1. El ascenso de los datos. -- ¿Qué es la ciencia de datos o data science?. -- Hipótesis motivadora: DataSciencester. -- 2. Un curso acelerado de Python. -- El zen de Python. -- Formato con espacios en blanco. -- Flujo de control. -- Programación orientada a objetos. -- 3. Visualizar datos. -- matplotlib. -- Gráficos de dispersión. -- 4. Álgebra lineal. -- Vectores/Matrices. -- 5. Estadística. -- Describir un solo conjunto de datos. -- La paradoja de Simpson. -- Correlación y causación. -- 6. Probabilidad. -- Dependencia e independencia. -- Probabilidad condicional. -- Distribuciones continuas. -- El teorema central del límite. -- 7. Hipótesis e inferencia. -- Comprobación de hipótesis estadísticas. -- p-hacking o dragado de datos. -- 8. Descenso de gradiente. -- La idea tras el descenso de gradiente. -- La idea tras el descenso de gradiente. -- Descenso de gradiente en minilotes y estocástico. -- 9. Obtener datos. -- stdin y stdout. -- Raspado web. -- Utilizar API. -- JSON y XML. -- Utilizar una API no autenticada. -- 10. Trabajar con datos. -- 10. Trabajar con datos. -- Utilizar NamedTuples. -- Reducción de dimensionalidad. -- 11. Machine learning (aprendizaje automático). -- Modelos. -- El término medio entre sesgo y varianza. -- 12. k vecinos más cercanos. -- El modelo. -- La maldición de la dimensionalidad. -- 13. Naive Bayes. -- Un filtro de spam realmente tonto. -- Utilizar nuestro modelo. -- 14. Regresión lineal simple. -- Estimación por máxima verosimilitud. -- 15. Regresión múltiple. -- Otros supuestos del modelo de mínimos cuadrados. -- Interpretar el modelo. -- Errores estándares de coeficientes de regresión. -- 16. Regresión logística. -- Máquinas de vectores de soporte. -- 17. Árboles de decisión. -- Crear un árbol de decisión. -- Ahora, a combinarlo todo. -- 18. Redes neuronales. -- Redes neuronales prealimentadas. -- 19. Deep learning (aprendizaje profundo). -- Funciones softmax y entropía cruzada. -- La capa de abstracción. -- 20. Agrupamiento (clustering). -- 20. Agrupamiento (clustering). -- Agrupamiento jerárquico de abajo a arriba. -- 21. Procesamiento del lenguaje natural. -- Gramáticas. -- Modelos de temas. -- Redes neuronales recurrentes. -- 22. Análisis de redes. -- Grafos dirigidos y PageRank. -- 23. Sistemas recomendadores. -- Método manual. -- Filtrado colaborativo basado en artículos. -- Factorización de matrices. -- 24. Bases de datos y SQL. -- CREATE TABLE e INSERT. -- DELETE. -- NoSQL. -- 25. MapReduce. -- Ejemplo: Recuento de palabras. -- Un inciso: Combinadores. -- 26. La ética de los datos. -- No, ahora en serio, ¿qué es la ética de datos?. -- Compromiso entre precisión e imparcialidad. -- Datos sesgados. -- 27. Sigamos haciendo ciencia de datos. -- IPython. -- scikit-learn. -- Deep learning (aprendizaje profundo). -- Hacker News.

Unicoc

Español