README

Ejercicios del Bootcamp de Carlos Oliver

Bienvenido al repositorio de ejercicios realizados durante el bootcamp de Carlos Oliver. Este repositorio contiene todos los ejercicios que se llevaron a cabo día a día durante el curso. A continuación, se detallan los temas abordados en cada día del bootcamp.

Contenido

Semana 1

• Día 01: Numpy I

  • Introducción a Numpy
  • Operaciones básicas con arrays

• Día 02: Markdown & Python basics

  • Fundamentos de Markdown
  • Conceptos básicos de Python

• Día 02: Numpy II

  • Operaciones avanzadas con Numpy
  • Manipulación de arrays

• Día 03: Python basics II

  • Estructuras de control
  • Funciones en Python

• Día 04: Flujos de control

  • Sentencias condicionales
  • Bucles y estructuras de control

• Día 04: Pandas

  • Introducción a Pandas
  • Manipulación de DataFrames

Semana 2

• Día 05: Colecciones

  • Listas, tuplas y diccionarios
  • Operaciones y métodos comunes

• Día 05: Pandas

  • Análisis y manipulación de datos con Pandas
  • Operaciones avanzadas

• Día 06: Funciones

  • Definición y uso de funciones
  • Funciones lambda y map

• Día 06: Pandas

  • Operaciones de agrupación y agregación
  • Merge y join en Pandas

• Día 07: Matplotlib

  • Introducción a Matplotlib
  • Creación de gráficos básicos

• Día 07: OOP

  • Principios de Programación Orientada a Objetos
  • Clases y objetos en Python

Semana 3

• Día 08: Matplotlib & Seaborn

  • Visualización de datos con Matplotlib
  • Gráficos avanzados con Seaborn

• Día 09: Plotly

  • Introducción a Plotly
  • Visualizaciones interactivas

• Día 10: Archivos y APIs

  • Manipulación de archivos en Python
  • Consumo de APIs

• Día 11: Web Scraping

  • Técnicas de web scraping
  • Uso de BeautifulSoup y Scrapy

• Día 12: Mapas

  • Visualización de datos geoespaciales
  • Uso de Folium y Geopandas

Semana 4

• Día 13: SQL

  • Introducción a SQL
  • Consultas básicas

• Día 14: SQL II

  • Consultas avanzadas
  • Joins y subconsultas

• Día 17: MongoDB

  • Introducción a MongoDB
  • Operaciones básicas

Semana 5

• Día 19 MLS: Linear Regressor

  • Regresión lineal
  • Implementación con Scikit-learn

• Día 20 MLS: Linear Regressor II

  • Evaluación de modelos
  • Métricas de rendimiento

• Día 22 MLS: Polynomial Regressor y Regularización

  • Regresión polinómica
  • Técnicas de regularización

• Día 23 MLS: Logistic Regression

  • Regresión logística
  • Clasificación binaria

• Día 24 MLS: Decision Trees

  • Árboles de decisión
  • Implementación y visualización

• Día 25 MLS: Ensembles

  • Técnicas de ensamblado
  • Random Forest y Gradient Boosting

Semana 6

• Día 26 MLS: KNN & SVM

  • K-Nearest Neighbors
  • Support Vector Machines

• Día 27 MLS: Grid Search & Pipelines

  • Optimización de hiperparámetros
  • Creación de pipelines

• Día 28 MLNS: PCA

  • Análisis de Componentes Principales
  • Reducción de dimensionalidad

• Día 29 MLNS: KMeans

  • Clustering con KMeans
  • Evaluación de clusters

• Día 30: Time Series

  • Análisis de series temporales
  • Modelos de predicción

Semana 7

• Día 31: Introducción al Deep Learning

  • Conceptos básicos de Deep Learning
  • Redes neuronales artificiales

• Día 32: Introducción al Deep Learning II

  • Arquitecturas de redes
  • Implementación con Keras

• Día 34: Autoencoders

  • Introducción a autoencoders
  • Aplicaciones y casos de uso

• Día 35: OpenCV

  • Procesamiento de imágenes con OpenCV
  • Técnicas básicas de visión por computadora

• Día 36: NLP

  • Procesamiento de Lenguaje Natural
  • Técnicas y herramientas

Contribuciones

Las contribuciones son bienvenidas. Si deseas contribuir, por favor, realiza un fork del repositorio y envía tus pull requests.

Contacto

Para cualquier consulta o comentario, por favor contacta a Carlos Oliver.