Seaborn

• Científicos de datos y analistas que necesitan dominar la visualización estadística en Python.
• Desarrolladores Python que ya conocen Matplotlib y buscan una herramienta de alto nivel para gráficos estadísticos.
• Ingenieros de machine learning que necesitan explorar y comunicar datos de forma visual y profesional.
• Estudiantes de ciencia de datos que quieren un itinerario completo de Seaborn con proyectos prácticos.

Módulo 1: Introducción, instalación y conceptos fundamentales Qué es Seaborn, instalación y primer gráfico Estructura de Seaborn: figure level vs axes level Diferencias clave entre Seaborn y Matplotlib Datos long form vs wide form con Pandas Temas, estilos y contextos Módulo 2: Gráficos relacionales Gráficos de dispersión con scatterplot Gráficos de líneas con lineplot relplot como función figure level con faceting Codificación visual: hue, size y style Módulo 3: Gráficos de distribución Histogramas con histplot y KDE con kdeplot Distribución acumulada con ecdfplot y rugplot displot como función figure level Distribuciones bivariantes jointplot y pairplot para análisis de pares Módulo 4: Gráficos categóricos Dispersión categórica: stripplot y swarmplot Diagramas de caja, violín y boxenplot Gráficos de barras, conteo y puntos catplot como función figure level Módulo 5: Regresión y matrices de calor Regresión visual con regplot y lmplot Análisis de residuos con residplot Mapas de calor con heatmap Mapas de calor jerárquicos con clustermap Módulo 6: Personalización avanzada Paletas de colores secuenciales, divergentes y cualitativas FacetGrid para cuadrículas condicionales PairGrid y JointGrid Títulos, etiquetas, leyendas y límites de ejes Ajustes avanzados de ejes y escalas Temas predefinidos, rcParams y despine Módulo 7: Integraciones y producción Integración avanzada con Pandas 2.x y backend PyArrow Composición de subplots con plt.subplots y GridSpec API declarativa seaborn.objects Exportación de figuras en PNG, PDF y SVG Integración con Jupyter Notebook y Streamlit Módulo 8: Evaluación y proyectos Test global de conocimientos Proyecto de dispersión con penguins Proyecto multivariado con FacetGrid Proyecto integrador de EDA completo Retos de código de análisis de datos

Este curso completo de Seaborn recorre la biblioteca de visualización estadística de principio a fin: desde los conceptos fundamentales (figure level vs axes level, datos long form vs wide form) hasta la nueva interfaz seaborn.objects, pasando por gráficos relacionales, distribuciones univariantes y bivariantes, gráficos categóricos, regresión, mapas de calor, personalización avanzada con paletas y grids (FacetGrid, PairGrid, JointGrid), integraciones con Pandas y Streamlit, exportación de figuras y proyectos prácticos de análisis de datos.

• Dominar la arquitectura de Seaborn y elegir entre funciones figure-level y axes-level según el caso.
• Crear gráficos relacionales, de distribución y categóricos con codificación visual de múltiples variables.
• Aplicar regresión visual, mapas de calor y clustermap para análisis estadístico avanzado.
• Personalizar visualizaciones con paletas, grids y ajustes de ejes a nivel profesional.
• Utilizar la nueva interfaz seaborn.objects para composición declarativa de gráficos.
• Integrar Seaborn con Pandas, Matplotlib, Jupyter y Streamlit y exportar figuras en alta calidad.