Ciencia de datos con python

Prólogo
Introducción

Capítulo I. Explorando el aprendizaje automático
1.1. Una introducción a la clasificación de Machine Learning
1.2. Proceso de Machine Learning

Capítulo II. Ciencia de datos en educación
2.1. Analítica de datos educativos

Capítulo III. Fundamentos de análisis de datos PYTHON
3.1. Configurando el entorno PYTHON
3.2. Librerías básicas de PYTHON
3.3. Básico de sintaxis del lenguaje PYTHON.
3.3.1. Strings y numéricos
3.3.2. Booleanos
3.3.3. Aritmética
3.3.4. Listas
3.3.5. Tuplas
3.3.6. Diccionarios
3.3.7. Variables
3.3.8. Conversión de tipos de datos
3.3.9. Condicional IF
3.3.10. Condicional ELSE
3.3.11. Condicional ELIF
3.3.12. Ciclo con FOR
3.3.13. Función RANGE ( )
3.3.14. Ciclo con WHILE
3.3.15. Iterar con Zip
3.3.16. Iterar con Enumerate
3.3.17. Funciones
3.4. Básico de NUMPY 67
3.4.1. Aspectos de NumPy
3.4.2. Matrices de NumPy
3.4.3. Atributos de los array de NumPy
3.4.4. Operaciones de NumPy
3.4.5. Indexaciones de NumPy
3.5. Básico de pandas
3.5.1. Aspectos de Pandas
3.5.2. Dataframe en Pandas
3.5.3. Atributos de los dataframe de Pandas
3.5.4. Manipular un dataframe de Pandas
3.5.5. Seleccionar filas o columnas de Dataframe
3.5.6. Selección de elementos del Dataframe
3.6. Básico de Matplotlib
3.6.1. Aspectos de Matplotlib
3.6.2. Atributos de un gráfico en Matplotlib
3.6.3. Tipos de gráficos en Matplotlib

Capítulo IV. El poder de los datos
4.1. Fuente de datos
4.2. Proceso de carga de los datos
4.3. Preparación de los datos
4.3.1. Identificación de columnas con varianza cero
4.3.2. Identificación de filas con datos duplicados
4.3.3. Identificación de outliers
4.3.4. Identificación de outliers puntuales por método de desviación estándar
4.3.5. Identificación de outliers puntuales por método de inter cuartiles
4.3.6. Identificación de valores nulos o datos faltantes (NaN)
4.3.7. Manejo de valores nulos (NaN)
4.3.8. Codificar una variable categórica (One hot enconder)
4.3.9. Codificar una variable categórica (Codificación de enteros)
4.4. Estadísticas de los datos 137
4.4.1. Funciones y estadísticas de un dataframe de Pandas
4.4.2. Agrupar datos de un dataframe
4.4.3. Gráfico de los datos
4.4.4. Gráfico entre variables

Capítulo V. Explorando métodos para transformación de los datos
5.1. Reescala de datos
5.2. Estandarización de datos
5.3. Normalización de datos
5.4. Transformación robusta o estandarización robusta
5.5. Transformación de BOX - COX
5.6. Transformación de YEO-JOHNSON

Capítulo VI. Explorando métodos para selección de características
6.1. Métodos de filtro
6.1.1. Correlación de Pearson
6.1.2. Anova
6.1.3. Chi Cuadrado
6.1.4. Información mutua
6.2. Métodos de envoltura (Wrapper) o envolventes
6.2.1. Eliminación de Características Recursivas (RFE)
6.2.2. Eliminación hacia atrás (Backward Selection)
6.2.3. Selección hacia adelante (Forward Selection)
6.2.4. Eliminación bidireccional (Bi-directional elimination)
6.3. Métodos embebidos
6.3.1. Regresión Lineal
6.3.2. Regularización Lasso
6.3.3. Regularización Ridge
6.4. Metodos de ensamble
6.4.1. Árboles de decisión (CART)
6.4.2. Ramdom Forest (Bosque aleatorio)
6.4.3. ExtraTreesClassifier (Árboles extremadamente aleatorios)
6.4.4. Eliminación de características recursivas RFECV con métodos de ensamble
6.4.5. XGBoost
6.4.6. CatBoost
6.4.7. LightGBM

Referencias bibliográficas