17 de agosto de 2024
18 de enero de 2025
200 hrs.
17DAP65221
Secretaría de Educación del Estado de Morelos (SEEM)
Clases online: sábados de 9:00 am a 11:00 am
Todas las clase se van grabando y se comparten a través de la plataforma educativa, para su retroalimentación
el Estudiante deberá cubrir el 80% en asistencia.
A cada estudiante se asigna un usuario y contrasñea para la obtención de material de estudio y retroalimentación.
- Conocimientos básicos del uso de la computadora
- Sistema operativo Windows (Preferentemente)
Una vez que hayamos recibido su solicitud de inscripción le mandaremos los costos de acuerdo al calendario de costos, los datos bancarios, y le estaremos solicitando la siguiente documentación para abrir su expediente:
- Copia de credencial de elector o identificación oficial
- CURP actualizada
- Copia de cédula profesional de licenciatura, Maestría o Doctorado o Copia de Titulo en su caso (Mínimo Nivel Licenciatura)
*Nota: Una vez comience el diplomado también deberá enviar 3 fotografías tamaño diploma, con las especificaciones que se le indicarán por la Administración de Colegio Científico de Datos.
- Licenciados en general,
- Ingenieros en general,
- Maestros,
- Doctores e Investigador
Profundizar en contenidos fundamentales del lenguaje de programación Python para alcanzar un nivel profesional en el desarrollo web, almacenamiento de datos, interfaz gráfica, procesamiento de datos e interpretación de resultados para innovar en proyectos de investigación.
Por su versatilidad, facilidad de aprendizaje, demanda en el mercado laboral y amplia comunidad de apoyo.
Si desea inscribirse puede hacerlo a través de nuestro formulario de registro
Una vez que tengamos la información, nos pondremos en contacto con usted.
Descuento especiales
Si ya cuenta con su membresía COCID, uno de los beneficios que tendrá, es que toda la formación que se imparte tendrá un 20% de descuento.
Si desea adquirir la membresía o conocer más sobre los beneficios que obtendrá, puede dar click sobre la imagen.
Precio de Diplomado
Costo de inscripción $1,000.00 MXN*
Modalidad Online
Con Membresía del 20% de descuento $12,000.00 MXN
Sin membresía $15,000.00 MXN
Métodos de pago:
- Tarjeta de débito,
- Crédito
- Meses sin intereres
- Pago en Oxxo a través de nuestra plataforma de pago.
- Sin embresía
- Nacional $1,000.00 MX
- Internacional $1,500.00 MXN
- Con membresía
- Nacional $750.00 MXN
- Internacional $1,125.00 MXN
BBVA
PROMOTORA DE FORMACIÓN ASML, S.C.
Cuenta: 0113456544
Clave interbancaria: 012542001134565445
Pagos en línea
Temario
MÓDULO I. Fundamentos y estructura del lenguaje Python.
Tema 1. Introducción.
1.1. Lenguaje de Programación Python.
1.2. Áreas de aplicación de Python.
1.3. Python 2 vs Python 3.
1.4. Instalación Python y Configuración.
1.5. Ejecución de Programa de Python.
1.6. Python con Visual Studio Code.
1.7. Python con Júpiter.
1.8. Estructura principal del Lenguaje.
Tema 2. Pip.
2.1. PyPI Package Manager.
2.2. To list all packages installed using `pip`.
2.3. Upgrade Packages.
2.4. Uninstall Packages.
2.5. Updating all outdated packages on Linux.
2.6. Updating all outdated packages on Windows.
2.7. Create a requirements.txt file of all packages on the system.
2.8. Instalar con wheel (Paquetes externos).
Tema 3. Módulo, paquetes y namespaces.
Tema 4. Sintaxis y Fundamentos del lenguaje.
4.1. Funciones.
4.2. Funciones lambda.
4.3. Clases y Objetos.
4.4. Sangrías.
4.5. Comentarios y Documentación.
Tema 5. Variables y Tipo de Datos.
5.1. Funciones.
5.2. Funciones lambda.
5.3. Clases y Objetos.
5.4. Sangrías.
5.5. Comentarios y Documentación.
Tema 6. Operaciones matemáticas.
6.1. Funciones.
6.2. Funciones lambda.
6.3. Clases y Objetos.
6.4. Sangrías.
6.5. Comentarios y Documentación.
Tema 7. Comprensiones y generaciones.
7.1. Listar Comprehensiones.
7.2. Herramientas Funcionales.
7.3. Funciones y expresiones del generador.
Tema 8. Colecciones.
8.1. Listas.
8.2. Tuplas.
8.3. Diccionarios.
8.4. Conjuntos.
8.5. Linked lists.
8.6. Linked List Node.
8.7. Heapd.
8.8. Array.
Tema 9. Bucles y Condicionales.
9.1. Bucle For loops.
9.2. Bucle While, Break and Continue in Loops.
9.3. Iterating over lists.
9.4. Loops with an «else» clause.
9.5. The Pass Statement.
9.6. Iterating over dictionaries.
9.7. The «half loop» do-while.
9.8. Looping and Unpacking.
9.9. Iterating different portion of a list with dierent step size.
9.10. While Loop.
9.11. Condicional if .. else.
Tema 10. Operación Booleana.
10.1. And.
10.2. Or.
10.3. Not.
10.4. Short-circuit evaluation.
Tema 11. Alcance de Variables.
11.1. Variable.
11.2. Variable Globales.
11.3. Variable Locales.
11.4. Alcance Adjunto ( Enclosing scope).
11.5. Alcance Incorporado (Built-in scope).
11.6. LEGB.
11.7. PEP8.
11.8. Palabras Claves Globales.
11.9. Palabra clave no local.
MÓDULO II. Bases de POO y Almacenamiento de Datos
Tema 1. Introducción.
1.1.Elementos del modelo de objetos: clases, objetos, abstracción, modularidad, encapsulamiento, herencia y polimorfismo.
1.2.Lenguaje de modelado unificado: diagrama de clases.
Tema 2. Clases y Objetos.
2.1. Método __init__.
2.2. Parámetro self.
2.3. Atributos.
2.3.1. Clase.
2.3.2. Instancia.
2.4. Métodos.
2.4.1. Instancia.
2.4.2. Mágicos.
2.5. Encapsulamiento.
2.6. Instanciación de clase.
2.7. Referencia de objeto.
2.8. Protección de atributos y métodos.
Tema 3. Herencia.
3.1. Definición clase base y clase derivada.
3.2. Herencia simple.
3.3. Herencia múltiple.
Tema 4. Polimorfismo.
4.1. Clases abstractas.
4.2. Interfaces.
4.3. Variables polimórficas.
4.4. Reutilización de código.
Tema 5. Errores y Excepciones.
5.1. Errores de sintaxis.
5.2. Manejo de excepciones.
Tema 6. Clases asociación y agregación.
6.1. Agregación.
6.2. Asociación.
6.3. Inheritance.
Tema 7. Flujos y archivos.
7.1. Módulos os y sys.
7.2. Objetos File.
7.2.1. Apertura.
7.2.2. Lectura.
7.2.3. Escritura.
7.2.4. Posición.
Tema 8. Manejo de bases de datos en Python
Tema 9. Introducción a base de datos.
9.1. El lenguaje SQL.
9.2. Sintaxis básica de las sentencias SQL.
9.3. Crear, borrar y modificar tablas en una base de datos.
9.4. Insertar datos en una tabla.
9.5. Seleccionar registros.
9.6. Modificar registros.
9.7. Eliminar registros.
9.8. Consultas.
Tema 10. Bases de datos en Python con DB-API.
10.1. Introducción a bases de datos con Python.
10.2. Conectarse a la base de datos y ejecutar consultas.
10.3. Insertar datos.
10.4. Seleccionar todos los registros.
10.5. Seleccionar solo registros coincidentes.
10.6. Eliminar registros.
10.7. Actualizar datos.
MÓDULO III. Interfaz gráfica de usuario con Tkinter
Tema 1. Introducción.
1.1. Interfaces gráficas con Tkinter.
1.2. Recursos.
1.3. Widgets.
Tema 2. Marcos.
2.1. Objeto tk.
2.2. Método tk().
2.3. Title().
2.4. Colores.
2.4.1. Configure().
2.4.2. Background.
2.5. Mostrar Ventana .
2.5.1. Mainloop().
Tema 3. Botones.
3.1. Constructor.
3.2. Propiedad Text.
Tema 4. Etiquetas.
4.1. Constructor.
4.2. Propiedad Text.
4.3. Color a etiquetas.
Tema 5. Caja de Texto.
5.1. Entry.
5.2. Width.
5.3. TextVariable.
Tema 6. Botón de Radio.
6.1. RadioButton.
6.2. Método Set.
6.3. Propiedad Value.
6.4. Asignación de una Variable.
6.5. text.
Tema 7. Casilla de Verificación.
7.1. CheckButton.
Tema 8. Lista.
8.1. ListBox.
8.2. Método insert().
Tema 9. ComboBox.
9.1. textVariable.
9.2. values.
9.3. current.
Tema 10. Menú.
10.1. Command.
10.2. Separator.
10.3. Barra de Menú.
10.4. Cascade.
10.5. Sub menus.
Tema 11. Pestañas.
11.1. NoteBook.
11.2. Propiedad.
Tema 12. Layout.
12.1. Grid.
12.2. Mensajes.
Tema 13. Conversiones.
13.1. StringVar.
13.2. IntVar.
Tema 14. Mensajes.
14.1. Método showerror.
14.2. Método showinfo.
Tema 15. Diálogos.
15.1. Método askyesno.
Tema 16. Imágenes.
16.1. Pip install PIL.
16.2. Importar biblioteca PIL.
16.3. Obtener directorio.
16.4. Parámetro fill.
Tema 17. ScrollText.
17.1. Propiedad grid Propiedades.
Tema 18. Acciones.
18.1. Botones.
18.2. Caja de Texto.
18.3. Botones de Radio.
18.4. ListBox.
18.5. ComboBox.
18.6. Menú.
18.7. Pestañas.
18.8. MessageBox.
18.9. Diálogos.
18.10. SpinBox.
18.11. ScrolleText.
Tema 19. Proyecto.
19.1. Obtención de requerimientos.
19.2. Modelado de arquitectura.
19.3. Desarrollo Aplicación de control de gastos.
19.4. Despliegue de aplicación.
MÓDULO IV. Análisis y Manipulación de Datos
1.Introducción
1.1.¿Qué se verá en el curso?
1.2.Importancia de la explotación de datos
1.3.Introducción a algoritmos
2.Manipulación de datos con Numpy
2.1.Arreglos
2.2.Obtención de Datos
2.3.Tipos de datos Numpy
2.4.Definición de tipos
2.5.Creación de arreglos.
2.6.Matrices
2.7.Actualización de arreglos.
2.8.Shape.
2.9. Axes numpy.
2.10.Transposición.
2.11.Operación Básica.
2.12.Ordenamiento.
2.13.Ejecución de funciones.
2.14.Copias y vistas.
2.15.Operación relacionales y lógicas.
2.16.Comparar arreglos.
2.17.Lectura de archivos.
3.Manipulación de datos con Pandas
3.1.Series
3.2.Creación de series
3.3.NaN
3.4.DataFrames
3.5.Columnas y vectores
3.6.Ejecución de funciones
3.7.Lectura de archivos csv
3.8.Ordenamiento
3.9.Creación de archivos
3.10.Modificación de DataFrame
3.11.Loc
3.12.Iloc
3.13.Consultas
3.14.Agrupación
3.15.Tablas resumen
3.16.Transformación
3.17.Indexación recuperación de datos
4.Visualización de datos con Matplotlib
4.1.Tablas vs Gráficos
4.2.¿Tipos de Gráficos cuando usar cada uno?
4.3.Introducción a Matplotlib
4.4.Tipos de Gráficos con Matplotlib
4.5.Pandas y Matplotlib Gráficos de Dispersión y Línea
Gráficos de Distribución. Introducción a la biblioteca Pandas para manipulación de datos. Carga y visualización de conjuntos de datos con Pandas. Limpieza de datos: Manejo de datos faltantes, duplicados y outliers. Transformaciones de datos: Normalización, codificación de variables categóricas.
División de datos en conjuntos de entrenamiento y prueba.
Ejemplo: Preprocesamiento de datos para un conjunto de datos de reconocimiento de dígitos escritos a mano.
MÓDULO V. Modelos de Análisis de Datos
1.Estadísticas para Analistas de Datos.
1.1. Estadística Descriptiva
1.2.Análisis de Datos Exploratorio y Visualizaciones
1.3. Varianza
1.4.Desviación Estándar
1.5.Tipos de Variables: Cuantitativas y Cualitativas
1.6.Distribuciones de Frecuencia
1.7.Mediana, Moda y Media
2.Estadística Inferencial para ciencia de datos
2.1.Fundamentos estadística inferencial
2.2.Estadístico y cálculos
2.3.Prueba de hipótesis y validación
3.Algoritmo Machine Learning. Introducción al concepto de Machine Learning. Tipos de aprendizaje: Supervisado, no supervisado y por refuerzo. Ejemplo: Clasificación de flores Iris usando scikit-learn.
3.1.Regresión lineal. Conceptos básicos de regresión.
Regresión lineal y regresión polinómica. Evaluación del rendimiento del modelo: Métricas de regresión (R-cuadrado, error cuadrático medio). Regularización para evitar el sobreajuste: Ridge y Lasso. Ejemplo: Predicción de los precios de las casas utilizando regresión lineal. Ejemplo adicional: Regresión polinómica para predecir el rendimiento de estudiantes.
3.2.Series de tiempo.
3.3.Clustering y clasificación. Algoritmos de clasificación: K vecinos más cercanos (KNN), Naive Bayes, Árboles de decisión. Evaluación del rendimiento del modelo: Matriz de confusión, precisión, sensibilidad, especificidad. Selección de características y validación cruzada. Ejemplo: Clasificación de pacientes con diabetes usando un clasificador de Bayes ingenuo. Ejemplo adicional: Clasificación de spam de correo electrónico utilizando un clasificador KNN.
3.4.Árboles y bosques aleatorios
3.5. Aprendizaje Supervisado – Máquinas de Vectores de Soporte (SVM). Introducción a las Máquinas de Vectores de Soporte (SVM). Margen máximo y truco del kernel. Tuning de hiperparámetros en SVM. Ejemplo: Clasificación de flores Iris usando SVM. Ejemplo adicional: Detección de fraudes financieros utilizando SVM.
3.6. Aprendizaje No Supervisado – Agrupamiento (Clustering)
Introducción al aprendizaje no supervisado y al agrupamiento. Algoritmos de agrupamiento: K-Means, Clustering jerárquico. Evaluación de la calidad de los clusters. Ejemplo: Agrupamiento de datos de clientes para segmentación de mercado. Ejemplo adicional: Agrupamiento de documentos para análisis de texto.
3.7. Aprendizaje No Supervisado – Reducción de la dimensionalidad. Necesidad de reducción de la dimensionalidad. Técnicas de reducción de la dimensionalidad: Análisis de Componentes Principales (PCA). Aplicaciones de la reducción de la dimensionalidad. Ejemplo adicional: Reducción de la dimensionalidad para mejorar la eficiencia del modelo.
3.8. Redes neuronales. DNN. Perceptrones, Convolucionales, LSTM y Recurrentes.
3.8. Proyecto Final y Aplicaciones Prácticas
Presentación de proyectos finales por parte de los estudiantes. Discusión sobre aplicaciones prácticas del Machine Learning en medicina, biología, investigación, etc.
Docente
Mtro.Enrique Díaz Ocampo
Estudió la Licenciatura en Matemáticas Aplicadas en la Benemérita Universidad Autónoma de Puebla (BUAP). En el año 2016, durante sus prácticas profesionales, se desempeño como auxiliar de investigador para el Laboratorio Nacional de Supercómputo del Sureste de México (LNS BUAP). En el mismo año, participó en el “Sexto congreso Nacional de Investigación en Cambio Climático”. Así como en el taller “Aplicaciones de Supercómputo en Fenómenos relacionados con desastres naturales y cambio climático”, ambos realizados en la Universidad de Colima. En 2017, tras haber finalizado sus prácticas profesionales, participó en el ” 50 Congreso Nacional de la Sociedad Matemática Mexicana, con la ponencia “La segmentación de Imágenes Digitales como un problema de optimización”. Posteriormente, en 2018, ganó una beca tesis en el Centro de Investigación en Matemáticas A.C. (CIMAT). A cargo de la Dra. Silvia Jerez Galiano con el tema “Modelación de Tratamientos para la metástasis ósea vía control óptimo”. En dicho año, participó en el “Taller de Problemas de Matemáticas Computacionales” realizado en el mismo centro. En 2019, ingresó como profesor por asignatura en la Universidad Internacional (UNINTER) y fué invitado a impartir el taller “Desarrollo del Pensamiento Matemático”. Ese mismo año, fue aceptado como miembro de la Sociedad Matemática Mexicana. A inicios del 2020, realizó una estancia de investigación en CIMAT, estudiando las propiedades de simetría de Lie, de un formalismo matemático conocido como “S-systems” y un diplomado en “Competencias para la investigación modalidad en línea” por parte de la BUAP. En el 2023, concluyó la Maestría en Ciencias de la Computación en la especialidad de Inteligencia Artificial en el Centro Nacional de Investigación y Desarrollo Tecnológico (CENIDET). También ingresó este mismo año en COCID como docente para la impartición de cursos, diplomados y materias concretas en ciencia de datos y machine learning.
