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 prรกcticos (18:23)
-
Lecciones y materiales
-
IMPORTANTE: Entrega de las lecciones
-
๐ La estructura de directorios (10:16)
-
Como adaptar las rutas de los notebooks (10:13)
-
IMPORTANTE: Resoluciรณn de dudas
-
Presentacion Bloque Foundations (16:11)
-
Tu primera semana
EL ENTORNO DE DATA SCIENCE
CONDA CRASH COURSE
-
๐ 00_Queฬ vamos a aprender en este moฬdulo (3:41)
-
01_Queฬ es Conda (6:31)
-
02_Coฬmo gestionar un entorno (16:07)
-
03_Coฬmo exportar e importar entornos (6:52)
-
04_Coฬmo gestionar paquetes con Conda (4:28)
-
05_Coฬmo gestionar canales con Conda (8:52)
-
06_Resumen, como empezar el trabajo de una sesioฬn y uso de la Cheatsheet (12:31)
JUPYTER DOMINATION
-
๐ 00_Queฬ vamos a aprender en este moฬdulo (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 uฬltimo 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
-
๐ 00_Presentacion del Curso Acelerado de Python (6:47)
-
01_Operadores (13:47)
-
02_Asignaciones e impresioฬn dinaฬmica (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 - INDEXACIรN 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 Proฬximos pasos (8:38)
CURSO PUENTE - INTENSIVO DE PYTHON - TALLER DE EJERCICIOS DE PYTHON
CURSO PUENTE - INTENSIVO DE NUMPY Y ALGEBRA
-
๐ 00_Presentacion del moฬdulo (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
-
๐ 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
-
๐ 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 tamanฬo 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
-
๐ 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)
-
๐ 56_Taller de ejercicios de estadistica (50:21)
PANDAS FOUNDATIONS I - ESTRUCTURAS DE DATOS
-
๐ Manual del bloque Foundations Volumen II
-
๐ 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
-
๐ 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
-
๐ 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
-
๐ 49_Lo que vamos a aprender sobre el diagnoฬstico 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
-
๐ 59_Taller de ejercicios de diagnostico de calidad de datos (16:28)
PANDAS FOUNDATIONS V - CALIDAD DE DATOS - CORRECCION
-
๐ 60_Lo que vamos a aprender sobre la correccioฬn 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
-
๐ 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
-
๐ 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 tamanฬo 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 tamanฬo 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
-
๐ 111_Lo que vamos a aprender en este moฬdulo (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
INTRODUCCIรN AL BLOQUE DE BUSINESS ANALYTICS
CREACION DE VARIABLES DE NEGOCIO
-
๐ 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)
-
๐ 26_Taller de ejercicios de creacion de variables de negocio (53:34)
ESTRUCTURAS DE DATOS PARA BUSINESS ANALYTICS
-
๐ Manual del Bloque Business Analytics Volumen I
-
๐ 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
-
๐ 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)
-
๐ 64_Taller de ejercicios Parte I (39:53)
-
65_Taller de ejercicios Parte II (29:33)
FECHAS Y SERIES TEMPORALES
-
๐ Manual del Bloque Business Analytics Volumen II
-
๐ 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)
-
๐ 88_Taller de ejercicios de fechas y series temporales (40:51)
VISUALIZACION CON SEABORN
-
๐ 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 tamanฬo y graficos multiples (3:18)
-
103_Personalizar titulos y orden del grafico (4:15)
-
104_Personalizar el tamanฬo 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)
METODOLOGรA Y PROYECTOS DE DISCOVERY
-
๐ 110_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)
-
๐ 124_Como hacer un Business Case II (23:09)
-
๐ 125_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)
-
๐ 127_Como vamos a trabajar en los casos (9:28)
-
๐ 128_Disenฬo del proyecto (18:28)
-
๐ 129_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)
-
๐ 135_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)
-
๐ 155_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)
-
๐ 162_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)
-
๐ 173_Comunicando mediante un informe ejecutivo I (8:56)
-
174_Comunicando mediante un informe ejecutivo II (8:22)
-
๐ 175_Repaso de todo lo aprendido en el Caso I (2:45)
CASO 2 BA: DETECCION DE INEFICIENCIAS EN PLANTA SOLAR (PARTE I)
-
๐ 176_Introduccion al caso 2 (4:19)
-
๐ 177_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)
-
๐ 181_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 generacioฬn (3:59)
-
191_Controles de coherencia en generacioฬn (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)
-
๐ 195_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)
-
๐ 204_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)
-
๐ 225_BONUS: Cรณmo hacer presentaciones de power point profesionales (24:44)
CASO 3 BA: OPTIMIZACION ECOMMERCE (PARTE I)
-
๐ 226_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)
-
๐ 231_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)
-
๐ 242_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 pequenฬo 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)
-
๐ 259_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)
-
๐ 277_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)
-
๐ 285_Creando el Business Case (13:11)
REPASO Y FIN DE BUSINESS ANALYTICS
BLOQUE DE MACHINE LEARNING
PRINCIPIOS DE MACHINE LEARNING
SCIKIT LEARN Y NUESTRO PRIMER MODELO
-
๐ 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
-
๐ 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
SESGO, VARIANZA Y SOBRE AJUSTE
DIVISION TRAIN Y TEST
VALIDACION CRUZADA
-
๐ 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
-
๐ 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
REGRESION LINEAL MULTIPLE
-
๐ 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
-
๐ 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
NAIVE BAYES
-
๐ 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
-
๐ 103_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
-
๐ 117_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
-
๐ 125_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
-
๐ 138_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
-
๐ 147_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
-
๐ 158_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: Visualizaciรณn Geomรฉtrica de los algoritmos
-
๐ 175_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)
TECNICAS AVANZADAS DE MACHINE LEARNING
-
๐ Manual del Bloque Machine Learning Volumen II
-
๐ 184_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
LA CRUDA REALIDAD
-
๐ 204_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
-
๐ 211_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
LAS VARIABLES NO SERAN SIEMPRE NUMERICAS Y PERFECTAS
-
๐ 235_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)
-
๐ 256_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)
-
๐ 262_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
-
๐ 276_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
-
๐ 287_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
-
๐ 301_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 Visiรณn matemรกtica
-
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)
-
๐ 315_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)
-
๐ 323_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
-
๐ 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 Diseรฑo (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 Diseรฑo (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)
-
๐ 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 diseรฑo 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 Diseรฑo 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
-
๐ 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 Diseรฑo 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)
-
๐ 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
EXAMEN Y CERTIFICACION
