Vous avez déjà un compte client ORSYS
Se connecter
Vous êtes nouveau chez ORSYS
Créer un compte
Vous ne souhaitez pas créer de compte
Poursuivre sans me connecter

Formación : Python Data Science, manipulación y visualización de datos

Certificación TOSA® opcional

Python Data Science, manipulación y visualización de datos

Certificación TOSA® opcional



La ciencia de datos es un campo multidisciplinar en constante expansión. Se basa en métodos, algoritmos y procesos científicos que Python domina gracias a un ecosistema especialmente rico. Se ha convertido en el lenguaje de referencia para el análisis de datos, sea cual sea su formato. Nuestra formación le permitirá familiarizarse con las herramientas, las bibliotecas y los módulos de Python para adquirir rápidamente competencias en ciencia de datos con este lenguaje.


ABIERTA
IN-COMPANY
A MEDIDA

Formación en tus instalaciones, en nuestro centro o a distancia

Ref. IYT
  4d - 28h00
Duración, formato, fechas y lugar: ¡Tú decides, nosotros nos encargamos de organizarlo!

Descargar en formato pdf

Compartir este curso por correo electrónico




La ciencia de datos es un campo multidisciplinar en constante expansión. Se basa en métodos, algoritmos y procesos científicos que Python domina gracias a un ecosistema especialmente rico. Se ha convertido en el lenguaje de referencia para el análisis de datos, sea cual sea su formato. Nuestra formación le permitirá familiarizarse con las herramientas, las bibliotecas y los módulos de Python para adquirir rápidamente competencias en ciencia de datos con este lenguaje.


Objetivos pedagógicos
Una vez finalizada la formación, el participante podrá:
Tener una visión general del ecosistema científico de Python
Conozca las bibliotecas científicas esenciales para la ciencia de datos
Ser capaz de manipular grandes conjuntos de datos con Python
Comprender las ventajas de la visualización de datos
Visualización de datos con Python

Público afectado
Ingenieros, desarrolladores, investigadores, científicos de datos, analistas de datos y cualquier persona que desee conocer el mundo científico de Python.

Requisitos previos
Práctica del lenguaje Python.

Modalidades prácticas
Trabajo práctico
Los temas se ilustran con numerosos ejercicios.
Métodos pedagógicos
El formador proporciona enseñanza activa, retroalimentación y demostraciones para que los participantes puedan ponerlas en práctica más rápidamente.

Programa de la formación

1
Presentación del ecosistema científico Python

  • Visión general del ecosistema científico de Python: las bibliotecas esenciales.
  • Saber dónde encontrar nuevas librerías y evaluar su sostenibilidad.
  • Las principales herramientas y software de código abierto para la ciencia de datos.
  • Por qué usar la distribución científica, Anaconda.
  • Comprender las ventajas de un entorno virtual y saber cómo utilizarlo.
  • El intérprete IPython y el servidor Jupyter.
  • Prácticas recomendadas para empezar con buen pie un proyecto de ciencia de datos con Python.
  • Formatos de archivos científicos y bibliotecas para manipularlos.
Trabajo práctico
Configuración del entorno de desarrollo: instalación de Anaconda, creación de un entorno virtual, exportación y duplicación de un entorno, uso de cuadernos Jupyter.

2
La pila SciPy

  • La base de las bibliotecas científicas esenciales en las que se basan todas las demás: la pila SciPy.
  • NumPy: cálculo numérico y álgebra lineal (vectores, matrices, imágenes).
  • SciPy, basado en NumPy para estadística, análisis funcional, análisis geoespacial, procesamiento de señales, etc.
  • Pandas: análisis de datos tabulares (CSV, Excel, etc.), estadísticas, pivotes, filtros, búsquedas, etc.
  • Matplotlib: la biblioteca esencial para la visualización de datos.
Trabajo práctico
Mida el rendimiento del NumPy instalado por su Linux y el de Anaconda. Procesamiento de imágenes con NumPy. Primeros gráficos. Análisis estadístico de ficheros CSV. Primeros elementos de mapeo. Transformadas de Fourier.

3
Mostrar bibliotecas

  • Visión general de las bibliotecas de visualización de Python: 2D/3D, escritorio/web, estadística, cartografía, big data, etc.
  • Bibliotecas orientadas al escritorio: Matplotlib, Pandas, Seaborn.
  • Bibliotecas orientadas a la web: Bokeh, Altair, Plotly...
  • Librerías 3D: Plotly, pythreejs, ipyvolume, etc.
  • Bibliotecas cartográficas: Cartopy, folium, ipyleaflet, Bokeh, cesiumpy, etc.
  • Bibliotecas de big data: datashader, Vaex...
Trabajo práctico
Una serie de ejercicios utilizando algunas de las bibliotecas presentadas. Big data, visualización cartográfica, 2D y 3D.

4
Visualización de datos

  • Ventajas de la visualización de datos
  • Uso de PyViz y el ecosistema HoloViz.
  • Presentación de las herramientas SuperSet, Mayavi, Paraview y VisIt.
Trabajo práctico
Seguir utilizando bibliotecas de visualización y herramientas de manipulación.

5
Formatos de archivos científicos y tratamiento de datos voluminosos

  • Panorama de los principales formatos de archivos científicos: NetCDF, HDF5, GRIB, JSON, PARQUET, MATLAB, CGNS, etc.
  • Manejo de big data con Dask, Vaex y Xarray.
Trabajo práctico
Manejo de datos de más de GB, lectura y escritura de archivos NetCDF/HDF5. Visualización de datos climáticos, imágenes de satélite, creación de vídeos/animaciones gráficas.


Fechas y lugares
Selecciona tu ubicación u opta por la clase remota y luego elige tu fecha.
Clase a distancia