24_Tipos de variables y de relaciones

PYTHON DATA SCIENCE MASTERY: FROM ZERO TO HERO EDITION

BIENVENIDA Y PRESENTACION DEL PROGRAMA

Bienvenida al programa (1:40)
Lo que vamos a aprender en el programa (24:19)
Los 3 niveles de aprendizaje (8:33)
Los 6 casos prácticos (18:23)
Lecciones y materiales
IMPORTANTE: Entrega de las lecciones
📗 La estructura de directorios (10:16)
Como adaptar las rutas de los notebooks (10:13)
IMPORTANTE: Resolución de dudas
Presentacion Bloque Foundations (16:11)
Tu primera semana

EL ENTORNO DE DATA SCIENCE

📗 00_Lo que vamos a aprender en este módulo (2:13)
01_Nuestro entorno de trabajo para Data Science (17:09)
📗 02_Entendiendo que es físicamente un entorno (5:00)
03_Como instalar MiniConda (6:14)
04_Como instalar Jupyter (10:46)

CONDA CRASH COURSE

📗 00_Qué vamos a aprender en este módulo (3:41)
01_Qué es Conda (6:31)
02_Cómo gestionar un entorno (16:07)
03_Cómo exportar e importar entornos (6:52)
04_Cómo gestionar paquetes con Conda (4:28)
05_Cómo gestionar canales con Conda (8:52)
06_Resumen, como empezar el trabajo de una sesión y uso de la Cheatsheet (12:31)

JUPYTER DOMINATION

📗 00_Qué vamos a aprender en este módulo (1:36)
01_Primeros pasos con Jupyter (18:33)
02_Todo lo que hay que saber sobre las celdas (15:12)
03_Todo lo que hay que saber sobre Markdown (11:45)
04_Lo último que nos faltaba por conocer de la interfaz (7:33)
05_Jupyter on steroids (3:54)
06_Breve repaso de lo aprendido hasta ahora (5:14)
07_Hitos conseguidos

CURSO PUENTE - INTENSIVO DE PYTHON - OPERADORES Y TIPOS DE DATOS

Objetivos de esta semana
📗 00_Presentacion del Curso Acelerado de Python (6:47)
01_Operadores (13:47)
02_Asignaciones e impresión dinámica (12:28)
03_Tipos de datos individuales (10:40)
04_Como convertir tipos individuales (2:06)
05_Rangos y listas (16:40)
06_Tuplas (4:59)
07_Diccionarios (7:48)
08_Conjuntos (7:38)
09_Resumen y repaso (2:12)

CURSO PUENTE - INTENSIVO DE PYTHON - INDEXACIÓN Y CONTROL DE FLUJO

10_Indexar cadenas (3:55)
11_Indexar listas (5:06)
12_Indexar tuplas y diccionarios (6:54)
13_Repaso de indexacion (1:03)
14_Control de flujo con If (11:43)
15_Control de flujo con For_Parte1 (9:17)
16_Control de flujo con For_Parte2 (8:05)
17_List Comprehension (5:30)
18_Como usar contadores (10:42)
19_Repaso de control de flujo (2:52)

CURSO PUENTE - INTENSIVO DE PYTHON - FUNCIONES EN PYTHON

20_Introduccion a las funciones (4:07)
21_Como crear nuestra propias funciones (8:40)
22_Funciones Lambda (6:43)
23_Funciones Imprescindibles Map (3:41)
24_Funciones Imprescindibles Filter (4:03)
25_Funciones Imprescindibles Input (2:45)
26_Funciones Imprescindibles Zip (2:38)
27_Funciones Imprescindibles Estadisticas (2:22)
28_Repaso de funciones (2:40)
29_Modulos y diferencias entre instalar e importar (8:24)
30_Como importar modulos y funciones (9:09)
31_Repaso Global y Próximos pasos (8:38)

CURSO PUENTE - INTENSIVO DE PYTHON - TALLER DE EJERCICIOS DE PYTHON

32_IMPORTANTE_Como hacer los ejercicios (11:23)
33_Taller de resolucion de ejercicios (59:31)
34_IMPORTANTE_Como hacer los casos (3:17)
35_Taller creacion del juego piedra papel tijera (35:31)
36_Taller creacion de una agenda (20:32)
37_Uso de la Cheatsheet (2:36)

CURSO PUENTE - INTENSIVO DE NUMPY Y ALGEBRA

📗 00_Presentacion del módulo (4:53)
01_Estructura de los materiales (1:23)
02_Instalando Numpy (0:58)
03_Lo principal que hay que saber sobre Numpy (13:49)
04_Como crear un array (6:18)
05_Como crear un array aleatorio (7:23)
06_Modificar forma y orden de un array (4:06)
07_Estadisticos basicos con Numpy (4:42)
08_IMPORTANTE Como crear copias de objetos (5:28)
09_Como indexar arrays (8:00)
10_Estructuras basicas en algebra lineal (8:11)
11_Algebra de vectores (5:42)
12_Algebra matricial (9:33)
13_Aplanar una matriz (2:14)
14_Como se usa todo esto en Deep Learning (16:58)
15_Taller de ejercicios de Numpy y Algebra (22:05)

CURSO PUENTE - ESTADISTICA - DESCRIPTIVA

📗 00_Introduccion al modulo (5:03)
01_Lo que vamos a aprender sobre estadistica descriptiva (5:26)
02_Instalar todos los paquetes necesarios (12:40)
03_Estadistica Descriptiva Vs Inferencial (12:35)
04_Terminologia en poblacion y muestra (4:50)
05_Las 4 escalas de medida (9:59)
06_Metricas para variables categoricas (10:54)
07_Graficos para variables categoricas (1:35)
08_Calculos para variables numericas_centralizacion y dispersion (6:36)
09_Los diferentes tipos de medias (10:12)
10_Cuando la mediana es mejor estimador (9:02)
11_Entendiendo la varianza (12:20)
12_Desviacion tipica y coeficiente de variacion (5:39)
13_Conociendo las limitaciones de la correlacion de Pearson (12:33)
14_Que nos aporta el R cuadrado (5:06)
15_Cuando y como usar Spearman (4:08)
16_Correlacion no es causalidad (9:06)
17_Graficos para variables continuas (3:57)
18_Resumen y para que se usa todo esto (3:55)

CURSO PUENTE - ESTADISTICA - INFERENCIAL

📗 19_Introduccion y que vamos a aprender sobre estadistica inferencial (7:30)
20_Los 3 escenarios de uso mas frecuentes de la estadistica inferencial (7:42)
21_Distribuciones y tipos (7:06)
22_Distribucion de Bernoulli (3:25)
23_Distribucion Binomial (4:46)
24_Distribucion de Poisson (5:09)
25_Distribuciones continuas (5:43)
26_Teorema del Limite Central (20:15)
27_Ejemplificando el Teorema del Limite Central (13:43)
28_El Margen de Error (9:50)
29_Entendiendo los niveles de confianza (16:03)
30_La distribucion normal tipificada (15:09)
31_Como calcular finalmente el intervalo de confianza (10:30)
32_Como calcular el intervalo de confianza en proporciones (5:26)
33_Para que sirven los intervalos de confianza en Data Science (7:06)
34_Por que hacer muestreo (4:35)
35_Como calcular el tamaño de la muestra (10:56)
36_Que son el Alpha y el Pvalor (17:01)
37_Hipotesis Nula y Alternativa (8:55)
38_Tipos de contrastes de hipotesis (8:07)
39_Contraste de medias en la poblacion (6:48)
40_Contraste de medias entre dos muestras (8:37)
41_Contraste de proporciones en la poblacion (6:36)
42_Contraste de proporciones entre dos muestras (5:55)
43_Un ejemplo muy frecuente actualmente (6:54)
44_Repaso y cierre de estadistica inferencial (4:49)

CURSO PUENTE - ESTADISTICA - CONCEPTOS AVANZADOS

📗 45_Introduccion a los conceptos avanzados (4:32)
46_Valor teorico y error de medida (15:31)
47_Supuestos estadisticos (4:26)
48_Supuesto de normalidad (5:19)
49_Supuesto de homocedasticidad (7:19)
50_Supuesto de linealidad (5:41)
51_Supuesto de no multicolinealidad (4:31)
52_Introduciendo el Bootstrapping (4:47)
53_Penetracion Vs Distribucion (6:07)
54_Sesgos de absoluto vs relativo (8:23)
55_Breve repaso y cierre del modulo (4:33)
📗 56_Taller de ejercicios de estadistica (50:21)

PANDAS FOUNDATIONS I - ESTRUCTURAS DE DATOS

📗 Manual del bloque Foundations Volumen II
📗 00_Que vamos a aprender en este modulo (5:06)
01_Por que Pandas e indice del modulo (9:14)
02_Estructuras de datos e instalando Pandas (7:42)
03_Como usar la documentacion de Pandas (14:33)
04_Como modificar el num de registros que nos da como salida (4:34)
05_Componentes de los Series y Dataframes (7:57)
06_Conociendo los tipos de datos en Pandas (12:41)
07_Tecnica PRO Como reducir el peso del dataset (5:57)
08_Crear un Series a partir de una lista (5:07)
09_Crear un Series a partir de otras estructuras (5:23)
10_Las Series son objetos (4:03)
11_Crear un dataframe a partir de un diccionario (4:22)
12_Crear un dataframe a partir de una lista (5:01)
13_Crear un dataframe a partir de un array de Numpy (3:33)
14_Pasar de Dataframe a Series (7:04)
15_Repaso a lo que hemos aprendido (6:14)
16_Taller de ejercicios del modulo I de Pandas (14:50)

PANDAS FOUNDATIONS II - INDEXACION DE DATA FRAMES

📗 17_Lo que vamos a aprender sobre Indexacion (4:18)
18_Los 27 escenarios de indexacion (7:23)
19_Operaciones basicas sobre el Index (10:45)
20_Como renombrar indices y columnas (3:56)
21_PRO_Multiindices_Crearlos e indexarlos (11:37)
22_PRO_Multiindices_Mover de index a columns (11:55)
23_PRO_Multiindices_Mover de column a index (5:32)
24_Como indexar columnas por nombres (14:33)
25_Como indexar columnas por posicion (5:19)
26_Como indexar columnas por criterio (9:03)
27_Como indexar filas por nombre (8:53)
28_Como indexar filas por posicion (2:14)
29_Como indexar filas por criterio (6:04)
30_Como indexar filas y columnas por nombre posicion y criterio (6:19)
31_Taller de ejercicios de indexacion con Pandas (34:57)

PANDAS FOUNDATIONS III - IMPORTACION DE DATOS

📗 32_Lo que vamos a aprender sobre importacion de datos con Pandas (5:21)
33_Como importar csv (11:41)
34_Como importar Excel (6:59)
35_Como importar desde el portapapeles (9:25)
36_Introduccion a las bases de datos relacionales (16:16)
37_Proceso para conectar a una base de datos (12:44)
38_Ejemplo de conexion a SQLite (13:29)
39_Como guardar en csv y Excel (4:01)
40_Problemas frecuentes de importacion I Separador de campos no estandar (8:21)
41_Problemas frecuentes de importacion II Primeras lineas sin datos validos (2:45)
42_Problemas frecuentes de importacion III Datos sin nombres de variables (4:23)
43_Problemas frecuentes de importacion IV Nulos no habituales (4:48)
44_Problemas frecuentes de importacion V Separadores decimales y de miles (2:35)
45_Problemas frecuentes de importacion VI Importar solo parte de los datos (2:16)
46_Problemas frecuentes de importacion VII Problemas al importar fechas (4:58)
47_Como previsualizar un fichero (6:41)
48_Taller de ejercicios de importacion de datos (24:41)

PANDAS FOUNDATIONS IV - CALIDAD DE DATOS - DIAGNOSTICO

📗 49_Lo que vamos a aprender sobre el diagnóstico de calidad de datos (5:55)
50_Como hacer una muestra en Pandas (6:19)
51_Analisis de vision global (15:06)
52_Analisis de nulos (7:54)
53_Analisis de duplicados (6:33)
54_Analisis de valores unicos (3:14)
55_Analisis de estadisticos basicos con Pandas (6:55)
56_Analisis de correlacion (7:36)
57_Empoderar los analisis con select_dtypes (4:06)
58_Calidad de datos automatica con Pandas Profiling y Funpymodeling
📗 59_Taller de ejercicios de diagnostico de calidad de datos (16:28)

PANDAS FOUNDATIONS V - CALIDAD DE DATOS - CORRECCION

📗 60_Lo que vamos a aprender sobre la corrección de calidad de datos (2:33)
61_Convertir tipos de variables con astype (10:23)
62_Convertir a tipo numerico (4:23)
63_Convertir a tipo fecha (7:40)
64_Convertir a categorica ordenada (6:58)
65_Eliminar filas o columnas (4:40)
66_Insertar una nueva variable (2:26)
67_Como eliminar los nulos masivamente (6:51)
68_Como reemplazar nulos por otro valor (6:52)
69_Como eliminar duplicados masivamente (2:08)
70_Como renombrar nombres de variables (4:49)
71_Como reemplazar valores (2:23)
72_Como recodificar valores (4:33)
73_Como modificar variables con texto (6:59)
74_Taller de ejercicios de correciones de calidad de datos (32:37)

PANDAS FOUNDATIONS VI - UNION E INTEGRACION DE DATOS

📗 75_Lo que vamos a aprender en este modulo (3:12)
76_Dos conceptos que hay que entender (11:35)
77_Creando los datasets que necesitaremos (9:02)
78_Apilar variables (3:01)
79_Apilar registros (2:03)
80_Cruzar tablas por un campo clave (10:34)
81_Taller de ejercicios de integracion de datos (41:21)
82_Repaso de lo aprendido en la seccion de Pandas (11:22)

VISUALIZACION I - MATPLOTLIB

📗 83_Lo que vamos a aprender en este modulo (7:41)
84_Conociendo la documentacion (3:30)
85_Instalar e importar Matplotlib (5:26)
86_Las dos formas de hacer graficos con Matplotlib (8:07)
87_Metodologia para crear un grafico (8:21)
88_Que graficos vamos a aprender (3:26)
89_Como hacer un grafico de lineas (5:00)
90_Como hacer un grafico de barras (5:59)
91_Como hacer un grafico de sectores (4:29)
92_Como hacer un histograma (4:26)
93_Como hacer un boxplot (6:48)
94_Como hacer un grafico de dispersion (7:18)
95_Como cambiar el tamaño de un grafico (4:30)
96_Como cambiar los titulos de los ejes y del grafico (1:36)
97_Como incluir la leyenda (3:49)
98_Cambiar opciones de colores y lineas (6:35)
99_Cambiar tamaño y angulo de las etiquetas de los ejes (3:35)
100_Cambiar el rango de los ejes y a escala logaritmica (6:39)
101_Como incluir una parrilla de referencia (1:44)
102_Como hacer un grafico de dos ejes (4:30)
103_Como incluir una linea de referencia (3:55)
104_Como usar Matplotlib en objetos de Pandas (7:35)
105_Como incluir una tercera variable mediante el color (9:25)
106_API funcional Paso I Hacer varios graficos (5:16)
107_API funcional Paso II Crear el grafico y primeras opciones (2:47)
108_API funcional Paso III Personalizar el resto de opciones (4:16)
109_Repaso de todo lo aprendido sobre Matplotlib (5:13)
110_Taller de ejercicios de Matplotlib (30:31)

VISUALIZACION II - PANDAS

📗 111_Lo que vamos a aprender en este módulo (6:03)
112_Las dos formas de hacer un grafico en Pandas (5:25)
113_Las 3 maneras de usar las opciones de Matplotlib sobre graficos de Pandas (10:33)
114_Como hacer graficos de varias variables en Pandas (7:15)
115_Como hacer un grafico de lineas en Pandas (4:26)
116_Como hacer un grafico de barras en Pandas (7:49)
117_Como hacer un grafico de sectores en Pandas (0:56)
118_Como hacer un histograma en Pandas (5:15)
119_Como hacer un grafico de densidad en Pandas (4:18)
120_Como hacer un boxplot en Pandas (3:52)
121_Como hacer un grafico de dispersion en Pandas (4:43)
122_Ultimos toques de personalizacion (7:11)
123_Repaso de lo aprendido (5:31)
124_Taller de ejercicios de visualizacion con Pandas (22:12)

BREVE REPASO DE TODO LO APRENDIDO EN EL BLOQUE FOUNDATIONS

125_Repaso de todo lo aprendido en el bloque Foundations (12:33)

INTRODUCCIÓN AL BLOQUE DE BUSINESS ANALYTICS

Lo que vamos a aprender en este bloque (10:56)

CREACION DE VARIABLES DE NEGOCIO

📗 01_Las 11 principales tecnicas para crear variables de negocio (9:40)
02_Crear una variable como un calculo directo (4:04)
03_Como usar apply parte I (9:44)
04_Como usar apply parte II (9:47)
05_Agregacion horizontal (6:52)
06_Como usar transform (6:57)
07_Introduccion a la discretizacion (8:31)
08_Discretizacion pasando los cortes (7:45)
09_Discretizacion pasando el numero de tramos o los percentiles (4:03)
10_Crear variables a partir de condiciones simples (4:54)
11_Crear variables a partir de condiciones multiples (8:38)
12_Introducion a los analisis agrupados (9:33)
13_Como usar apply agrupando por otra variable (10:46)
14_Como usar transform agrupando por otra variable (7:16)
15_Como crear acumulados (6:08)
16_Como crear incrementos (10:32)
17_Como crear lags (15:25)
18_Como crear rankings (6:50)
19_Analisis de Pareto I Concepto y Objetivo (7:55)
20_Analisis de Pareto II Metodologia (6:23)
21_Analisis de Pareto III Implementacion en Pandas (9:37)
22_Analisis de Pareto IV Automatizandolo Pareto en una funcion (5:21)
23_Crear variables aleatorias (3:33)
24_Como crear variables dummy (9:11)
25_Repaso de lo que hemos aprendido (6:20)
📗 26_Taller de ejercicios de creacion de variables de negocio (53:34)

ESTRUCTURAS DE DATOS PARA BUSINESS ANALYTICS

📗 Manual del Bloque Business Analytics Volumen I
📗 27_Por que es importante este modulo (10:49)
28_Lo que vamos a aprender (7:10)
29_Melt de ancho a largo parte I (6:26)
30_Melt de ancho a largo parte II (4:01)
31_Melt de ancho a largo parte III (3:37)
32_Melt de ancho a largo parte IV (2:58)
33_Melt de ancho a largo parte V (3:22)
34_Pivot de largo a ancho (4:03)
35_Cambiar el nivel del dataframe parte conceptual (6:06)
36_Cambiar el nivel del dataframe parte operativa (5:06)
37_Taller de ejercicios de cambiar la estructura (28:02)

CONSULTAS INTERACTIVAS

📗 38_Lo que vamos a aprender en este modulo (9:39)
39_Seleccion avanzada de columnas (7:02)
40_Seleccion avanzada de registros I (6:32)
41_Seleccion avanzada de registros II (2:51)
42_Seleccion avanzada de registros III Metodo Query I (8:23)
43_Seleccion avanzada de registros III Metodo Query II (4:04)
44_Seleccion avanzada de registros III Metodo Query III (8:18)
45_Seleccion avanzada de registros IV (2:05)
46_Ordenar registros (4:09)
47_Ordenar columnas (12:04)
48_Consultas TopN Superiores (4:40)
49_Consultas TopN Inferiores y Agregadas (6:29)
50_FSC_Introduccion (7:43)
51_FSC_La Formula del Framework (5:05)
52_FSC_Primer analisis y un par de trucos (9:44)
53_FSC_Entender la flexibilidad del framework (11:02)
54_Como hacer valuecounts agregando por otras variables (4:16)
55_Como filtrar resultados de agregados para consultas posteriores (9:53)
56_Como recuperar el primer y ultimo valor de cada grupo (4:41)
57_Tablas cruzadas con Crosstab (8:26)
58_Tablas Dinamicas en Pandas (5:15)
59_Como resaltar datos de interes (9:10)
60_Que es un minicubo y para que sirve (5:54)
61_Como construir un Minicubo (9:23)
62_Como construir un Riskscorecard (12:02)
63_Repaso de lo aprendido en este modulo (3:51)
📗 64_Taller de ejercicios Parte I (39:53)
65_Taller de ejercicios Parte II (29:33)

FECHAS Y SERIES TEMPORALES

📗 Manual del Bloque Business Analytics Volumen II
📗 66_Lo que vamos a aprender en este modulo (7:33)
67_Tipos de datos temporales en Pandas (9:57)
68_Crear una fecha a partir de sus compentens o una cadena (8:12)
69_Crear una fecha en la importacion (3:13)
70_Convertir a fecha tras la importacion (4:54)
71_Como extraer los componentes de una fecha (5:51)
72_Como redondear fechas (5:34)
73_Como indexar fechas (11:50)
74_Como usar los business moments (11:03)
75_Como calcular el tiempo transcurrido entre dos fechas (2:42)
76_Cambiando la unidad de analisis con Downsampling (10:48)
77_Combinando Resample con Agregacion Horizontal (5:20)
78_Mejorar la interpretabilidad del resultado (7:37)
79_Conteo de eventos por ventana temporal (3:39)
80_El truco OHLC (4:05)
81_Upsampling Basico (8:35)
82_Upsampling Avanzado (3:46)
83_Como regularizar una serie irregular (5:33)
84_Ventanas Moviles Concepto (5:55)
85_Ventanas Moviles No ponderadas (7:41)
86_Ventanas Moviles Ponderadas (5:12)
87_Repaso de lo que hemos aprendido (9:34)
📗 88_Taller de ejercicios de fechas y series temporales (40:51)

VISUALIZACION CON SEABORN

📗 89_Lo que vamos a aprender en este modulo (5:59)
90_Como hacer un grafico de lineas (10:41)
91_Como hacer un grafico de barras de frecuencias (4:52)
92_Como hacer un grafico de barras de medias (5:10)
93_Variaciones frecuentes de graficos de barras (7:06)
94_Como hacer un boxplot (3:42)
95_Como hacer un histograma (1:21)
96_Como hacer un grafico de densidad (3:01)
97_Como hacer un grafico de dispersion (8:45)
98_Como hacer pair plots (5:50)
99_Como hacer un grafico de correlaciones (1:47)
100_Personalizar temas y contextos (4:55)
101_Personalizar los bordes (2:07)
102_Personalizar tamaño y graficos multiples (3:18)
103_Personalizar titulos y orden del grafico (4:15)
104_Personalizar el tamaño de letra del grafico (2:29)
105_Personalizar los colores (5:27)
106_Personalizaciones varias de matplotlib en seaborn (2:22)
107_Como segmentar con Facets (5:54)
108_Consejos y framework de uso (9:00)
109_Taller de ejercicios de Seaborn (23:32)

METODOLOGÍA Y PROYECTOS DE DISCOVERY

📗 110_Lo que vamos a aprender (6:11)
111_Que son los proyectos de Discovery (9:54)
112_Relacion entre Discovery y Automation (7:34)
113_Para que sirven los proyectos de Discovery (12:57)
114_Diferencias entre BI y Discovery (10:16)
115_Metodologia de un proyecto de Discovery (12:49)
116_Metodologia Fase I (8:46)
117_Palancas e impactos orientativos (8:51)
118_Metodologia Fase II (3:48)
119_Metodologia Fase III (5:03)
120_Metodologia Fase IV (3:47)
121_Insights de ejemplo (3:45)
122_Metodologia Fase V (20:54)
123_Como hacer un Business Case I (15:40)
📗 124_Como hacer un Business Case II (23:09)
📗 125_Como hacer un Business Case III (14:36)
126_Como hacer un Business Case IV (11:32)

CASO 1 BA: ANALISIS MERCADO INMOBILIARIO PARA ALQUILER TURISTICO (PARTE I)

📗 127_Como vamos a trabajar en los casos (9:28)
📗 128_Diseño del proyecto (18:28)
📗 129_Primer contacto con los datos (9:42)
130_Entendiendo los ficheros de listings (12:41)
131_Entendiendo los ficheros de reviews (3:54)
132_Entendiendo el fichero de calendar (3:15)
133_Entendiendo los ficheros de neighbourhoods (4:46)
134_Creando la base de datos para nuestro caso (12:44)
📗 135_Introduccion al datamart analitico (5:17)
136_Importar los datos y trucos avanzados (18:42)
137_Como descargar datos externos de la web (7:03)
138_Limpiando los datos descargados (12:06)
139_Analisis general y seleccion de variables_listings (5:30)
140_Correcion de tipos_listings (5:16)
141_Nulos y duplicados_listings (3:10)
142_Analisis de variables categoricas_listings (6:42)
143_Analisis de variables continuas_listings (15:40)
144_Analisis general y seleccion de variables_listings_det (7:31)
145_Correcion de tipos_listings_det (2:52)
146_Nulos listings_det (6:19)
147_Como usar un proxy para imputar nulos (18:10)
148_Como usar un proxy para imputar nulos_parte2 (8:18)
149_Duplicados y categoricas (1:37)
150_Analisis de variables numericas (6:05)

CASO 1 BA: ANALISIS MERCADO INMOBILIARIO PARA ALQUILER TURISTICO (PARTE II)

151_Datamart analitico parte I (5:42)
152_Datamart analitico parte II (9:21)
153_Datamart analitico parte III (3:33)
154_Guardar el tablon en la bbdd (1:29)
📗 155_Introduccion a la preparacion de variables (5:24)
156_Calculando el precio total por inmueble (17:19)
157_Calculando la ocupacion (5:30)
158_Discretizando de forma manual (7:35)
159_Discretizando de forma automatica (11:00)
160_Estimando el precio de compra (9:55)
161_Como calcular variables de distancias (11:47)
📗 162_Introduccion a la fase de analisis (2:27)
163_Encontramos el primer insight (13:13)
164_Encontramos 3 segmentos claros en calidad precio (10:10)
165_Localizamos el segundo insight (6:35)
166_Construyendo un minicubo (7:49)
167_Explotando el minicubo (14:20)
168_Analizando el impacto de la cercania a un punto de interes (10:54)
169_Introduccion e instalacion de Folium (4:10)
170_Como crear un mapa (3:44)
171_Como representar marcadores en el mapa (9:59)
172_Como representar el precio mediante colores (8:57)
📗 173_Comunicando mediante un informe ejecutivo I (8:56)
174_Comunicando mediante un informe ejecutivo II (8:22)
📗 175_Repaso de todo lo aprendido en el Caso I (2:45)

CASO 2 BA: DETECCION DE INEFICIENCIAS EN PLANTA SOLAR (PARTE I)

📗 176_Introduccion al caso 2 (4:19)
📗 177_Lo que vamos a aprender con este caso (3:28)
178_Objetivos y palancas (10:19)
179_KPIs Entidades y granularidad de datos (8:31)
180_Preguntas semilla (6:14)
📗 181_Entendiendo los datos (6:54)
182_Importando los datos (3:43)
183_Calidad de datos planta 1 generacion I (11:02)
184_Calidad de datos planta 1 generacion II (6:08)
185_Calidad de datos planta 1 generacion III (11:17)
186_Calidad de datos planta 1 generacion IV (8:27)
187_Calidad de datos planta 1 sensores (7:14)
188_Calidad de datos planta 2 generacion (9:55)
189_Calidad de datos planta 2 sensores (7:35)
190_Integrando los datasets de generación (3:59)
191_Controles de coherencia en generación (20:31)
192_Integrando los datasets de sensores (3:02)
193_Creando el tablon analitico final (10:50)
194_Guardando el tablon como un pickle (5:15)
📗 195_Empezando las fase de transformacion de datos (4:30)
196_Creando variables a partir de la fecha (7:03)
197_TRUCO como crear tu propio NOTEBOOK de funciones favoritas (1) (4:48)
198_TRUCO como crear tu propio MODULO de funciones favoritas (4:58)
199_Creando variables con denominador cero (8:35)
200_Reorganizando las columnas (4:53)
201_Creando un dataframe diario mediante downsampling (9:20)
202_Como eliminar el multiindice de las columnas (6:36)
203_Finalizando y guardando los dataframes (2:28)

CASO 2 BA: DETECCION DE INEFICIENCIAS EN PLANTA SOLAR (PARTE II)

📗 204_Set up de la fase de analisis (3:16)
205_Minidataframe de recepcion de energia solar (6:51)
206_Buscando diferencias en la energia solar recibida por planta (9:43)
207_Analizando la relacion entre irradiacion y temperatura (10:05)
208_Analisis del patron de irradiacion por horas (9:20)
209_Comenzamos a analizar irradiacion frente a DC generados (7:01)
210_Hacemos una asuncion y generamos el primer gran insight (9:44)
211_Analisis de DC generado al dia por planta (5:17)
212_Como generar multiples graficos automaticos con Pandas I (16:58)
213_Como generar multiples graficos automaticos con Pandas II (5:38)
214_Analizando la transformacion de DC en AC (5:14)
215_Creando las curvas horarias de eficiencia (5:26)
216_Descomponemos la eficiencia pero no nos cuadra (7:33)
217_Encontramos la causa (7:02)
218_Creamos un nuevo indicador (4:51)
219_Testamos si es problema de la temperatura (7:22)
220_Encontramos inverters con modulos posiblemente defectuosos (6:39)
221_Vemos que no hay problema de eficiencia (6:29)
222_Analizamos potenciales problemas puntuales (6:14)
223_Replicando los analisis sobre la planta 1 (11:10)
224_Conclusiones (6:04)
📗 225_BONUS: Cómo hacer presentaciones de power point profesionales (24:44)

CASO 3 BA: OPTIMIZACION ECOMMERCE (PARTE I)

📗 226_Presentacion del caso (4:26)
227_Clase acelerada de negocios online parte I (20:04)
228_Clase acelerada de negocios online parte II (6:43)
229_Definimos KPIs y entidades (4:24)
230_Definimos las preguntas semilla (3:48)
📗 231_Setup (3:07)
232_Importamos de la base de datos (5:13)
233_Integramos los datos (5:59)
234_Truco para cambiar a formato fecha (15:56)
235_Renombramos y trabajamos nulos (5:18)
236_Analisis de variables cuantitativas (6:34)
237_Tipos de variables que vamos a crear (4:17)
238_Variables de componentes de la fecha (5:07)
239_Como incorporar festivos de calendario (11:57)
240_Como incorporar indicadores exogenos (4:07)
241_Finalizando y guardando el tablon analitico (5:05)
📗 242_Fase de analisis set up (2:44)
243_Entendiendo el Customer Journey (7:32)
244_Como crear un grafico de funnel (9:05)
245_Automatizando un pequeño informe (10:08)
246_Calculando el baseline por sesion (8:50)
247_Analisis de los eventos por horas (6:16)
248_Localizamos las horas mas productivas (7:11)
249_La importancia del reescalado en ciertos tipos de analisis (11:45)
250_El principal dato que se nos habia pasado (3:56)
251_Tendencias de los eventos (9:06)
252_Bajamos a nivel diario y encontramos el segundo Insight (8:28)
253_Analisis de momentos de la verdad (7:51)
254_Construyendo el datamart analitico de clientes (9:07)
255_Enriqueciendo con nuevas variables (5:24)
256_Analizando la frecuencia de compra encontramos el tercer insight (5:45)
257_Cuantos productos se adquieren en cada compra (3:29)
258_Identificando los mejores clientes (4:57)

CASO 3 BA: OPTIMIZACION ECOMMERCE (PARTE II)

📗 259_Analisis de cohortes I (7:53)
260_Analisis de cohortes II (6:28)
261_Analisis de cohortes III (8:07)
262_Analisis de cohortes IV (12:44)
263_Analisis de LTV I (13:49)
264_Analisis de LTV II (7:19)
265_Segmentacion RFM I (7:34)
266_Segmentacion RFM II (5:57)
267_Segmentacion RFM III (1:32)
268_Segmentacion RFM IV (10:12)
269_Segmentacion RFM V (5:52)
270_Combinando RFM con Minicubo I (5:50)
271_Combinando RFM con Minicubo II (9:22)
272_Construyendo el datamart analitico de productos (7:14)
273_Analizamos la frecuencia de venta y encontramos un nuevo insight (6:17)
274_Relacion entre el precio y las ventas de los productos (6:49)
275_Abandono de carrito (7:31)
276_Productos que se ven mucho pero se compran poco (7:02)
📗 277_Sistemas de recomendacion Introduccion (10:27)
278_Sistemas de recomendacion Metodologias (10:45)
279_Sistemas de recomendacion Como funcionan (12:46)
280_Sistemas de recomendacion Los 5 pasos del proceso (10:39)
281_Sistemas de recomendacion Construccion I (8:09)
282_Sistemas de recomendacion Construccion II (9:13)
283_Sistemas de recomendacion Construccion III (18:47)
284_Conclusiones y plan de accion para nuestro ecommerce (10:14)
📗 285_Creando el Business Case (13:11)

REPASO Y FIN DE BUSINESS ANALYTICS

286_Breve repaso y final de Business Analytics (11:27)

BLOQUE DE MACHINE LEARNING

01_Que vamos a aprender en el bloque de ML (4:52)
02_IMPORTANTE Como vamos a aprender (14:22)

PRINCIPIOS DE MACHINE LEARNING

📗 Contenido de este sub-bloque
📗 Manual del Bloque Machine Learning Volumen I

SCIKIT LEARN Y NUESTRO PRIMER MODELO

📗 03_Que vamos a aprender en este modulo sobre ScikitLearn (4:48)
04_El enfoque de ScikitLearn (8:12)
05_Las interfaces de ScikitLearn (8:08)
06_La estructura interna de ScikitLearn (7:38)
07_Entender la documentacion de ScikitLearn (12:28)
08_Set up y carga de datos (4:58)
09_Los 4 pasos para hacer un modelo con Sklearn (9:40)
10_Paso 1 separar predictoras y target (3:40)
11_Paso 2 elegir la clase e instanciar el objeto (8:01)
12_Paso 3 entrenar el modelo (5:06)
13_Paso 4 hacer las predicciones (7:36)
14_Entendiendo lo que hace un modelo (3:56)
15_Entendiendo la regresion lineal parte I (16:25)
16_Entendiendo la regresion lineal parte II (14:43)
17_Entendiendo la regresion lineal parte III (11:25)
18_Entendiendo la regresion lineal parte IV (5:53)

FUNDAMENTOS DE MACHINE LEARNING

📗 19_Lo que vamos a aprender (6:38)
20_ML IA y DL (13:14)
21_ML DS y BD (10:15)
22_Tipos de Machine Learning (11:11)
23_Casos de uso para cada tipo de Machine Learning (6:14)
24_Tipos de variables y de relaciones (7:15)
25_Mapa de Algoritmos (6:03)
26_La maldicion de la dimensionalidad (7:33)
27_Desbalanceo de clases (4:26)

METRICAS DE TARGET CONTINUA

📗 28_Lo que vamos a aprender en este modulo (3:18)
29_Las 5 metricas que tienes que conocer (15:49)
30_Evaluando con R cuadrado (4:44)
31_Evaluando con MAE (5:37)
32_Evaluando con MAPE (2:40)
33_Evaluando con MSE (3:31)
34_Evaluando con RMSE (2:00)

SESGO, VARIANZA Y SOBRE AJUSTE

📗 35_Sesgo Y Varianza (21:58)
36_Sobre ajuste (8:21)
37_Como evitar el sobre ajuste (4:05)

DIVISION TRAIN Y TEST

📗 38_Introduccion a train y test (6:18)
39_Como hacer train y test con Sklearn (6:38)
40_Comprobando el resultado (7:39)
41_Estrategia Train Test Validation (11:54)

VALIDACION CRUZADA

📗 42_Que es la validacion cruzada (10:15)
43_Como hacer validacion cruzada con SkLearn (7:04)
44_Ejecutando la validacion cruzada (7:51)
45_Crear el modelo definitivo (8:54)
46_Por que venia la metrica en negativo (4:10)
47_Cuando usar validacion cruzada (4:24)
48_Truco para que la ejecucion sea mas rapida (3:36)

METRICAS DE TARGET BINARIA

📗 49_Lo que vamos a aprender (5:32)
50_Preparando el setup (2:50)
51_Metricas y graficos para evaluar modelos binarios (4:11)
52_La matriz de confusion (6:43)
53_Accuracy (5:16)
54_Precision (3:04)
55_Recall (3:32)
56_F1 (2:13)
57_Classification_report (3:14)
58_AUC (11:52)
59_Como evaluar con graficos (6:08)
60_Grafico de la matriz de confusion (2:42)
61_Que es un gain chart (11:16)
62_Como crear un gain chart (6:26)
63_Como representar varios modelos en el mismo gain chart (4:50)
64_Como crear un lift chart (5:24)
65_Como representar varios modelos en el mismo lift chart (2:01)
66_Como crear una curva ROC con Scikitplot (7:44)
67_Como crear una curva ROC con SkLearn (2:07)
68_Como crear un grafico de precision recall (5:49)
69_Como crear un grafico de umbrales (8:55)
70_Repaso de todo el subbloque PRINCIPIOS DE MACHINE LEARNING (9:57)

DOMINANDO LOS ALGORITMOS

📗 71_Lo que vamos a aprender en este sub-bloque (6:58)

REGRESION LINEAL MULTIPLE

📗 72_Regresion Lineal Multiple_Aplicacion Pros y Contras (8:28)
73_Regresion Lineal Multiple_Necesidad de preprocesamiento (6:04)
74_Regresion Lineal Multiple_Supuestos e hipostesis (6:18)
75_Regresion Lineal Multiple_Sobreajuste (5:18)
76_Regresion Lineal Multiple_Grado de interpretacion (5:18)
77_Regresion Lineal Multiple_Parametros Atributos y Metodos (3:41)
78_Regresion Lineal Multiple_Regularizacion (1:56)
79_Regresion Lineal Multiple_Ejemplo (7:35)

REGRESION LOGISTICA

📗 80_Regresion Logistica_Aplicacion Pros y Contras (5:00)
81_Regresion Logistica_Necesidad de preprocesamiento (1:34)
82_Regresion Logistica_Supuestos e hipostesis (1:42)
83_Regresion Logistica_Sobreajuste (3:02)
84_Regresion Logistica_Grado de interpretacion_ParteI (12:09)
85_Regresion Logistica_Grado de interpretacion_Parte II (5:13)
86_Regresion Logistica_Parametros Atributos y Metodos (6:56)
87_Regresion Logistica_Ejemplo (13:33)

KNN

📗 88_KNN_Intuicion (18:37)
89_KNN_Ambito de aplicacion (7:34)
90_KNN_Pros y contras (3:54)
91_KNN_Necesidad de preprocesamiento (1:43)
92_KNN_Sobreajuste (3:05)
93_KNN_Grado de interpretacion (1:39)
94_KNN_Parametros Atributos y Metodos (4:10)
95_KNN_Ejemplo (8:42)

NAIVE BAYES

📗 96_Naive Bayes_Intuicion (16:52)
97_Naive Bayes_Ambito de aplicacion (8:43)
98_Naive Bayes_Pros y contras (4:55)
99_NaiveBayes_Necesidad de preprocesamiento (1:55)
100_NaiveBayes_Supuestos Sobreajuste e interpretacion (1:20)
101_Naive Bayes_Parametros Atributos y Metodos (2:18)
102_Naive Bayes_Ejemplo (3:26)

ARBOLES DE DECISION

📗 103_Arbol de decision_Intuicion (12:34)
104_Arbol de decision_Ambito de aplicacion (6:04)
105_Arbol de decision_Pros y Contras (6:19)
106_Arbol de decision_Necesidad de preprocesamiento (2:06)
107_Arbol de decision_Sobreajuste (7:23)
108_Arbol de decision_Intrepretabilidad (1:41)
109_Arbol de Clasificacion_Parametros Atributos y Metodos (7:08)
110_Arbol de Regresion_Parametros Atributos y Metodos (1:43)
111_Arbol de Regresion_Ejemplo_Parte I (4:38)
112_Arbol de Regresion_Ejemplo_Parte II (17:02)
113_Arbol de Regresion_Ejemplo_Parte III (1:43)
114_Arbol de Regresion_Ejemplo_Parte IV (2:51)
115_Arbol de Regresion_Ejemplo_Parte V (8:30)
116_Arbol de Regresion_Ejemplo_Parte VI (2:59)

RANDOM FOREST

📗 117_Random Forest_Intuicion (15:50)
118_Random Forest_Ambito de aplicacion (1:36)
119_Random Forest_Pros y Contras (4:54)
120_Random Forest_Necesidad de preprocesamiento (1:16)
121_Random Forest_Sobreajuste (4:05)
122_Random Forest_Intrepretabilidad (1:26)
123_Random Forest_Parametros Atributos y Metodos (4:39)
124_Random Forest_Ejemplo (12:01)

XGBOOST

📗 125_XGBoost_Intuicion_Parte I (8:02)
126_XGBoost_Intuicion_Parte II (16:22)
127_XGBoost_Intuicion_Parte III (6:51)
128_XGBoost_Ambito de aplicacion (3:44)
129_XGBoost_Pros y Contras (2:18)
130_XGBoost_Necesidad de preprocesamiento (3:04)
131_XGBoost_Sobreajuste (2:28)
132_XGBoost_Intrepretabilidad (1:14)
133_XGBoost_Instalacion e importacion (1:16)
134_XGBoost_Parametros Atributos y Metodos Parte I (8:55)
135_XGBoost_Parametros Atributos y Metodos Parte II (7:38)
136_XGBoost_Parametros Atributos y Metodos Parte III (1:43)
137_XGBoost_Ejemplo (8:48)

LIGHT GBM

📗 138_LightGBM_Intuicion (10:05)
139_LightGBM_Ambito de aplicacion (1:17)
140_LightGBM_Pros y Contras (3:50)
141_LightGBM_Necesidad de preprocesamiento (1:12)
142_Sobreajuste_Necesidad de preprocesamiento (2:20)
143_LightGBM_Intrepretabilidad (0:40)
144_LightGBM_Importacion (1:17)
145_LightGBM_Parametros Atributos y Metodos (4:04)
146_LightGBM_Ejemplo (3:42)

KMEANS

📗 147_Kmeans_Intuicion (15:55)
148_Kmeans_Ambito de aplicacion (9:46)
149_Kmeans_Pros y Contras (6:38)
150_Kmeans_Necesidad de preprocesamiento (0:51)
151_Kmeans_Supuestos e hipotesis (0:50)
152_Kmeans_Sobreajustemp4 (5:42)
153_Kmeans_Intrepretabilidad (2:08)
154_Kmeans_Parametros Atributos y Metodos (2:21)
155_Kmeans_Como elegir el numero de segmentos (13:33)
156_Kmeans_Ejemplo (16:25)
157_Bonus_MiniBatch Kmeans (7:43)

FORECASTING

📗 158_Forecast_Contexto (5:27)
159_Forecast_las 3 grandes aproximaciones (7:39)
160_Forecast_Como transformar un proyecto de forecasting a uno de MP supervisado (5:08)
161_Forecast_las 5 tecnicas para crear variables predictoras (8:36)
162_Forecast_como imputar los nulos (3:54)
163_Forecast_como hacer la validacion cruzada (5:50)
164_Forecast_Ficha del algoritmo parte I (5:51)
165_Forecast_Ficha del algoritmo parte II (2:23)
166_Forecast_Ejemplo parte I (6:06)
167_Forecast_Ejemplo parte II (2:10)
168_Forecast_Ejemplo parte III (5:50)
169_Forecast_Ejemplo parte IV (7:39)
170_Forecast_Ejemplo parte V (5:23)
171_Forecast_Ejemplo parte VI (6:08)
172_Forecast_Ejemplo parte VII (7:52)
173_Forecast_Ejemplo parte VIII (10:43)
174_Forecast_Ejemplo parte IX (14:16)

BONUS: Visualización Geométrica de los algoritmos

📗 175_Bonus_AlgoritmosGeometricamente_Lo que vamos a aprender (5:45)
176_Bonus_AlgoritmosGeometricamente_Setup (3:13)
177_Bonus_AlgoritmosGeometricamente_RegresionLogistica (11:23)
178_Bonus_AlgoritmosGeometricamente_KNN (5:18)
179_Bonus_AlgoritmosGeometricamente_NaiveBayes (4:29)
180_Bonus_AlgoritmosGeometricamente_ArbolesClasificacion (5:40)
181_Bonus_AlgoritmosGeometricamente_RF_XGBoost_LigghtGBM (4:59)

CHECKPOINT I

📗 182_Checkpoint I_Explicacion (8:42)
📗 183_Checkpoint II_Explicacion (10:24)

TECNICAS AVANZADAS DE MACHINE LEARNING

📗 Manual del Bloque Machine Learning Volumen II
📗 184_Introduccion a ML Avanzado (8:25)
185_Que es la Regularizacion (6:31)
186_Parentesis teorico (11:24)
187_Entendiendo los tipos de regularizacion (6:42)
188_Como hacer regularizacion en SkLearn (8:11)
189_Ejemplo de Regularizacion (8:12)
190_Que es la Hiperparametrizacion (9:28)
191_Como hacer una curva de validacion (6:17)
192_Curva de validacion_Ejemplo (7:43)
193_Como hacer Grid Search (3:34)
194_Grid Search_Ejemplo (4:36)
195_Random Search y Ejemplo (9:41)
196_Por que necesitamos guardar los modelos entrenados (8:36)
197_Los dos formatos para guardar y recuperar modelos (3:29)
198_Como guardar un modelo (3:05)
199_Como cargar un modelo (3:50)

CHECKPOINT II

📗 200_UAM_Introduccion (2:51)
201_UAM_Metodologia (5:10)
202_UAM_Ejemplo (10:20)
203_Ejercicio Checkpoint II (5:36)

LA CRUDA REALIDAD

📗 204_La cruda realidad_Introduccion (7:05)
205_Los 5 grandes problemas de la realidad (5:14)
206_Explicacion de los datos nunca estaran bien (11:55)
207_Explicacion de no conoceras los datos (4:18)
208_Explicacion de las variables no seran numericas y perfectas (2:21)
209_Explicacion de tendras cientos de variables (4:27)
210_Explicacion de el evento de interes tendra menos datos (3:51)

LOS DATOS NUNCA ESTARAN BIEN

📗 211_Calidad de datos vision general (13:37)
212_Nulos_Framework (8:58)
213_Nulos_Set up (2:55)
214_Nulos_Eliminar variables y registros (3:23)
215_Introduciendo los transformers (5:56)
216_Introduciendo Simple Imputer (4:37)
217_Nulos imputar por un valor OTROS (8:18)
218_Nulos imputar por un valor OTROS de forma masiva (8:25)
219_Nulos imputar por la moda (2:58)
220_Nulos imputar por la media o mediana (5:31)
221_Nulos imputar mediante modelos de ML (6:48)
222_Nulos Crear un Flag de nulo (10:52)
223_Atipicos_Framework (3:58)
224_Atipicos_SetUp (1:37)
225_Atipicos_Categorias Raras (9:52)
226_Atipicos_Continuas_Desviacion Tipica (12:03)
227_Atipicos_Continuas_Winsorizacion (6:42)
228_Atipicos_Continuas_Metodo de las colas (10:57)

NO CONOCERAS LOS DATOS

📗 229_EDA_Framework (5:30)
230_EDA_Setup (2:22)
231_EDA_Analisis Estadistico Categoricas (11:43)
232_EDA_Analisis Estadistico Numericas (2:47)
233_EDA_Analisis Grafico Categoricas (6:14)
234_EDA_Analisis Grafico Numericas (4:18)

LAS VARIABLES NO SERAN SIEMPRE NUMERICAS Y PERFECTAS

📗 235_Transformacion de variables_Contexto (4:54)
236_Transformacion de variables_Setup (3:30)
237_Transformacion de variables_OHE_Conceptos clave (14:02)
238_Transformacion de variables_OHE_PrincipalesParametros (8:33)
239_Transformacion de variables_OHE_Ejemplo (4:37)
240_Transformacion de variables_OHE_Que pasa si hay muchas categorias (4:19)
241_Transformacion de variables_OrdinalEncoding_Explicacion (5:00)
242_Transformacion de variables_OrdinalEncoding_Ejemplo (3:29)
243_Transformacion de variables_OrdinalEncoding_DudasFrecuentes (3:06)
244_Transformacion de variables_LabelEncoding (4:13)
245_Transformacion de variables_TargetEncoding (6:35)
246_Transformacion de variables_TargetEncoding_Ejemplo (6:50)
247_Transformacion de variables_Continuas_Estrategias (4:15)
248_Transformacion de variables_Continuas_Discretizacion I (9:26)
249_Transformacion de variables_Continuas_Discretizacion II (5:09)
250_Transformacion de variables_Continuas_Discretizacion III (3:49)
251_Transformacion de variables_Continuas_Discretizacion IV (5:01)
252_Transformacion de variables_Continuas_Binarizar (4:17)
253_Transformacion de variables_Continuas_Normalizacion Gauss I (5:24)
254_Transformacion de variables_Continuas_Normalizacion Gauss II (3:13)
255_Transformacion de variables_Continuas_Normalizacion Gauss III (5:44)
📗 256_Transformacion de variables_Fechas y Texto_Contexto (4:02)
257_Transformacion de variables_Fechas y Texto_Setup (4:00)
258_Transformacion de variables_Fechas_Tecnicas para generar variables (5:18)
259_Transformacion de variables_Fechas_Calcular diferencias temporales (6:35)
260_Transformacion de variables_Textos_Estrategias (7:18)
261_Transformacion de variables_Textos_CountVectorizer I (14:50)
📗 262_Transformacion de variables_Textos_CountVectorizer II (11:00)
263_Transformacion de variables_Textos_CountVectorizer III (4:32)
264_Transformacion de variables_Textos_TfidfVectorizer (15:43)
265_Transformacion de variables_Textos_Ejemplo (10:44)
266_Transformacion de variables_Reescalado_Contexto (8:58)
267_Transformacion de variables_Reescalado_DudasFrecuentes (6:00)
268_Transformacion de variables_Reescalado_TecnicasDisponibles (9:23)
269_Transformacion de variables_Reescalado_SetUp (5:01)
270_Transformacion de variables_Reescalado_MinMax_Concepto (7:00)
271_Transformacion de variables_Reescalado_MinMax_Ejemplo (3:29)
272_Transformacion de variables_Reescalado_Estandarizacion (7:35)
273_Transformacion de variables_Reescalado_EstandarizacionRobusta (4:36)
274_Transformacion de variables_Reescalado_EnMatricesSparce (10:34)
275_RepasoRapidoDeLasVariablesNoSeranSiempreNumericasPerfectas (4:54)

TENDRAS CIENTOS DE VARIABLES

📗 276_Preseleccion de variables_Lo que vamos a aprender (14:12)
277_Preseleccion de variables_SetUp (1:50)
278_Preseleccion de variables_Muestreo (5:48)
279_Preseleccion de variables_Supervisados_PorQueUsoEstosMetodos (9:18)
280_Preseleccion de variables_Supervisados_MutualInformation (10:04)
281_Preseleccion de variables_Supervisados_RFE_Explicacion (8:23)
282_Preseleccion de variablesSupervisados_RFE_Ejemplo (4:17)
283_Preseleccion de variables_Supervisados_PermutationImportance_Explicacion (5:03)
284_Preseleccion de variables_Supervisados_PermutationImportance_Ejemplo (5:40)
285_Preseleccion de variables_Supervisados_SuperRanking (4:59)
286_Preseleccion de variables_NoSupervisados_Correlacion (10:23)

HABRA MENOS INFORMACION DEL EVENTO QUE INTERESA

📗 287_Balanceo de clases_Estrategias (9:13)
288_Balanceo de clases_Setup (2:51)
289_Balanceo de clases_Modelizar sin balancear (6:42)
290_Balanceo de clases_Remuestreo_Introduccion (2:24)
291_Balanceo de clases_Remuestreo_UnderSampling (9:50)
292_Balanceo de clases_Remuestreo_OverSampling (3:24)
293_Balanceo de clases_Artificiales_Introduccion (3:51)
294_Balanceo de clases_Artificiales_TomekLinks (7:58)
295_Balanceo de clases_Artificiales_SMOTE (5:09)
296_Balanceo de clases_Artificiales_SMOTEtomek (5:18)
297_Balanceo de clases_PenalizacionPorPeso (8:51)
298_Validacion cruzada en datasets desbalanceados (6:44)
299_PRO Evaluando con Precision - Recall parte I (11:27)
300_PRO Evaluando con Precision - Recall parte II (11:41)

DESAFIOS DE MACHINE LEARNING EN LA EMPRESA

📗 301_Desafios de ML en la empresa_Lo que vamos a aprender (9:11)
302_Hay un objetivo de negocio parte I (7:54)
303_Hay un objetivo de negocio parte II (8:17)
304_Umbral de corte Set up (1:27)
305_Umbral de corte Explicacion (13:06)
305b_Umbral de corte Visión matemática
306_Umbral de corte Demostracion (5:20)
307_Umbral de corte Grafico Precision Recall (5:41)
308_Umbral de corte Grafico Umbrales de Corte (5:56)
309_Umbral de corte Ejercicio de Interiorizacion (1:27)
310_Hay que incluir la dimension economica (8:39)
311_Posiblemente la funcion mas potente de todo el programa (9:40)
312_La target puede no ser obvia (16:25)
313_Hay que integrar ML con los procesos de negocio (14:29)
314_Hay que generar un producto de datos (13:42)

MACHINE LEARNING PROJECT FRAMEWORK (PARTE I)

📗 315_Machine Learning Framework_Lo que vamos a aprender (15:31)
316_Machine Learning Framework_Metodologia Desarrollo (8:39)
317_Machine Learning Framework_Mindmap Global Tecnicas ML (7:24)
318_Machine Learning Framework_Plantillas (5:44)
319_Plantillas Explicacion Vision Global (6:48)
320_Taller plantilla 1 (28:51)
321_Taller plantilla 2 (21:21)
322_Taller plantilla 3 (7:59)

MACHINE LEARNING PROJECT FRAMEWORK (PARTE II)

📗 323_Previa a Taller plantilla 4 (16:12)
324_Otra plantilla de soporte (5:16)
325_Taller plantilla 4 (25:31)
326_Taller plantilla 5 (20:10)
327_Taller plantilla 6 (10:34)
328_Taller plantillas 7 8 y 9 (26:04)
329_Fase de Produccion_Introduccion y materiales (7:42)
330_Fase de Produccion_Preproduccion I (10:51)
331_Fase de Produccion_Preproduccion II (17:38)
332_Fase de Produccion_Preproduccion III (2:24)
333_Fase de Produccion_Preproduccion IV (7:09)
334_Pipelines I (4:25)
335_Pipelines II (8:49)
336_Pipelines III (8:35)
337_Pipelines IV (4:41)
338_Pipelines V (10:04)
339_Pipelines VI (4:50)
340_Pipelines VII (7:39)
341_Pipelines VIII (5:28)
342_Pipelines IX (3:25)
343_Pipelines X (6:24)
344_Pipelines XI (6:01)
345_Pipelines Conclusion (2:36)
346_Fase de Produccion_Preproduccion V (7:19)
347_Fase de Produccion_Preproduccion VI (14:09)
348_Fase de Produccion_Codigo de Reentrenamiento (12:23)
349_Fase de Produccion_Codigo de Ejecucion (5:49)

CASO ML 1: LEAD SCORING

📗 01_Introduccion al caso (15:08)
02_Setup del proyecto (18:00)
03_Calidad de datos (38:56)
04_Analisis Exploratorio (26:51)
05_Transformacion de datos Diseño (13:45)
06_Transformacion de datos Implementacion (15:45)
07_Segmentacion (42:12)
08_Preseleccion de variables (20:57)
09_Modelizacion (11:49)
10_Preproduccion Diseño (19:12)
11_Preproduccion Implementacion (25:16)
12_Codigo de Reentrenamiento (7:42)
13_Codigo de Ejecucion (6:19)

CASO ML 2: FORECASTING RETAIL (Parte I)

📗 01_Presentacion del caso (16:44)
02_Setup del proyecto (5:24)
03_Accendiendo a la bbdd e importando las tablas (7:14)
04_Entendiendo el diseño de la bbdd (11:02)
05_Uniendo Ventas con Calendario (5:49)
06_Incorporando la variable precio (3:17)
07_Terminando el setup (5:23)
08_Calidad de datos I (15:31)
09_Calidad de datos II (19:15)
10_EDA I (16:58)
11_Como solucionar el forecasting jerarquico (12:31)
12_Como solucionar la demanda intermitente (10:21)
13_Como solucionar la necesidad de modelizacion masiva (9:46)
14_EDA II (7:06)
15_Transformacion de datos Introduccion (3:10)
16_Transformacion de datos Variable Rotura de stock (7:43)
17_Transformacion de datos Variables de lags (7:27)
18_Transformacion de datos Ventanas moviles (4:13)
19_Transformacion de datos Limpieza y organizacion (4:48)
20_Transformacion de datos Diseño de las transformaciones (9:55)
21_Transformacion de datos Aplicacion de las transformaciones (2:31)
22_Preseleccion de variables Conceptos clave (9:07)
23_Preseleccion de variables Aplicacion (9:28)

CASO ML 2: FORECASTING RETAIL (Parte II)

24_Modelizacion Conceptos Clave (4:06)
25_Modelizacion Individual (20:49)
26_Modelizacion Masiva parte I (6:43)
27_Modelizacion Masiva parte II (8:36)
28_Modelizacion Masiva parte III (15:29)
29_Preproduccion Conceptos clave (5:27)
30_Preproduccion Refactorizar Calidad de datos (6:23)
31_Preproduccion Refactorizar Creacion de variables (5:41)
32_Preproduccion Refactorizar Transformacion de variables (11:02)
33_Preproduccion Refactorizar Preseleccion de variables (3:34)
34_Preproduccion Refactorizar Modelizacion Estructura global (4:04)
35_Preproduccion Refactorizar Modelizacion Funciones de entrenamiento (3:59)
36_Preproduccion Refactorizar Modelizacion Funciones de ejecucion parte I (10:21)
37_Preproduccion Refactorizar Modelizacion Funciones de ejecucion parte II (19:43)
38_Preproduccion Refactorizar Modelizacion Funciones de ejecucion parte III (14:25)
39_Preproduccion Proceso de Reentrenamiento (4:58)
40_Preproduccion Proceso de Evaluacion (7:22)
41_Preproduccion Proceso de Ejecucion (13:53)
42_Codigos de produccion (10:42)

CASO ML 3: SCORING DE RIESGOS

📗 01_Presentacion del caso (27:53)
02_Repaso de Materiales (5:17)
03_SetUp del proyecto Instalaciones (5:59)
04_SetUp del proyecto Datos (1:39)
05_Calidad de Datos I (11:02)
06_Calidad de Datos II (6:00)
07_Calidad de Datos III (8:02)
08_EDA I (9:36)
09_EDA II (13:26)
10_Transformacion de variables set up (2:44)
11_Transformacion de variables Creacion de las targets (14:13)
12_Transformacion de variables Transformaciones de Pandas (5:01)
13_Transformacion de variables Diseño de transformaciones (5:53)
14_Transformacion de variables Categoricas (8:10)
15_Transformacion de variables Numericas y Reescalado (2:10)
16_Transformacion de variables Integracion (2:57)
17_Modelizacion Conceptos Previos (15:35)
18_Modelizacion Modelo PD (11:25)
19_Modelizacion Modelo EAD (13:32)
20_Modelizacion Modelo LGD (6:36)
21_Preproduccion Conceptos clave (12:28)
22_Preproduccion Explicacion del codigo (12:38)
23_Script de Reentrenamiento (6:24)
24_Script de Ejecucion (7:34)
25_Streamlit Contexto (9:07)
26_Streamlit Conceptos Base (7:50)
27_Streamlit Crear un lanzar una aplicacion (7:04)
28_Streamlit Como incluir graficos (4:57)
29_Streamlit Como incluir elementos (11:42)
30_Streamlit Como cargar archivos (8:10)
31_Streamlit Reactividad y Caches (12:25)
32_Streamlit Como cargar modelos de ML (10:03)
33_Streamlit Como dar estructura a la aplicacion (10:43)
34_Streamlit Como dar apariencia profesional (5:34)
35_Streamlit Construyendo Risk Score Analyzer I (7:23)
36_Streamlit Construyendo Risk Score Analyzer II (10:03)
37_Streamlit Construyendo Risk Score Analyzer III (21:16)
📗 38_Streamlit Publicando la App I (9:42)
39_Streamlit Publicando la App II (5:55)
40_Streamlit Publicando la App III (3:17)
41_Streamlit Publicando la App IV (3:18)
42_Streamlit Publicando la App V (2:46)
43_Streamlit Publicando la App VI (5:00)

FIN DEL PROGRAMA Y DESPEDIDA

Fin del programa y despedida (9:41)

EXAMEN Y CERTIFICACION

Cómo hacer el examen y conseguir el certificado
Examen

Teach online with

24_Tipos de variables y de relaciones

Lesson content locked

If you're already enrolled, you'll need to login.

Enroll in Course to Unlock