Capitulo 1. El lenguaje Python.
Introducción al manejo de Python.
Instalación de Python.
El editor IDLE.
Tipos de datos.
Ejercicios.
Las cadenas de caracteres.
Valores booleanos ( bool ).
La interfaz de Python.
La versión de Python en uso.
Escribir comentarios en Python.
Errores en Python.
¿Python sabe de un error antes de que se ejecute el código.
Manejo de caracteres.
Escribir el primer programa con Python.
Tipos de objetos en Python.
Manejos de cadenas de caracteres.
Listas y tuplas.
Funciones integradas.
Funciones básicas matemáticas.
Operadores de comparación.
Operadores de identidad y pertenecía.
Manejo de diccionarios.
Colecciones (set) de datos.
Observaciones sobre secuencias: cadenas, listas, y tuplas.
Paquetes complementarias de Python.
Resumen de Python en la ciencia de los datos.
Funciones.
Apertura de archivos.
Leyendo Archivos.
Programas en red.
El protocolo de transporte de hipertexto( HTTP )
El navegador web mas sencillo.
Análisis de html y barrido de la web.
Análisis de HTML mediante BeatifulSoup.
Los programas.
Uso de objetos.
Comenzando a Programar.
Subdividir un problema- Encapsulación.
Los objetos Python.
Depuración ( debugging )
glosario.
Capitulo 2. Términos, técnicas y tareas de la ciencia de datos.
¿ Que es la minería de datos.
¿ Que es la ciencia de los datos.
Los científicos de datos.
big data.
Nuevos dispositivos.
El bidg data requiere de un big Analytics.
Las limitaciones del business intelligence tradicional.
La evaluacion de DWH al ADW .
MAD, nueva mitología.
Medio Magnético.
Ágil.
Detallado.
Hadoop.
HDFS.
MAPEDUCE.
La ciencia de los datos.
Adquisición de datos: paso 1.
Manipulación de datos: paso 2.
Aplicación de técnicas de análisis: paso3.
Reportar la información: paso 4.
En accion. paso 5.
Capitulo 3. Adquisición y manipulación de datos.
Importancia y exportación de datos en Python.
Caso 1: análisis de datos.
Introducción al análisis de datos con Python .
Caso 2: el Castillo de Edimburgo.
Inicio del análisis.
Desmembrado todo.
Capitulo 4. Análisis de los datos y diseño y presentación del modelo.
Verificado la instalando Python.
Recomendaciones para Windows.
La integración.
Convertir los resultados en accion
Las diferencias de las matéricas dependiendo de las variables y tareas.
Datos históricos + datos cercanos a la realidad - predicciones.
Eliminar filas en el DataFrame Claudia con bases a sus valores.
Conjunto de datos d ejemplo.
Capitulo 5. Evaluación modelos: la vista "minable y la comprensión de datos".
¿ Que es la vista 'minable´?.
¿ Para que se utiliza una vista ´minable´?.
Técnicas que convierten datos en modelos y procesos de predicción en temas empresariales.
Análisis exploratorio.
Métodos de estimación y predicción.
Un caso manejado con tres técnicas matemáticas.
Alisado exponencial simple.
Capitulo 6. Proyectos de la ciencia.
Planeación y desarrollo de proyectos de la ciencia de los datos.
Definición ampliada de las delimitación.
Tiempos, costos y riesgos de proyectos
Las fases de un proyecto.
Definición y creación del plan básico del proyecto.
Ajustes e informes.
Desarrollo y supervisión del proyecto.
Cierre y evaluación de un proyecto.
Mitologías empleadas para administrar proyectos.
La asignación de recursos.
Los costos de un proyecto.
Caso del castillo de Edimburgo.
ANEXOS.
REFERENCIAS.