5

4

57

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 y estudiante de doctorado de la Universidad del País Vasco/Euskal Herriko Unibertsitatea, fundador de Nube Minera, ha sido director académico en IES, docente en cátedras relativas a Evaluación de Yacimientos en IES, e Investigador en temas relacionados al estudio de variables espaciales. En el ultimo año ha publicado en importantes revistas 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
  • Sustainability Journal MDPI: Modeling traffic data through radial basis functions in the Basque Autonomous Community (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 con una duración de 12 meses, el cual puede pagar mediante WEBPAYPosterior 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
4 calificaciones
  • 5 stars4
  • 4 stars0
  • 3 stars0
  • 2 stars0
  • 1 stars0
  1. CINTHIA GLADBET LIZZET BARBOZA BRAVOjunio 27, 2021 at 1:16 pm

    Modelado de datos espaciales en Python (ADEP)

    5

    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.

  2. Miguel Sergio Chique Sayrefebrero 1, 2021 at 6:30 pm

    Excelente curso

    5

    Muy didactico para aprender python y la importancia de analizar nuestros datos.

  3. Hector Miguel Valdez Lopezoctubre 21, 2020 at 2:26 am

    Evaluación

    5

    Muy buen curso, bien explicado.

  4. 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 © 2022