|
所在平台: Coursera |
课程主页: https://www.coursera.org/learn/integracion-y-preparacion-de-datos
课程评论：没有评论
课程名称：数据集成与准备 课程概述：在当今高需求的工作岗位中，能够有效管理数据以生成对组织有用的知识变得越来越重要。本课程为学生提供了一种数据驱动项目（特别是数据科学项目）的开发方法论。课程重点介绍了探索、转换以及集成结构化和非结构化数据源的过程，以提升后续分析结果的效率和质量，特别是基于分析模型的结果。学生将通过各种教程获得接近实际情况的示例，以更好地理解课程中所开发的概念，并通过每个教程提出的扩展点实践所学。课程还提供视频、插图阅读材料和进一步阅读的建议，帮助学生加深对感兴趣主题的理解。我们相信这将帮助学生巩固所学知识，并将其付诸实践。 课程大纲： 1. 数据探索与可视化 - 描述：欢迎来到课程的第一个模块。在这个模块中，我们将研究数据驱动项目的实施方法，特别是数据科学。同时，我们将深入数据理解阶段，探讨数据分析和可视化相关的概念。此外，我们将介绍项目案例，并提供不同领域的一系列视频，帮助您达成模块目标并享受学习过程。 2. 数据准备以提高数据质量 - 描述：欢迎来到课程的第二个模块，专注于如何准备数据以提升其质量。在此模块中，您将有机会了解数据质量的概念，描述数据源中常见的数据质量维度，并通过视频、教程和活动深入理解这些主题，解决与数据质量相关的问题。 3. 数据集成 - 描述：在本模块中，我们将重点关注数据的集成。我们将讨论如何将两个或多个信息源结合起来，以产生无法通过碎片化信息获得的分析和结论。了解数据集成的重要性，因为集成信息为我们的数据科学项目提供了价值。本模块内容包括不同的信息源连接方法，如连接、合并和联合。同时，我们还将介绍Pandas中的查找和条件信息过滤概念。您将通过模块活动和提议的练习应用所学知识。 4. 转换数据以构建分析模型 - 描述：欢迎来到课程的最后一个模块。在本模块中，您将学习如何转换数据，使其形成一个便于在训练预测模型时使用的数据集。您将能够采用技术，如归一化、合并属性生成新变量、降维和文本转换，对属性进行选择和转换。同时，您将通过使用Python的实践练习和教程来巩固学习。
Name:Exploración y visualización de datos
Description:Bienvenido al primer módulo del curso. En este módulo trabajaremos sobre la metodología para realizar proyectos centrados en datos, en especial de ciencia de datos. Adicionalmente, profundizaremos en la etapa de entendimiento de los datos, para lo cual comprenderemos temas relacionados con perfilamiento, exploración de datos y visualización de los mismos. De igual manera, introduciremos el caso del proyecto y tendremos una serie de videos en diferentes sectores que espero te ayuden a lograr los objetivos del módulo y disfrutarlo.
Name:Preparar datos para mejorar la calidad de los datos
Description:Bienvenido al segundo módulo del curso, centrado en la forma de preparar datos para mejorar su calidad. En este módulo tendrás la oportunidad de entender qué es calidad de datos, describiremos algunas de las dimensiones de calidad más frecuentes en fuentes de datos y las acompañaremos de videos, tutoriales y actividades que te permitirán comprender estas temáticas, entender los problemas que se generan en los datos relacionados con las dimensiones de calidad y, algunas formas de solucionarlos.
Name:La Integración de Datos
Description:Hola, en este módulo nos centraremos en la integración de datos. Con ello en mente, nos enfocaremos en las diferentes formas de unir dos o más fuentes de información con el fin de generar análisis y conclusiones que no habríamos podido obtener con información fragmentada. Allí recae el punto de importancia de aprender a integrar datos, pues la información integrada representa un valor para nuestros proyectos de Ciencias de Datos. Es por ello que en este módulo vamos a ver qué hay diferentes formas de unir diferentes fuentes de información, como lo son los joins, union y merge. Además, veremos los conceptos de lookup y de filtrado condicional de información en Pandas. Podrás aplicar todo lo aprendido en las actividades del módulo y en los ejercicios propuestos. ¡Espero te guste!
Name:Transformar datos para construir modelos analíticos
Description:Bienvenido al cuarto y último modulo del curso. En este módulo veras como transformar datos, con el fin de tener un conjunto de datos que podamos trabajar fácilmente al momento de entrenar nuestros modelos de predicción. Vas a poder seleccionar y transformar atributos mediante técnicas como la normalización, la combinación de atributos para generar nuevas variables, la reducción de dimensionalidad y la transformación de texto. Tendrás la oportunidad de reforzar tu aprendizaje mediante ejercicios prácticos y tutoriales utilizando Python.
El manejo de datos que permita generar conocimiento útil para una organización es cada vez más importante en los trabajos de alta demanda al día de hoy. Es así como este curso presenta al estudiante una metodología para el desarrollo de proyectos basados en datos, en especial de ciencia de datos. Hace énfasis en los procesos de exploración, transformación, integración de fuentes de datos estructuradas y no estructuradas con el fin de mejorar la eficiencia y calidad en los resultados de análisis posteriores como los basados en modelos analíticos. El estudiante tendrá a su disposición diferentes tutoriales con ejemplos en contextos cercanos a la realidad para comprender mejor los conceptos desarrollados en el curso y practicar su aprendizaje con el punto de extensión propuesto en cada tutorial. De igual manera, contará con videos, lecturas ilustradas y sugerencias de lecturas para profundizar en los temas de interés. Consideramos que esto le permitirá al estudiante afianzar sus conocimientos llevando a la práctica lo aprendido.
