Análisis de Datos con IA y Python en 10 Días. De 0 a Reporte
Limpia, transforma y analiza datos con IA en Python. Visualiza resultados y entrega informes profesionales en Excel/PDF
22
students
10.5 hours
content
Aug 2025
last update
$19.99
regular price
What you will learn
Aplicar Pandas para cargar datasets y explorar su estructura, identificando filas, columnas y tipos de datos relevantes.
Interpretar resúmenes estadísticos iniciales con .head(), .info() y .describe(), apoyándose en IA para obtener explicaciones rápidas.
Detectar y corregir errores estructurales en los datos, como duplicados, columnas mal nombradas y valores fuera de rango.
Identificar valores atípicos (outliers) mediante métodos estadísticos y visuales, evaluando si deben eliminarse, corregirse o conservarse.
Normalizar y limpiar columnas de texto usando funciones de Pandas (.str.strip(), .str.lower(), .replace()), asegurando consistencia en los datos.
Configurar la lectura robusta de archivos CSV con parámetros para manejar NA, codificación y formatos complejos.
Diseñar prompts para guiar a la IA en la creación de funciones de limpieza automatizadas, validando siempre los resultados como analista.
Detectar y tratar valores nulos con estrategias adecuadas, como eliminación, imputación o asistencia de IA, evaluando el impacto en las distribuciones.
Diferenciar entre duplicados exactos y lógicos, aplicando claves compuestas y normalización previa antes de deduplicar datos.
Aplicar técnicas avanzadas para manejar outliers (IQR, z-score, winsorización, capping) y documentar criterios de decisión.
Transformar tipos de datos y aplicar normalización numérica (Min–Max, Z-score) para preparar datasets para análisis y modelos sensibles a escala.
Crear nuevas columnas con lógica condicional para enriquecer el análisis con variables derivadas.
Agrupar y agregar datos por categorías con groupby().agg(...), generando KPIs y métricas relevantes para el negocio.
Calcular e interpretar medidas de tendencia central (media, mediana, moda), entendiendo su relación con outliers y asimetrías.
Analizar la dispersión de los datos mediante varianza, desviación estándar, rango e IQR, interpretando su impacto en la estabilidad de las variables.
Construir gráficos de barras y líneas con Seaborn, comparando categorías y detectando tendencias temporales con medias móviles.
Visualizar distribuciones de datos con histogramas y proporciones con gráficos de pastel, aplicando criterios de cuándo usarlos y cuándo evitarlos.
Agrupar por semanas/meses con resample() y Grouper; tendencias con medias móviles y estacionalidad básica.
Portafolio final: informe, notebook limpio y README reproducible.
KPIs en Excel: tablas dinámicas, segmentadores y gráficos vinculados.
Versionar notebooks y datos; empaquetar resultados reproducibles.
Diseñar visualizaciones efectivas: títulos, ejes, etiquetas y anotaciones.
Manejar fechas: parsing, zonas horarias y resampling por periodos.
Usar IA para explicar errores y generar tests de datos básicos.
Perfilado rápido del dataset con ydata-profiling para EDA inicial.
Validar calidad con reglas en Pandas: tipos, rangos y dominios válidos.
Optimizar rendimiento en Pandas con vectorización y evitando bucles.
Crear funciones reutilizables y notebooks claros con buen markdown.
Documentar criterios de limpieza y outliers para trazabilidad y auditoría.
Automatizar reportes PDF desde notebooks usando plantillas y parámetros.
Exportar a CSV/Excel con formatos, múltiples hojas y gráficos embebidos.
Reorganizar datos con pivot(), melt() y crosstab para pasar de ancho a largo.
Unir datasets con merge(), join() y concat(); resolver claves y cardinalidades.
Loading charts...
6707575
udemy ID
07/07/2025
course created date
25/08/2025
course indexed date
Bot
course submited by