fbpx
5

2

31

Curso complementario "Modelado de datos espaciales en Python".

DE PAGO
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 geologica-minera, es que todo el contenido es completamente reproducible.


RELATOR:

Heber Hernández Guerra, es ingeniero civil de minas, master en minería, fundador de Nube Minera y docente a nivel universitario de cátedras relativas a Evaluación de Yacimientos. En esta área y en el estudio de variables espaciales posee publicaciones científicas tales como:

  • Minerals Journal MDPI: Influence of the sampling density in the coestimation error of a regionalised locally stationary variable (2020). Como autor principal. https://www.mdpi.com/2075-163X/10/2/90
  • Sustainability Journal MDPI: Analysis of the air quality of the Basque Autonomous Community using spatial interpolation (2020). Como co-autor dedicado a la conceptualización e investigación. https://www.mdpi.com/2071-1050/12/10/4164
  • Applied Sciences Journal MDPI: Modeling traffic data through radial basis functions in the Basque Autonomous Country (2020). Como co-autor dedicado a la conceptualización e investigación.

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:
  1. Python para Ingeniería nivel básico (PYB)
  2. Geoestadística para mineros en Python [GP] 

COMPRAR EL CURSO:

El valor del curso es de $100,000 CLP (120 USD) con una duración de 6 meses, el cual puede pagar mediante WEBPAY o PAYPAL. Posterior recibido el pago nuestro ejecutivo tomara contacto con usted vía correo electrónico para entregar credenciales de acceso.


Si necesitas soporte con los medios de pago, favor ingresar a este enlace de ayuda: PINCHAR AQUÍ
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.

Curriculum Curso:

    • 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
    • Regresión lineal múltiple – Ejemplo dataset aire [contaminantes aire] 00:23:00
    • MRLM aplicado a relleno de información para sondajes 3D [compositos Hierro] 00:36:00
    • 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
    • Clustering jerárquico aglomerativo 00:08:00
    • Estandarización de variables 00:10:00
    • Mediciones con distancias 00:15:00
    • Estrategias de agrupamiento 00:14:00
    • Selección del número de grupos Método del codo (Elbow Method) 00:07:00
    • Asociando el clustering en espacio 00:17:00
    • Clustering con K-Means 00:23:00
    • Adicional: K-medias en definición de dominios 00:30:00
    • K vecinos cercanos 00:04:00
    • KNN implementación [dataset compositos hierro] 00:39:00
    • 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
    • Creando una función que reporte desde un DataFrame 00:13:00
    • Reporte gráfico 00:15:00
    • Reporte estadístico – gráfico en un XLSX 00:18:00
    • Reporte de una validación cruzada 00:18:00
    • Sub y super indice en leyendas y etiquetas 00:18:00
    • Reporte desde un modelo 3D 00:27:00
    • Animación 3D desde modelo de bloques 00:12:00
    • Trabajo para aprobar curso 00:05:00

Course Reviews

5

5
2 calificaciones
  • 5 stars2
  • 4 stars0
  • 3 stars0
  • 2 stars0
  • 1 stars0
  1. Hector Miguel Valdez Lopezoctubre 21, 2020 at 2:26 am

    Evaluación

    5

    Muy buen curso, bien explicado.

  2. Bernardo Javier Villegas Norambuenaoctubre 17, 2020 at 4:29 pm

    Curso muy útil

    5

    Un curso muy didáctico, muy didáctico, practico y variado en términos de la data que fue utilizada. Gracias y felicitaciones.

Imagen de perfil
Heber Hernández Guerra

Especialidad:

Geoestadística

Correo de contacto:

heber@nubeminera.cl

Otros cursos que te podrían interesar:

{"title":"Otros cursos","show_title":"0","post_type":"course","taxonomy":"","term":"0","post_ids":"","course_style":"random","featured_style":"course3","masonry":"","grid_columns":"clear1 col-md-12","column_width":"268","gutter":"30","grid_number":"3","infinite":"","pagination":"","grid_excerpt_length":"100","grid_link":"1","css_class":"","container_css":"","custom_css":""}
top
Nube Minera © 2020