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. Pagar vía PAYPAL dejando como comentario ADEP-NM. 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.
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
- 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
Course Reviews
5
- 5 stars5
- 4 stars0
- 3 stars0
- 2 stars0
- 1 stars0
Excelente...
El curso es muy completo
Modelado de datos espaciales en Python (ADEP)
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.
Excelente curso
Muy didactico para aprender python y la importancia de analizar nuestros datos.
Evaluación
Muy buen curso, bien explicado.
Curso muy útil
Un curso muy didáctico, muy didáctico, practico y variado en términos de la data que fue utilizada. Gracias y felicitaciones.