sus graduados y socios de contratación, lo que hacen y lo que buscan. Te presentarán a las personas adecuadas dependiendo de tu objetivo.
Las mejores empresas colaboran con Le Wagon y contratan a nuestros graduados para puestos de científico de datos, analista de datos e ingeniero de datos.
Ha contratado a 1 graduados
Ha contratado a 9 graduados
Ha contratado a 4 graduados
Ha contratado a 6 graduados
Ha contratado a 3 graduados
Ha contratado a 1 graduados
