5
64
Modelado de datos espaciales en Python (Versión 2020)
DESCRIPCIÓN GENERAL:
El curso Modelado de datos espaciales en Python, esta preparado para usuarios que tengan un nivel básico de entendimiento del lenguaje de programación Python, y requieran aprender una herramienta para manipulación, análisis estadístico, modelado, evaluación y reportabilidad de datos espaciales.
Los datos espaciales, también conocidos como datos geoespaciales, son aquellos que poseen información sobre una ubicación específica en la superficie de la Tierra. Existe una gran y diversa cantidad de disciplinas que estudian este tipo de dato, y si bien este curso posee una tendencia geológica-minera, es que todo el contenido es completamente reproducible.
RELATOR:
MSc. Heber Hernández Guerra, es ingeniero civil de minas, master en minería y candidato a doctor de la Universidad del País Vasco/Euskal Herriko Unibertsitatea, actualmente se desempeña como docente universitario e investigador en temas relativos al estudio de variables espaciales.
PRE-REQUISITOS:
El estudiante deberá tener un nivel básico de programación en Python, en caso contrario se recomienda cursar alguno de los siguientes cursos de Nube Minera de forma previa:
COMPRAR EL CURSO:
El valor del curso es de 130 USD con suscripción de 6 meses. Posterior sea confirmado el pago (máx. 3 horas) recibirá un correo electrónico con su credencial de acceso.
DIPLOMA:
El curso posee una evaluación al final de todo el contenido, la cual discriminará en la aprobación o no del curso. En caso de aprobar el estudiante recibirá un diploma que señale dicho logro.
Course Currilcum
-
- Presentación y bienvenida al curso 00:12:00
- Instalando Python desde Anaconda 00:10:00
- Importación – Ejemplo dataset p4hd [Mina Nevada, USA] 00:21:00
- Manipulación DataFrame – Ejemplo dataset p4hd [Mina Nevada, USA] 00:11:00
- Exportación – Ejemplo dataset p4hd [Mina Nevada, USA] 00:11:00
- Importación URL- Ejemplo dataset PM10 [contaminantes aire] 00:16:00
- Extracción muestra aleatoria desde DF – Ejemplo dataset SIM [modelo 2D] 00:10:00
- Extracción muestra por indexación- Ejemplo dataset SIM [modelo 2D] 00:06:00
- Extracción muestra mediante bucle – Ejemplo dataset SIM [modelo 2D] 00:08:00
- Creación condicional de subconjunto de datos – Ejemplo dataset zuck_small [Mina OP] 00:13:00
- Copiar un DataFrame – Ejemplo dataset zuck_small [Mina OP] 00:04:00
- Ejercicio Propuesto Unidad I 01:00:00
-
- Visualización nube de puntos 2D – Ejemplo dataset SIM [modelo 2D] 00:10:00
- Triangulación nube de puntos 3D – Ejemplo dataset CurvasTopo [Curvas de nivel] 00:06:00
- Visualización nube de puntos 3D – Ejemplo dataset W23 [Mina OP] 00:06:00
- Ejercicio Propuesto Unidad II 00:30:00
- Medidas de posición – Ejemplo dataset aire [contaminantes aire] 00:30:00
- Diagrama de cajas y bigotes- Ejemplo dataset aire [contaminantes aire] 00:10:00
- Diagrama combinado linea y barras – Ejemplo dataset aire [contaminantes aire] 00:06:00
- Medidas de dispersión – Ejemplo dataset aire [contaminantes aire] 00:09:00
- Histograma – Ejemplo dataset aire [contaminantes aire] 00:10:00
- Medidas de forma y prueba de normalidad – Ejemplo dataset aire [contaminantes aire] 00:13:00
- Transformación – Ejemplo dataset aire [contaminantes aire] 00:11:00
- Interpolación vecinos cercanos – Ejemplo dataset muestras [samples] 00:19:00
- Interpolación vecinos cercanos – Ejemplo dataset sondajes 3D 00:15:00
- Interpolación del tipo lineal – Ejemplo dataset muestras [samples] 00:20:00
- Interpolación del tipo cubica – Ejemplo dataset muestras [samples] 00:08:00
- Interpolación kriging ordinario – Ejemplo dataset muestras [samples] 00:34:00
- Interpolación kriging simple – Ejemplo dataset muestras [samples] 00:08:00
- Demostración KO y KS 2D [dataset muestras regulares 2d] 00:24:00
- Interpolación RBF a nivel 2d [samples dataset] 00:20:00
- Interpolación RBF 3D 00:12:00
- Ejercicio propuesto unidad V 01:00:00
- Explicación conceptual validación cruzada 00:10:00
- Simulación como base para la extracción de una muestra 00:28:00
- Validación cruzada a nivel de una observación 00:18:00
- Validación cruzada con n observaciones 00:11:00
- Scatterplot validación cruzada 00:18:00
- Webinar: Validación Cruzada a través de una nueva función 00:56:00
- Animación 3D desde modelo de bloques 00:12:00
El curso es muy completo
El curso es bastante completo, didáctico, permite analizar cuál es el interpolador que genera menos sesgo mediante la validación cruzada y muchos otros temas importantes aplicando python.
Muy didactico para aprender python y la importancia de analizar nuestros datos.
Muy buen curso, bien explicado.
Un curso muy didáctico, muy didáctico, practico y variado en términos de la data que fue utilizada. Gracias y felicitaciones.