Welcome to TTAD-master’s documentation!

Introducción a Python

• Datos
• Control del flujo del programa
• Datos estructurados

Estructura de proyecto

• El entorno de Python
• Guía Formal sobre Estructuras de Proyectos en Python
• Diferencias entre archivos .py y .ipynb en Python
• Diferencias entre tipos de Paths en Python
• Introducción a la Terminal en el Desarrollo Python

Librería Numpy

• Librería Numpy
  • Generación
  • Actividades
  • Carga y volcado de datos
  • Carga de datos con Numpy
  • Operaciones con series numpy
  • Funciones sobre series
  • Actividades
  • Restructurando la dimensión de una serie
  • Actividad
  • Operaciones de Slicing
  • Funciones propias vectorizadas
  • Operaciones con Grupos
  • Funciones de estadística
• Gestión de alertas y errores
  • Reflexiones sobre el rendimiento computacional y algorítmico

Control de versiones

• Git & Github
  • ¿Qué es git?
  • ¿Qué es Github?
• Configurar git
• Crear un repositorio local
• Sincronizar el repositorio local con Github
  • Sincronizar los repositorios
• Ramas
• Ventajas de github
  • Clone
  • Fork

Pandas

• Libreria Pandas
• Combinando Notebooks y Scripts para Pandas
• Agrupaciones de datos
• Categorización de datos
• Gestionando la ausencia de datos
• Series Temporales
• Pivotación de tablas
• Visualización
• Matplotlib
• Tipos de Visualizaciones
• Biblioteca Seaborn

ETL Process

• Concepto de data pipeline
  • Ejemplos
  • Actividad
  • Referencias
• Comandos: CRON y CRONTAB
  • Ventajas
  • Vamos a crear un proceso donde su lanzamiento esté gestionado por CRON
  • Actividad
• Apache Airflow
  • Instalación y uso de la librería
  • Un primer DAG con Apache Airflow
  • Actividad del módulo
  • Referencias

Machine Learning techniques

• Introducción a las técnicas de Machine Learning (ML)
  • ¿Qué es Machine Learning?
  • Tareas más recurrentes en ciencias de datos
  • Planteemos un problema de recomendación desde una perspectiva más ‘tradicional’
  • Sobre el aprendizaje automático o machine learning
  • Tipos de algoritmos
  • A) Aprendizaje supervisado
  • B) Aprendizaje no supervisado
  • Elección de algoritmo
  • Entre los problemas de datos más habituales:
  • Bibliografía
• Modelado / Modelling
  • El proceso de aprendizaje automático
  • Nuestra primera aplicación de machine learning (ML)
  • Evaluación de un modelo de aprendizaje
  • Rendimiento computacional
• Anexo A
• Actividad: Regresión Lineal
• Algoritmos supervisados: un proyecto sobre predicción temporal
  • Preparemos los datos
  • Análisis de una serie temporal
  • Predicción con ARIMA
  • Reflexiones
  • Gestión del tiempo.
  • 1. Uso de la regularización
  • Ridge Regression
  • Lasso Regression (L1)
  • Elastic Net Regression
  • Regresión polinómica
  • Regresión no lineal: un ejemplo
  • 3.1 Errores cuadráticos
  • 3.2 Errores absolutos
  • 3.3 Generalización
  • 3.4 Coeficiente de determinación (\(R^2\))
• Ejercicio
• Ejercicio
  • Ejercicio
• Aprendizaje supervisado: la clasificación
  • Algoritmo lineal: Logistic Regression
  • Algoritmo lineal: Support Vector Machine
  • Algoritmo lineal con multiclase: SVM
  • Hacia otros casos de clasificación multiclase
  • Clasificación no lineal
• Algoritmos no supervisados: Agrupamiento / Clustering
  • K-Means
  • Spectral Clustering

Note

This project is under active development.