Course Summary
This course introduces students to various tools used in data science including Python, SQL, and Git. Students will learn how to manipulate data, build models, and present their findings.Key Learning Points
- Learn how to use Python, SQL, and Git for data science
- Develop skills in data cleaning, manipulation, and analysis
- Build and evaluate predictive models
Related Topics for further study
Learning Outcomes
- Use Python to manipulate and analyze data
- Build and evaluate predictive models
- Collaborate on data science projects using Git
Prerequisites or good to have knowledge before taking this course
- Basic understanding of programming concepts
- Familiarity with statistics
Course Difficulty Level
Beginner/IntermediateCourse Format
- Online self-paced
- Video lectures
- Hands-on exercises
Similar Courses
- Data Science Essentials
- Python for Data Science
- Data Analysis and Visualization
Related Education Paths
Notable People in This Field
- Andrew Ng
- Hilary Mason
- DJ Patil
Related Books
Description
¿Cuáles son algunas de las herramientas de ciencia de datos más populares, cómo las usa y cuáles son sus caracterÃsticas? En este curso, aprenderá sobre Jupyter Notebooks, RStudio IDE, Apache Zeppelin y Data Science Experience. Aprenderá para qué se utiliza cada herramienta, qué lenguajes de programación pueden ejecutar, sus caracterÃsticas y limitaciones. Con las herramientas alojadas en la nube en Cognitive Class Labs, podrá probar cada herramienta y seguir las instrucciones para ejecutar código simple en Python, R o Scala. Para finalizar el curso, creará un proyecto final con un Jupyter Notebook en IBM Data Science Experience y demostrará su competencia preparando un cuaderno, escribiendo Markdown y compartiendo su trabajo con sus compañeros.
Outline
- Conjunto de herramientas para los Data Scientists
- Introducción al curso
- Lenguajes de la Ciencia de los Datos
- Introducción a Python
- Introducción al Lenguaje R
- Introducción a SQL
- Otros Lenguajes
- Categorias de las Herramientas de la Ciencia de los Datos
- Herramientas de Código Abierto para la Ciencia de los Datos - Parte 1
- Herramientas de Código Abierto para la Ciencia de los Datos - Parte 2
- Herramientas Comerciales para la Ciencia de los Datos
- Herramientas basadas en la nube para la ciencia de los datos
- LibrerÃas de la Ciencia de los Datos
- Interfaces de Programación de Aplicaciones
- Conjuntos de datos - Mejorando la ciencia de los datos
- Data Asset eXchange
- Modelos de Aprendizaje Automático
- El Model Asset Exchange
- Laboratorio: Explorar los Conjuntos de Datos y Modelos (1 hora)
- Prueba Práctica - Lenguajes
- Prueba Práctica - Herramientas
- Prueba Práctica - Paquetes, APIs, Conjunto de Datos, Modelos.
- Prueba con Calificación
- Herramientas de código abierto
- Visión General de Git/GitHub
- GitHub en Mac/Linux - Parte 1
- GitHub en Mac/Linux - Parte 2
- GitHub en Mac/Linux - Parte 3 (Opcional)
- Comenzando con Jupyter Notebooks
- Comenzando con Jupyter Lab
- Arquitectura Jupyter
- Qué es RStudio IDE?
- Instalación de paquetes y carga de LibrerÃas en RStudio IDE
- Graficando dentro de RStudio IDE
- Taller de GitHub Parte - 1
- Requisitos previos para la interfaz de la lÃnea de mando (Opcional)
- Ramificación y fusión en GitHub (opcional)
- Agregar clave SSH (Opciónal)
- GitHub Instrucciones para Windows Parte 2 (Opcional)
- Instrucciones de la parte 3 de GitHub para Windows (opcional)
- Lectura: Jupyter Notebook en Internet
- Laboratorio: Rstudio – Principios
- Laboratorio: Creación de un mapa interactivo en R
- Prueba Práctica - GitHub
- Prueba Práctica - Jupyter Notebooks
- Prueba Práctica - RStudio
- Prueba con Calificación
- Herramienta IBM para Data Science
- Qué es IBM Watson Studio
- Introducción a Watson Studio
- Creación de una Cuenta en IBM Watson Studio
- Jupyter Notebooks en Watson Studio - Parte 1
- Jupyter Notebooks en Watson Studio - Parte 2
- Enlazar GitHub a Watson Studio
- Otras herramientas de IBM para la ciencia de datos
- Catálogo de conocimiento de IBM Watson
- Refinación de Datos
- SPSS Modeler Flows en Watson Studio
- IBM SPSS Modeler
- IBM SPSS EstadÃsticas
- Modelo de Despliegue con Watson Machine Learning
- Auto AI en Watson Studio
- IBM Watson OpenScale
- Laboratorio: Creando un Watson Studio Project con Jupyter Notebooks
- Laboratorio: Modeler Flows en IBM Watson Studio
- Prueba Práctica - Watson Studio
- Prueba Práctica – Otras Herramientas IBM
- Prueba con Calificación
- Asignación final: Crear y compartir su Jupyter Notebook
- Insignia Digital de IBM
Summary of User Reviews
Find out what users are saying about the Herramientas para la Ciencia de Datos course on Coursera. Overall, the course has received positive reviews with many users praising its practical approach to data science. One key aspect that many users appreciate about the course is its emphasis on real-world applications of data science concepts.Pros from User Reviews
- Practical approach to data science
- Emphasis on real-world applications
- Engaging and knowledgeable instructors
- Good balance of theory and practice
- Clear and concise explanations
Cons from User Reviews
- Some users found the course to be too basic
- Lack of hands-on exercises
- Limited coverage of some topics
- Course material can be repetitive
- Some users had issues with the platform