Curso
Análisis exploratorio de datos en R
4 h
114.8K
Perfeccionamiento en IA para principiantes
Aprende los fundamentos de la IA y ChatGPT desde cero.
Por qué elegir proyectos de análisis de datos
Los proyectos de análisis de datos son peldaños cruciales para cualquiera que quiera destacar en el mundo actual, centrado en los datos. He aquí por qué son esenciales:
- Aplicación práctica de habilidades: Ofrecen experiencia práctica, tendiendo un puente entre los conocimientos teóricos y la práctica en el mundo real.
- Versatilidad del sector: El análisis de datos es vital en varios sectores. Trabajar en proyectos diversos amplía tu comprensión y adaptabilidad.
- Pensamiento crítico: Estos proyectos desarrollan tu capacidad para analizar cuestiones complejas, identificar patrones y crear soluciones basadas en datos.
- Competencia técnica: Participar en proyectos perfecciona tus habilidades en herramientas y lenguajes clave, convirtiéndote en un analista más competente y versátil.
- Comunicación eficaz: Te enseñan a traducir datos complejos en información comprensible y procesable, una habilidad muy valorada en cualquier entorno profesional.
- Promoción profesional: Completar proyectos mejora tu cartera, mostrando tus habilidades a posibles empleadores y ampliando tus oportunidades profesionales.
En esencia, los proyectos de análisis de datos no sólo agudizan tus habilidades técnicas, sino que también te preparan para los retos y exigencias del lugar de trabajo moderno.
Proyectos de análisis de datos para principiantes
Como principiante, debes centrarte en importar, limpiar, manipular y visualizar los datos.
- Importación de datos: aprende a importar los datos mediante SQL, Python, R o web scraping.
- Limpieza de datos: utiliza varias bibliotecas de Python y R para limpiar y procesar los datos.
- Manipulación de datos: utilización de diversas técnicas para dar forma al conjunto de datos para su análisis y visualización.
- Visualización de datos: muestra los datos mediante diagramas y gráficos.
Proyectos de importación y limpieza de datos
1. Explorar el mercado de Airbnb de Nueva York
En el proyecto Explorando el Mercado de Airbnb de Nueva York, aplicarás habilidades de importación y limpieza de datos para analizar el mercado de Airbnb en Nueva York. Ingerirás y combinarás los datos de varios tipos de archivos, y limpiarás cadenas y formatearás fechas para extraer información precisa.
Imagen del autor | Código del proyecto
El proyecto es perfecto para principiantes que quieran adquirir experiencia en la importación y limpieza de datos. Puedes aplicar métodos similares a este conjunto de datos de Venta de Entradas Online para mejorar aún más el tratamiento y procesamiento de los datos.
Aprende más sobre importación y limpieza de datos realizando cursos breves:
2. Frecuencia de palabras en novelas clásicas
En el proyecto «Frecuencia de palabras en novelas clásicas », utilizarás requests y BeautifulSoup para extraer una novela del sitio web del Proyecto Gutenberg. Tras raspar y limpiar los datos del texto, utilizarás PNL para encontrar las palabras más frecuentes en Moby Dick. El proyecto te introduce en el mundo del web scraping con Python y el procesamiento del lenguaje natural.
Imagen del autor | Código del proyecto
Para los analistas y científicos de datos, el raspado web es una habilidad esencial que hay que aprender. Puedes hacer un breve curso de Web Scraping con Python para comprender las herramientas y componentes de una página web HTML.
Domina hoy la PNL en Python
Aprende las habilidades de la PNL para convertir los datos en información valiosa.
3. Análisis de los resultados de las pruebas de las escuelas públicas de Nueva York
En el proyecto Exploración de las calificaciones de las pruebas de las escuelas públicas de Nueva York analizarás el rendimiento estandarizado en las pruebas SAT de las escuelas públicas de la ciudad de Nueva York. Limpiarás y resumirás columnas (matemáticas, lectura, escritura), compararás los resultados entre distritos, clasificarás las escuelas según las puntuaciones en matemáticas y destacarás las diez mejores escuelas de la ciudad. A lo largo del proceso, practicarás las habilidades básicas de un analista: corregir tipos, gestionar valores perdidos, calcular estadísticas de grupo y convertir datos brutos a nivel escolar en información clara y útil para la toma de decisiones.
Imagen del autor | Código del proyecto
Este proyecto es perfecto para principiantes que desean crear un análisis exploratorio de datos (EDA) realista y de estilo empresarial que incluya clasificación, evaluación comparativa y segmentación geográfica. Puedes utilizar la misma metodología para conjuntos de datos relacionados, como «Factores que impulsan el rendimiento de los estudiantes» o los datos abiertos de tu distrito local, para mejorar tu portafolio con análisis comparables y reproducibles.
Proyectos de manipulación de datos
4. Análisis de las ventas de piezas para motocicletas
En el proyecto Análisis de ventas de piezas de motocicleta, consultarás una base de datos de ventas de varios almacenes para descubrir patrones de ingresos a lo largo del tiempo, líneas de productos y ubicaciones. Calcularás los ingresos netos (teniendo en cuenta los descuentos y devoluciones, cuando corresponda), segmentarás por almacén y fecha, clasificarás las categorías de productos con mejor rendimiento y crearás comparativas para destacar el crecimiento frente al descenso.
Prepárate para aprender mucho SQL práctico: uniones, truncamiento de fechas, agregación condicional y funciones de ventana para convertir transacciones sin procesar en informes claros y listos para presentar a la dirección.
Imagen del autor | Código del proyecto
Este proyecto es perfecto para analistas que desean adquirir experiencia en SQL orientada a los negocios que refleje el trabajo real: Definiciones de KPI, resúmenes de ingresos, comparativas de almacenes y seguimiento del rendimiento basado en el tiempo que puedes incorporar a un panel de control o a un informe semanal de operaciones.
5. Explorando el mercado de criptomonedas Bitcoin
En el proyecto Explorando el mercado de criptomonedas Bitcoin, explorarás los datos de bitcoin y otras criptomonedas. Limpiarás el conjunto de datos descartando las criptomonedas sin capitalización bursátil, comparando Bitcoin con otras monedas y preparando los datos para su visualización.
del autor | Código del proyecto
Puedes aplicar métodos similares a los Datos B ursátiles y aprender a manipular los datos para su análisis. Además, puedes aprender transformación, agregación, troceado e indexación de datos siguiendo el curso Manipulación de Datos con pandas.
6. Visualización de la historia de los ganadores del Premio Nobel
En el proyecto «Visualizando la historia de los ganadores del Premio Nobel », examinarás más de un siglo de historia del Premio Nobel. Con Python, analizarás y visualizarás datos para descubrir patrones y posibles sesgos en la concesión de prestigiosos premios en categorías como física, química, literatura y paz.
Aplicarás técnicas de manipulación de datos con pandas y crearás visualizaciones atractivas con Seaborn para contar una historia con los datos. Este proyecto es perfecto para mejorar tus habilidades de análisis y visualización de datos mientras exploras uno de los galardones más famosos del mundo.
Proyectos de visualización de datos
7. Explorando las tendencias del mercado bursátil con Plotly
En el proyecto Explorar las tendencias del mercado de valores con Plotly, convertirás datos brutos sobre precios de gigantes de la comida rápida (por ejemplo, McDonald's, Starbucks) en gráficos interactivos que muestran el impulso y los patrones del sector. Crearás gráficos de velas y líneas, añadirás medias móviles y estadísticas dinámicas, compararás múltiples tickers y anotarás eventos clave, centrándote en la narración visual que destaca la volatilidad, la estacionalidad y el rendimiento relativo.
Este es un proyecto centrado en la visualización, perfecto si deseas un panel de control limpio y listo para tu portafolio que muestre información sobre el mercado a través de la interactividad (desplazamiento del cursor, zoom, controles deslizantes de rango) en lugar de modelos pesados.
8. Visualización de COVID-19
En el proyecto Visualizing COVID-19, visualizarás datos sobre la COVID-19 utilizando la biblioteca R más popular, ggplot. Analizarás casos confirmados en todo el mundo, compararás China con otros países, aprenderás a anotar el gráfico y añadirás una escala logarítmica. El proyecto te enseñará habilidades muy demandadas por los programadores de R.
Imagen del proyecto
Puedes aplicar los métodos ggplot a los Datos del Sarampión y adquirir más experiencia en la visualización y el análisis de datos. Además, puedes realizar el curso Visualización Intermedia de Datos con ggplot2 para aprender las mejores prácticas de visualización de datos.
9. Análisis de la audiencia y la publicidad de la Super Bowl
En el proyecto «Análisis de la audiencia y la publicidad de la Super Bowl », explorarás todo lo que hay detrás de la Super Bowl, desde los partidos y los anuncios hasta los espectáculos del descanso. Con R, manipularás y visualizarás datos para descubrir cómo interactúan estos elementos entre sí. Perfecto para desarrollar tus habilidades en el análisis de datos con herramientas como ggplot2 y dplyr.
Utilizar el código para mostrar una visualización de datos interactiva es fácil, pero comprender e interpretar los datos es difícil. Realiza el curso Comprender la Visualización de Datos para explicar la distribución de la visualización y aprender las mejores técnicas de visualización de datos para comunicar datos complejos.
Proyectos avanzados de análisis de datos
Para proyectos de análisis de datos más avanzados, necesitas dominio de las matemáticas, la probabilidad y la estadística. Además, realizarás análisis exploratorios de datos y predictivos para comprender los datos en detalle.
- Probabilidad y Estadística: realiza la media, la mediana, la desviación típica, los algoritmos de distribución de probabilidad y la correlación en los datos.
- Análisis Exploratorio de Datos: explora la distribución de los datos, comprende los distintos tipos de columnas y entiende las tendencias y patrones.
- Análisis predictivo: realiza regresiones, clasificaciones, agrupaciones y previsiones mediante algoritmos de aprendizaje automático.
Proyectos de Probabilidad y Estadística
10. Modelización de los resultados de las reclamaciones de seguros de automóviles
En el proyecto Modelización de los resultados de las reclamaciones de seguros de automóviles, utilizarás Python y la regresión logística para predecir las reclamaciones de seguros. Trabajando con datos de On the Road Car Insurance, identificarás las características clave que conducen a las predicciones más precisas. Este proyecto te ayudará a aplicar técnicas de machine learning a problemas empresariales reales del sector de los seguros.
11. Prueba de hipótesis con partidos de fútbol masculino y femenino
En el proyecto «Prueba de hipótesis con partidos de fútbol masculino y femenino», analizarás datos históricos del fútbol para comprobar si los partidos internacionales femeninos dan lugar a más goles que los masculinos. Con Python, perfeccionarás tus habilidades en pruebas estadísticas y descubrirás patrones en las tendencias globales del fútbol.
Si te interesa conocer las técnicas estadísticas más comunes, la probabilidad, la distribución de datos, la correlación y el diseño experimental, realiza el curso Introducción a la Estadística en Python.
Proyectos de Análisis Exploratorio de Datos (AED)
12. Analizar las estadísticas de la deuda internacional
En el proyecto Analizar las estadísticas de la deuda internacional, escribirás consultas SQL para explorar y analizar la deuda internacional utilizando el conjunto de datos del Banco Mundial. SQL es la herramienta más popular y esencial para realizar análisis de datos sobre la marcha.
En el proyecto, encontrarás la:
- Países distintos
- Distintos indicadores de deuda
- Importe total de la deuda de los países
- País con mayor deuda
- Importe medio de la deuda según los indicadores
- El mayor importe de las amortizaciones de capital
- El indicador de deuda más común
Imagen del autor | Código del proyecto
Conectarás el conjunto de datos World Nations MariaDB y aplicarás consultas similares para obtener experiencia adicional en el manejo y análisis de bases de datos SQL. Además, puedes realizar el curso Análisis Exploratorio de Datos en SQL para avanzar en técnicas y consultas en el manejo de diversas bases de datos SQL.
13. Análisis de la delincuencia en Los Ángeles
En el proyecto «Análisis de la delincuencia en Los Ángeles, actuarás como detective de datos para la policía de Los Ángeles, limpiando y segmentando datos de incidentes para saber cuándo y dónde es más probable que se produzcan delitos y qué tipos de delitos predominan. Podrás realizar segmentaciones por hora del día, día de la semana, barrio y categoría; calcular resúmenes de puntos de interés; y crear comparativas que se traducen directamente en información útil para la asignación de recursos.
Imagen del proyecto
Practicarás: limpieza de datos, agrupación y agregación, clasificación por intervalos de tiempo, normalización de tasas (per cápita o por intervalo de tiempo), clasificación de los N barrios/delitos principales y creación de tablas/gráficos interpretables para la toma de decisiones.
14. Investigando las películas de Netflix y las estrellas invitadas en The Office
En el proyecto Investigar las películas de Netflix y las estrellas invitadas en The Office, utilizarás la manipulación y visualización de datos para resolver un problema de ciencia de datos del mundo real. Realizarás profundos análisis exploratorios de datos y sacarás conclusiones a partir de gráficos detallados.
Imagen del proyecto
Puedes trabajar en un proyecto de cartera aplicando habilidades similares a un nuevo conjunto de datos: Netflix Movie Data. Además, puedes cursar Análisis Exploratorio de Datos en Python para aprender más sobre limpieza y validación de datos, comprender la relación y distribución, y explorar relaciones multivariantes.
Proyectos de análisis predictivo
15. Predecir las ventas futuras de los productos del menú de comida rápida
En el proyecto «Predicción de ventas futuras de productos de comida rápida, ayudarás a una cadena de comida rápida a reducir el gasto excesivo y los pedidos apresurados mediante la creación de un modelo de predicción de ventas para los productos más vendidos del menú. Definirás el problema empresarial, diseñarás funciones de calendario/promocionales, crearás divisiones basadas en el tiempo, ajustarás y compararás modelos de regresión en R, y cuantificarás el impacto con RMSE/MAE, convirtiendo los datos históricos de los puntos de venta en planes de pedidos más precisos y rentables.
Imagen del proyecto
Practicarás la ingeniería de características, incluyendo días de la semana, días festivos y promociones; divisiones de entrenamiento/prueba a prueba de fugas; modelos de referencia frente a modelos ajustados; validación cruzada; informes RMSE/MAE; backtesting simple; y conversión de los resultados del modelo en recomendaciones de pedidos.
16. ¿Comprará este cliente tu producto?
En el proyecto «¿Comprará este cliente tu producto?», analizarás el comportamiento de compra de los clientes utilizando técnicas estadísticas y probabilísticas. Con Python, descubrirás información valiosa sobre las diferencias entre los clientes nuevos y los que regresan, lo que ayudará a los equipos de marketing a comprender mejor la interacción en las plataformas de comercio electrónico.
17. Predecir la aprobación de tarjetas de crédito
En el proyecto Predicción de aprobaciones de tarjetas de crédito, construirás el modelo de aprendizaje automático de mejor rendimiento para predecir las aprobaciones de solicitudes de tarjetas de crédito.
En primer lugar, comprenderás los datos e imputarás los valores perdidos. Después, preprocesarás los datos y entrenarás un modelo de regresión logística en el conjunto de entrenamiento. Al final, evaluarás los resultados y mejorarás el rendimiento del modelo utilizando la búsqueda en Cuadrícula.
Imagen del autor | Código del proyecto
Aplicar algoritmos sencillos de aprendizaje automático es una parte esencial de la vida de un analista de datos. Puedes adquirir más experiencia aplicando métodos similares a un nuevo conjunto de datos: Marketing bancario.
Aprende más sobre clasificación, regresión, ajuste fino y preprocesamiento realizando un breve curso de Aprendizaje Supervisado con scikit-learn.
Conviértete en un Científico ML
Domina las habilidades de Python para convertirte en un científico del aprendizaje automático
Proyectos de análisis de datos para estudiantes de último curso
Los proyectos de fin de carrera de los estudiantes suelen basarse en la investigación y su realización requiere al menos 2-3 meses. Trabajarás sobre un tema concreto e intentarás mejorar los resultados utilizando diversas técnicas estadísticas y probabilísticas.
Nota: Existe una tendencia creciente a realizar proyectos de machine learning para los proyectos finales de análisis de datos.
18. Explorando la red de transporte de Londres
En la proyecto «Exploring London’s Travel Network», consultarás un almacén (Snowflake/Redshift/BigQuery/Databricks) con 12 años de viajes de TfL (2010-2022) para comprender cómo se desplazan los londinenses. Clasificarás los medios de transporte más populares, señalarás los periodos en los que el teleférico de Londres estuvo inusualmente concurrido e identificarás los raros momentos en los que el metro estuvo más tranquilo de lo normal, convirtiendo los datos brutos de los viajes en información operativa para la programación y la planificación de la capacidad.
Imagen del proyecto
Practicarás el agrupamiento por periodos (mes/año), funciones de ventana y agregadas, agregación condicional por modo/línea, detección de anomalías (periodos inusualmente ocupados o tranquilos), comprobación de la estacionalidad (eventos/días festivos) y creación de tablas de KPI ordenadas para las operaciones de transporte.
19. Reducir la mortalidad por tráfico en EEUU
En el proyecto Reducir la mortalidad por accidentes de tráfico en EEUU encontrarás una buena estrategia para reducir las muertes relacionadas con el tráfico en EEUU. Importarás, limpiarás, manipularás y visualizarás los datos. Además, realizarás ingeniería de características y aplicarás diversos modelos de aprendizaje automático (regresión lineal multivariante, agrupación KMeans) para llegar a resultados majestuosos y comunicarlos.
Imagen del proyecto
Si quieres aprender más sobre el aprendizaje no supervisado, consulta el curso Análisis de conglomerados en Python.
20. Evaluación de la eficacia de los tratamientos médicos
En el proyecto «Evaluación de la eficacia de los tratamientos médicos », explorarás el fascinante caso de la paradoja de Simpson en un estudio sobre el tratamiento de los cálculos renales. Con R, aplicarás análisis de regresión para descubrir información oculta y comprender mejor cómo varían los resultados entre los distintos grupos de pacientes.
21. Creación de un modelo de previsión de la demanda
En el proyecto «Creación de un modelo de previsión de la demanda», predecirás la demanda de productos de comercio electrónico con PySpark, respondiendo a preguntas reales sobre la cadena de suministro, como la planificación de existencias y la frecuencia de reposición. Diseñarás características temporales (día de la semana, estacionalidad, días festivos), crearás divisiones de validación sensibles al tiempo, entrenarás y compararás las bases de referencia de las previsiones con respecto a Modelos de aprendizaje automático a gran escala y pruebas retrospectivas continuas para cuantificar la estabilidad, convirtiendo el historial de pedidos en planes de compra viables.
Imagen del proyecto
Practicarás ingeniería de características a gran escala, operaciones de unión/ventana de Spark, validación a prueba de fugas, modelos de referencia frente a modelos ajustados, análisis de errores RMSE/MAE, backtests continuos/bloqueados y análisis de escenarios, incluyendo promociones y estacionalidad.
22. Redes sociales: Análisis de la red Twitter
En las redes sociales de : Un proyecto de análisis de redes de Twitter, en el que analizarás datos de seguidores con pandas y NetworkX para descubrir personas influyentes, puentes y estructuras comunitarias. Crearás funciones reutilizables para cargar/limpiar listas de bordes, construir gráficos, calcular métricas de centralidad (grado, intermediación, vector propio), detectar comunidades, inspeccionar redes ego y visualizar la topología de la red, convirtiendo las conexiones sin procesar en información clara y útil.
Practicarás la construcción de gráficos a partir de datos de seguidores, la limpieza de datos con Pandas, la detección de centralidad y comunidades, la clasificación de cuentas influyentes, la exploración de redes ego y la creación de visualizaciones de redes legibles con conclusiones claras.
23. Análisis de la población mundial
El proyecto de Análisis de la Población Mundial es el mejor ejemplo de realización de análisis exploratorios en profundidad. Explorarás varias columnas, visualizarás los países menos y más poblados, y explorarás la densidad de población y la tasa de crecimiento. Además, mostrarás la distribución de rangos por países y el mapa de correlación.
Imagen del proyecto
Aprende formas sencillas de trazar visualizaciones de datos en Python completando el curso Visualización Intermedia de Datos con Seaborn.
24. Panorama de la ciencia de datos y los MLOps en la industria
El proyecto Data Science and MLOps Landscape in Industry es un santo grial para todas las manipulaciones de datos, visualizaciones y análisis exploratorios y geoespaciales. Aprenderás a utilizar eficazmente gráficos de caja, gráficos de rosquilla, gráficos de barras, mapas térmicos, gráficos categóricos paralelos, gráficos de burbujas, gráficos de embudo, gráficos de radar, gráficos de carámbano y mapas. Además, aprenderás a interpretar diversos tipos de gráficos.
Imagen del proyecto
Realiza el curso Introducción a la Visualización de Datos con Plotly en Python para conocer las funciones avanzadas de Plotly y su personalización.
Proyectos integrales de análisis de datos
Los proyectos integrales son estupendos para tu currículum y para comprender el ciclo de vida de los proyectos de análisis de datos.
En general, lo serás:
- Tratar con múltiples conjuntos de datos
- Comprender la distribución de los datos
- Aplicar la limpieza y manipulación de datos
- Aplicación de técnicas probabilísticas y estáticas
- Realización de análisis y visualización de datos
- Utilizar el modelo de aprendizaje automático para el análisis predictivo
- Crear el informe o cuadro de mando
25. Análisis de las empresas unicornio
En el proyecto «Análisis de empresas unicornio», utilizarás SQL para explorar empresas unicornio valoradas en más de 1000 millones de dólares. Analizarás qué sectores tienen las valoraciones más altas e identificarás tendencias emergentes, como el crecimiento anual de nuevas empresas unicornio entre 2019 y 2021.
26. Supervisión de un modelo de detección de fraude financiero
En el proyecto «Supervisión de un modelo de detección de fraude financiero », asumirás el papel de científico de datos tras la implementación para un importante banco del Reino Unido. Con Python, supervisarás el rendimiento de un modelo de detección de fraudes e investigarás por qué puede que no esté funcionando como se esperaba, garantizando la seguridad de las finanzas de los clientes.
27. Un proyecto integral sobre análisis y previsión de series temporales con Python
En el proyecto Análisis de Series Temporales y Previsión, profundizarás en el análisis de las tendencias, aplicarás el modelo ARIMA para la previsión, compararás los resultados y los visualizarás para comprender las ventas tanto de muebles como de material de oficina.
Los proyectos de análisis y previsión de series temporales tienen una gran demanda en los sectores financieros, y te ayudarán a conseguir un trabajo bien pagado. Lo único que tienes que hacer es interpretar las distintas tendencias y prever las cifras con precisión.
Imagen del proyecto
Si te cuesta analizar y hacer previsiones, prueba a completar el curso Modelos ARIMA en Python para aprender sobre los modelos ARMA, el ajuste del futuro, la selección de los mejores modelos y el entrenamiento de los modelos ARIMA estacionales.
28. Construye un sistema de recomendación multiobjetivo
El objetivo del proyecto Construir un sistema de recomendación multiobjetivo es predecir los clics, las incorporaciones al carrito y los pedidos del comercio electrónico. En resumen, crearás un sistema de recomendación multiobjetivo basado en eventos anteriores de una sesión de usuario.
Al finalizar el proyecto, dominarás:
- Manipulación y análisis de datos
- Comprender las sesiones y eventos
- Visualización de datos e informes
- Tratamiento de datos de series temporales
- Analizar datos de series temporales para explorar el comportamiento de los usuarios
- Predecir los principales clics, carritos y pedidos
Imagen del proyecto
Apoya el crecimiento de tu equipo con DataCamp for Business
Si bien los proyectos individuales son esenciales para el desarrollo de las habilidades personales, las organizaciones también deben asegurarse de que sus equipos estén bien equipados para manejar las complejidades del análisis de datos. DataCamp for Business ofrece soluciones personalizadas que ayudan a las empresas a mejorar las habilidades de sus empleados en ciencia de datos, análisis y machine learning. Con acceso a una amplia biblioteca de cursos interactivos, programas de aprendizaje personalizados y proyectos del mundo real, los equipos pueden mejorar sus habilidades en ingestión, limpieza, manipulación, visualización y análisis predictivo de datos, todas ellas áreas clave destacadas en este blog.
Tanto si eres una pequeña empresa emergente como una gran empresa, DataCamp for Business te proporciona las herramientas necesarias para mejorar tus habilidades, reciclarte y crear una cultura basada en los datos que te permita seguir siendo competitivo en el mercado actual . Puedes solicitar una demostración hoy mismo para obtener más información.
Conclusión
Después de aprender las habilidades esenciales, tienes que construir una sólida cartera para mostrar tus conocimientos. Además, aprenderás nuevas herramientas, funciones y conceptos beneficiosos para tu vida profesional.
En este post, hemos aprendido sobre proyectos para principiantes, proyectos avanzados, proyectos para estudiantes de último curso y proyectos de análisis de datos de principio a fin. Además, hemos abordado proyectos sobre ingestión y limpieza de datos, probabilidad y estadística, manipulación y visualización de datos, y datos exploratorios y análisis predictivo.
¿Y ahora qué? Tras realizar al menos 12 proyectos, intenta obtener la certificación de Analista de Datos Profesional. Aumentará tus probabilidades de que te contraten. También puedes consultar nuestro post sobre cómo convertirse en analista de datos para obtener más consejos profesionales.
Conviértete en un Científico ML
Mejora tus conocimientos de Python para convertirte en un científico del aprendizaje automático.
Temas
