Curso en línea – Especialización profesional certificada en ciencia de datos de la Universidad Johns Hopkins

Una amplia variedad de productos de calidad a precios asequibles. Descubra nuestras innovaciones y servicios que resolverán todas sus necesidades. ¡Ordene ahora y únase a clientes satisfechos!

Suggested by: Coursera (What is Coursera?)

Start your Coursera.com free trial today

Curso en línea - Especialización profesional certificada en ciencia de datos de la Universidad Johns Hopkins

Professional Certificate

a partir de

No prior knowledge required

Time to complete the course

7-day free trial

No unnecessary risks

Skills you will acquire in the course

recibiendo datos
Limpieza e investigación de datos.
Programación en el lenguaje R.
Realizar investigaciones reproducibles
Instalación de herramientas
Programación en el lenguaje R.
Limpieza de datos
realizando análisis
Tareas de revisión por pares

What you will learn in the course

Courses for which the course is suitable

analista de datos
científico de datos
Desarrollador de software en el campo de los datos.
Experto en estadistica
Desarrolla modelos de aprendizaje automático.
Científico de datos
Responsable de proyectos en el campo de los datos.
Consultor en el campo de la ciencia de datos.
Desarrolla visualizaciones de datos.
programador en lenguaje r

Pasantía: una serie de cursos de cinco partes

Haga las preguntas correctas, manipule conjuntos de datos y dibuje visualizaciones para comunicar resultados.

Esta especialización cubre herramientas y métodos básicos de ciencia de datos, que incluyen:

recibiendo datos
Limpieza e investigación de datos.
Programación en el lenguaje R.
Realizar investigaciones reproducibles

Los estudiantes que completen esta pasantía estarán preparados para pasar a Ciencia de datos: estadística y aprendizaje automático, donde crearán un producto de datos utilizando datos del mundo real.

Los cinco cursos de la especialización.

Los cursos brindan la primera parte de la especialización en ciencia de datos y son adecuados para aquellos que desean comenzar y completar la parte básica antes de pasar a materias más avanzadas.

Proyecto de aprendizaje aplicado

Durante la especialización Ciencia de datos: conceptos básicos en el lenguaje R, los estudiantes realizarán proyectos al final de cada curso. Los proyectos incluyen:

Instalación de herramientas
Programación en el lenguaje R.
Limpieza de datos
realizando análisis
Tareas de revisión por pares

Details of the courses that make up the specialization

El conjunto de herramientas de un científico de datos

Curso 1: Instalación de R y Github

Duración: 18 horas
Calificación: 4.6 (33,917 calificaciones)

Instale R, R-Studio, Github y otras herramientas útiles
Comprender los datos, los problemas y las herramientas utilizadas por los analistas de datos.
Explicar conceptos esenciales en el diseño de la investigación.
Crear un repositorio en Github

Curso 2: Programación en R

Duración: 57 horas
Calificación: 4.5 (22,239 calificaciones)

Comprender conceptos básicos de programación.
Instalar software para programación estadística.
Utilice funciones de bucle y herramientas de depuración en R
Recopile información detallada con la ayuda de R Profiler

Curso 3: Recibir datos y limpiar datos

Duración: 19 horas
Calificación: 4.5 (8,060 calificaciones)

Comprender los sistemas de almacenamiento de datos comunes
Utilice principios de limpieza de datos para que los datos estén «limpios»
Utilice R para manipular texto y fechas.
Obtener datos disponibles de Internet, API y bases de datos.

Curso 4: Análisis exploratorio de datos

Duración: 54 horas
Calificación: 4.7 (6,065 calificaciones)

Comprender gráficos analíticos y el sistema de trazado básico en R.
utilizar sistemas gráficos avanzados como el sistema matricial
Cree visualizaciones gráficas altamente dimensionales de datos en el aire.
Aplicar técnicas de análisis de conglomerados para identificar patrones en los datos.

Curso 5: Investigación reproducible

Duración: 7 horas
Calificación: 4.6 (4,172 calificaciones)

Organizar el análisis de datos para hacerlo más reproducible.
Registre análisis de datos reproducibles usando knitr
Evaluar la reproducibilidad del proyecto de análisis.
Publicar documentos web reproducibles usando Markdown