Ciencia de datos con NumPy
NumPy ·Ciencia de Datos
Curso completo de NumPy, la capa numérica sobre la que se apoya casi todo el ecosistema científico de Python. Cubres arrays multidimensionales, vectorización y broadcasting, estadística descriptiva y números aleatorios reproducibles, álgebra lineal e integración con Pandas y Matplotlib. Al terminar manejas cálculos numéricos a alto rendimiento y entiendes la capa que hay bajo Pandas, scikit-learn o PyTorch.
¿Prefieres verlo en directo? Agenda una demo sin compromiso.
Formación corporativa: este curso se activa bajo pedido para tu organización. Adaptamos temario, calendario y modalidad (teleformación, aula virtual o mixto).
Contenido del curso
Computación numérica con ndarrays: base de la ciencia de datos en Python.
-
Introducción a NumPy y el ecosistema científico de Python Lección
-
Instalación de NumPy Lección
-
Test de introducción a NumPy Test
Detalles del curso
Público objetivo
- Programadores Python que necesitan rendimiento en cálculo numérico y quieren dominar la biblioteca fundacional del ecosistema científico.
- Estudiantes de ciencia de datos que van a trabajar con Pandas, Scikit-learn y Matplotlib y necesitan una base sólida en arrays y operaciones vectorizadas.
- Ingenieros y científicos que realizan simulaciones, procesamiento de señales, análisis estadístico o álgebra lineal computacional.
- Analistas de datos que quieren entender la capa subyacente de las herramientas que utilizan a diario.
Contenido del certificado
Módulo 1: Introducción e instalación Qué es NumPy y ecosistema científico de Python Instalación con pip/uv y verificación del entorno Módulo 2: Arrays Creación de arrays con array(), zeros(), ones(), arange() y linspace() Propiedades y atributos: shape, dtype, ndim, size Indexación básica, slicing, fancy indexing y máscaras booleanas Modificación de forma: reshape, flatten, transpose, concatenate y split Vistas frente a copias en NumPy 2 Módulo 3: Operaciones con arrays Aritmética element wise, comparaciones y operaciones lógicas Broadcasting: reglas de compatibilidad y patrones comunes Funciones universales (ufuncs): trigonométricas, exponenciales y logarítmicas Funciones de reducción y estadísticas básicas por eje Módulo 4: Estadística y números aleatorios Estadística descriptiva: media, mediana, varianza, percentiles Generación de números aleatorios con Generator y default_rng() Módulo 5: Álgebra lineal Producto matricial, determinante, inversa, autovalores y SVD Sistemas de ecuaciones lineales y mínimos cuadrados Módulo 6: Integración con Pandas y Matplotlib Conversión bidireccional entre arrays NumPy y DataFrames Visualización de arrays con Matplotlib Módulo 7: NumPy avanzado Entrada/salida de archivos: .npy, .npz y texto plano Arrays estructurados con dtype compuesto Rendimiento, vectorización y buenas prácticas Módulo 8: Evaluación final Evaluación de código y test de síntesis
Objetivos de aprendizaje
Al completar este curso, serás capaz de:
- Crear, inspeccionar y transformar arrays multidimensionales con total soltura, entendiendo vistas, copias y semántica de
copyen NumPy 2.x. - Aplicar operaciones vectorizadas y broadcasting para cálculos eficientes sin bucles explícitos.
- Utilizar funciones universales (ufuncs) y funciones de reducción por eje.
- Calcular estadísticas descriptivas, correlaciones y generar datos aleatorios con la API moderna de NumPy, consolidando con test de estadística y aleatoriedad.
- Resolver problemas de álgebra lineal: sistemas de ecuaciones, mínimos cuadrados y descomposiciones matriciales.
- Integrar arrays NumPy con Pandas para análisis de datos y con Matplotlib para visualización.
Otros cursos de NumPy
Ciencia de datos con NumPy y Python
Curso de NumPy en Python pensado para equipos que necesitan una capa numérica común y robusta sobre la que apoyar su trabajo analítico y de machine learning. Cubres creación y manipulación de arrays, indexación avanzada, vectorización y broadcasting, estadística descriptiva, álgebra lineal, entrada y salida de datos, rendimiento e integración con Pandas y Matplotlib. Al terminar tienes una base homogénea que sirve de punto de partida para Pandas, scikit-learn o frameworks de deep learning.
NumPy: estadística, aleatoriedad y álgebra lineal
Curso que combina la cara estadística y la cara matricial de NumPy, las dos piezas que aparecen en casi cualquier pipeline de análisis o de machine learning clásico. Trabajas estadística descriptiva sobre arrays, generación de números aleatorios reproducibles, álgebra lineal con numpy.linalg y resolución de sistemas lineales y mínimos cuadrados. Al terminar implementas núcleos numéricos propios y dejas de depender en exclusiva de librerías de alto nivel.
NumPy: fundamentos de arrays
Curso centrado en los fundamentos de NumPy: forma, tipo y memoria de los arrays, la base que sostiene todo el stack numérico de Python. Aprendes a crear y manipular ndarrays, indexar y segmentar con soltura, transformar la forma de los datos y distinguir vistas de copias para evitar errores silenciosos por aliasing. Al terminar lees y escribes código numérico con criterio antes de avanzar a Pandas, scikit-learn o frameworks de deep learning.
NumPy: integración, E/S y rendimiento
Curso que conecta NumPy con el resto del stack analítico de Python y exprime su rendimiento. Aprendes a compartir datos con Pandas y Matplotlib, persistir arrays en formatos compactos, modelar registros con arrays estructurados y aplicar buenas prácticas para evitar copias innecesarias y cuellos de botella. Al terminar entregas un proyecto integrador que combina integración, serialización y decisiones de rendimiento de notebook a producción.
Forma equipos completos con un itinerario
Este curso aparece dentro de las siguientes carreras corporativas.
Data Analytics
Carrera profesional de Data Analytics para analistas de negocio, BI y consultoría: dominio de SQL para exploración y modelado, Python con pandas y NumPy para análisis, visualización avanzada con Power BI, Plotly, Matplotlib y Seaborn, transformación con dbt, procesamiento en Databricks y Streamlit para aplicaciones analíticas orientadas a la toma de decisiones en banca, seguros, retail, energía y consultoras.
Data Engineering
Carrera profesional de Data Engineering para equipos que construyen plataformas de datos corporativas: Python, SQL, pandas, streaming con Kafka, orquestación con Airflow, transformación con dbt, procesamiento distribuido con PySpark y Databricks para implantar data lakehouses y pipelines ETL/ELT robustos.
IA para Ciencia de Datos
Carrera profesional de ciencia de datos e IA para equipos que construyen modelos predictivos, sistemas de ML y pipelines de deep learning en producción: Python, SQL, análisis con NumPy y pandas, visualización, machine learning con scikit-learn, deep learning con TensorFlow y PyTorch, Transformers de Hugging Face, PySpark y MLOps.
¿Formación para tu equipo en esta tecnología?
Tú nos dices a quién formar y nosotros configuramos la plataforma con tu marca, damos de alta a tu gente, evaluamos las entregas con IA y te entregamos los certificados y los informes técnicos para tu gestor FUNDAE. Catálogo amplio con teleformación, aula virtual o mixto. Sin permanencia, sin coste de setup.
¿Prefieres verlo en directo? Agenda una demo.
Preguntas frecuentes
- ¿Ciencia de datos con NumPy es bonificable por FUNDAE para mi empresa?
- Puede ser bonificable cuando la acción cumple los requisitos aplicables. La plataforma aporta evidencias técnicas: seguimiento de tiempos, registro de conexiones, foros, encuestas y certificados para que tu entidad organizadora o gestoría revise la documentación.
- ¿En qué modalidades se imparte Ciencia de datos con NumPy?
- En tres modalidades: teleformación (online asíncrona), aula virtual privada en directo y mixta. Adaptamos temario, calendario y modalidad al equipo.
- ¿Se adapta Ciencia de datos con NumPy al nivel de mi equipo?
- Sí. Adaptamos temario, calendario y modalidad al nivel y al stack del equipo, con ejercicios evaluados por IA y certificado verificable.
- ¿Cuánto tarda en activarse para mi empresa?
- La activación corporativa estándar es rápida, sin coste de setup ni permanencia.