Preparación y limpieza de datos para análisis 2

Introducción a la analítica y al proceso de preparación de datos.

• 1.1 - ¿Qué aprenderás en este curso?
  3:17
• 1.2 - ¿Qué es la analítica de datos?
  17:30
• 1.3 - Roles principales dentro del área de ciencia de datos
  6:44
• 1.4 - Introducción a la preparación de datos
  10:32
• 1.5 - Actividades de preparación de datos
  7:01
• 1.6 - Herramientas para el procesamiento de datos
  4:04

Principales fuentes de datos y cómo obtener datos de ellas.

• 2.1 - Introducción al módulo
  1:38
• 2.2 - Características de los datos analíticos
  6:50
• 2.3 - Fuentes de datos para analítica
  12:36
• 2.4 - Catálogo de fuentes de datos
  5:48
• 2.5 - Recopilación de datos
  4:32
• 2.6 - Integración de datos
  7:12
• 2.7 - Introducción a la herramienta Google Colaboratory con Python
  12:37
• 2.8 - Ponlo en práctica con Python - Importar datos
  19:59

Un acercamiento a los datos para comenzar su comprensión usando medidas estadísticas y distintos tipos de gráficos.

• 3.1 - Entendiendo el conjunto de datos a través de la exploración y visualización
  2:26
• 3.2 - Tipos de datos: numéricos y categóricos
  6:42
• 3.3 - Visualización de datos
  5:19
• 3.4 - Resumir las características básicas de los datos
  8:48
• 3.5 - Librerías para construir y visualizar gráficos con Python
  4:16
• 3.6 - Ponlo en práctica con Python - Entendimiento de los datos y su visualización (Parte 1)
  8:26
• 3.7 - Ponlo en práctica con Python - Entendimiento de los datos y su visualización (Parte 2)
  18:25

Realizar un análisis de la calidad actual de los datos y descubrir algunas relaciones interesantes entre ellos.

• 4.1 - Introducción al análisis de calidad de los datos
  1:08
• 4.2 - Análisis de tendencia central, posición y dispersión
  10:23
• 4.3 - Perfilamiento de la calidad de los datos
  7:29
• 4.4 - Agrupamiento de los datos
  2:13
• 4.5 - Descubrir relaciones entre atributos
  8:06
• 4.6 - Ponlo en práctica con Python - Analizando la calidad de los datos (Parte 1)
  24:27
• 4.7 - Ponlo en práctica con Python - Analizando la calidad de los datos (Parte 2)
  19:19

Realizar la limpieza de los datos para corregir problemas de calidad sencillos.

• 5.1 - Técnicas para corregir los problemas de calidad de los datos
  1:52
• 5.2 - Formato de los datos
  4:23
• 5.3 - Tratando atributos con muchos valores iguales o muchos valores diferentes
  3:45
• 5.4 - Tratando con datos duplicados
  1:17
• 5.5 - Tratando con datos redundantes
  1:21
• 5.6 - Tratando atributos no observables en la decisión
  2:05
• 5.7 - Ponlo en práctica con Python - Datos duplicados
  18:06
• 5.8 - Ponlo en práctica con Python - Limpieza de datos 1
  16:39

Realizar la limpieza de los datos para corregir problemas de calidad más complejos.

• 6.1 - Tratando con datos perdidos
  7:35
• 6.2 - Tratando con datos inconsistentes
  10:51
• 6.3 - Reducción de la dimensionalidad
  8:47
• 6.4 - Ponlo en práctica con Python - Limpieza de datos 2
  31:48
• 6.5 - Ponlo en práctica con Python - Reducción de Dimensiones
  13:41

En este módulo se realizan las transformaciones necesarias para obtener la vista minable y preparar los datos para la analítica.

• 7.1 - La vista minable o vista analítica de los datos
  3:22
• 7.2 - Aplicando normalización
  6:54
• 7.3 - Convirtiendo variables numéricas a categóricas - Discretizar
  7:03
• 7.4 - Convirtiendo variables categóricas a numéricas - Numerizar
  5:36
• 7.5 - Generando nuevos atributos a partir de los datos
  3:48
• 7.6 - Manejando datos imbalanceados
  5:55
• 7.7 - Ponlo en práctica con Python - Transformaciones
  21:06

Ponga todo en práctica con un ejercicio integrador y un nuevo conjunto de datos.

• 8.1 - Cargando los datos
  5:26
• 8.2 - Conociendo los datos
  17:39
• 8.3 - Exploración y visualización
  25:47
• 8.4 - Limpieza de los datos
  15:18
• 8.5 - Transformando los datos
  13:19