En la era digital actual, la habilidad para visualizar, analizar y compartir datos de manera efectiva no solo es deseable, sino absolutamente crucial.
Streamlit se establece como la solución ideal para la creación de aplicaciones web interactivas enfocadas en el análisis y la ciencia de datos, permitiéndote construir y desplegar aplicaciones con facilidad y rapidez.
Este curso profundiza en cada aspecto de Streamlit, desde los conceptos básicos hasta las aplicaciones más avanzadas, equipándote con todo lo necesario para transformarte en un experto en la creación de aplicaciones interactivas para análisis de datos.
En este curso aprenderás:
- Introducción a Streamlit: Conoce las bases de Streamlit, desde su instalación hasta la creación de tu primera aplicación.
- Construcción de Interfaces de Usuario: Aprende a crear interfaces interactivas utilizando widgets de Streamlit para mejorar la experiencia del usuario.
- Visualización de Datos: Descubre cómo integrar y visualizar datos utilizando librerías populares como Pandas y Matplotlib, y cómo enriquecer tus aplicaciones con gráficos avanzados.
- Despliegue de Aplicaciones: Aprende a desplegar tus aplicaciones de Streamlit en la nube para que puedan ser accesibles desde cualquier lugar.
- Integración con Herramientas de Ciencia de Datos: Explora cómo integrar tus aplicaciones de Streamlit con herramientas de Machine Learning y AI para crear aplicaciones predictivas y de análisis avanzado.
Además podrás acceder a todos los recursos necesarios para seguir el curso, incluyendo datasets y scripts de ejemplo.
Este es el programa del curso:
- 2.1 Instalación de Python (3:17)
- 2.2 Instalación de Anaconda (11:01)
- 2.3 Instalación de Visual Studio Code (3:04)
- 2.4 Instalación de Extensiones (2:51)
- 2.5 Navegación para conocer Visual Studio Code (3:45)
- 2.6 Creación de una carpeta para el proyecto (1:36)
- 2.7 Creación de un entorno virtual instalacion de paquetes (5:53)
- 3.1 Introducción a Elementos Básicos de Streamlit (13:29)
- 3.2 Mi primera interacción con Streamlit (6:58)
- 3.3 Elemento Markdown (Formateo de texto en la Web) (6:34)
- 3.4 Elemento Imagen (5:52)
- 3.5 Elemento creación de columnas (4:47)
- 3.6 Elemento Cargar Archivos (4:44)
- 3.7 Elemento Write (1:54)
- 3.8 Elemento Radio (3:40)
- 3.9 Elemento Checkbox (2:16)
- 3.10 Combinando elementos básicos (3:36)
- 4.1 Introduccion a Componentes Avanzados con Streamlit (8:17)
- 4.2 Elemento Divider (5:55)
- 4.3 Elemento Sidebar (4:40)
- 4.4 Elemento Selectbox (en sidebar) (3:41)
- 4.5 Elemento Metric (7:09)
- 4.6 Configuración de variables (4:53)
- 4.7 Gráfico Nativos de Streamlit (Barras) (2:54)
- 4.8 Gráfico con Matplotlib (Circular) (3:28)
- 4.9 Gráficos Estadísticos con Plotly (Boxplot e Histograma) (7:08)
- 4.10 Gráfico de Correlación con Seaborn (3:58)
- 4.11 Visual para identificar valores nulos (2:26)
- 4.12 Resumen visual de los datos (3:18)
- 4.13 Resumen visual descriptiva (3:27)
- 6.1 Introducción Algoritmos Machine Learning (6:37)
- 6.2 Función entrenamiento, prueba y conversión de modelo (4:43)
- 6.3 Configuración Barra Lateral (5:21)
- 6.4 Clasificador de Regresión Logística (6:06)
- 6.5 Clasificador K-vecinos más Cercanos (3:51)
- 6.6 Clasificador de Árboles de Decisión (4:14)
- 6.7 Clasificador de Bosque Aleatorio (3:56)
- 6.8 Visualización de parámetros seleccionados (5:04)
- 6.9 Botón para entrenar y descargar modelo (6:17)
- 6.10 Entrenamiento del Modelo (4:36)
- 6.11 Visualización de matriz de Confusión (4:02)
- 6.12 Visualización de curva ROC AUC (5:28)
- 7.1 Introducción a despliegue de predicciones (4:14)
- 7.2 Creación de página para la predicción (6:04)
- 7.3 Barra lateral con parámetros manuales - Escenario 1 (9:47)
- 7.4 Configuración y preprocesamiento predictivo - Escenario 1 (7:08)
- 7.5 Función de validación del modelo pre-entrenado - Escenario 2 (4:03)
- 7.6 Configuración y preprocesamiento predictivo - Escenario 2 (5:36)
- 7.7 Representación gráfica de las predicciones - Escenario 2 (4:40)
- 7.8 Descarga de resultados predictivos(Excel - CSV) - Escenario 2 (3:01)
- 7.9 Barra lateral con parámetros manuales - Escenario 3 (6:00)
- 7.10 Configuración y preprocesamiento predictivo - Escenario 3 (4:14)
- 7.11 Función de validación del modelo pre-entrenado - Escenario 4 (3:26)
- 7.12 Configuración y preprocesamiento predictivo - Escenario 4 (5:09)
- 7.13 Representación gráfica de las predicciones - Escenario 4 (3:48)
- 7.14 Descarga de resultados predictivos(Excel - CSV) - Escenario 4 (7:53)
- 8.1 Creación tabs (4:42)
- 8.2 Generar texto de forma dinámica (4:18)
- 8.3 Capturar una cámara (1:50)
- 8.4 Subir un archivo (2:36)
- 8.5 Subir videos (2:13)
- 8.6 Subir audios (2:42)
- 8.7 Editar un dataset (3:22)
- 8.8 Seleccionar color (2:20)
- 8.9 Mapas en Streamlit con Pydeck (3:34)
- 8.10 Elementos Expander y Code (1:55)
- 8.11 Seleccionar fecha (3:20)
- 8.12 Ventana emergente (Toast) (2:13)
- 8.13 Elementos Snow, Balloons, Popover y text_input (2:52)
- 8.14 Captar texto en un área específica (2:17)
- 8.15 Elementos Toggle y Latex (3:56)
- 11.1 Introducción a despliegues de aplicaciones en Streamlit (4:09)
- 11.2 Creación de Cuenta GitHub (3:37)
- 11.3 Instalación de GitBash (6:05)
- 11.4 Despliegue de Apps en Github Spaces (12:57)
- 11.5 Despliegue de Apps en Heroku (5:06)
- 11.6 Despliegue de Apps en AWS (4:29)
- 11.7 Streamlit App a Exe (6:37)
- 11.8 NodeJS y Docs (9:18)
- 11.9 Empaquetación (19:43)
- 11.10 Creación del .Exe (11:33)
- 11.11 Cierre y Finalización del Curso (4:28)
¿Por qué este curso es ideal para ti?
- Este curso te guía a través de una introducción completa a Streamlit, explicando su arquitectura, componentes principales y casos de uso. No solo aprenderás qué es Streamlit y cómo funciona, sino cómo puede utilizarse para resolver problemas complejos de visualización y análisis de datos.
- Con un enfoque práctico, conocerás sobre la creación aplicaciones interactivas, así como la configuración del entorno con herramientas como Pandas, Matplotlib y otros paquetes de Python.
- Aprenderás a conectar y visualizar datos de diversas fuentes, tanto locales como en la nube, y crearás dashboards interactivos para explorar datos eficientemente.
Tu instructor: David Soler
Un científico de datos apasionado por descubrir tendencias e insights en datos. Tengo experiencia en el desarrollo de modelos de aprendizaje automático y profundo, orientados a la resolución de problemas en visión por computadora, inteligencia artificial y predicción de valores. Mi objetivo es transformar datos complejos en soluciones efectivas y accionables.
Únete a este curso y explota el poder de los datos
El curso incluye módulos dedicados a la integración y análisis de datos avanzados, donde explorarás patrones de integración de datos, y escenarios de Machine Learning y AI.
Además, estudios de caso y un proyecto final consolidarán tu aprendizaje y demostrarán cómo aplicar Streamlit en escenarios del mundo real.
Preguntas frecuentes (FAQ)
¿Cuándo inicia y finaliza el curso?
Este es un curso en línea completamente a tu propio ritmo - tú decides cuando iniciar y cuando terminar.
¿Por cuánto tiempo tengo acceso al curso?
¿Cómo te suena "acceso de por vida"? Después de suscribirse, tendrás acceso ilimitado a este curso por todo el tiempo que gustes - a través de cualquier dispositivo en todos los dispositivos que tengas.
¿Qué sucede si no estoy satisfecho con el curso?
¡No queremos que estés insatisfecho! Si estás insatisfecho con tu compra (para los cursos de pago), solo debes contactarnos en los primeros 14 días y te daremos una devolución total de tu dinero.
¿Hay algún requisito para llevar este curso?
Tener conocimiento de los cursos de Python para ciencia de datos: Desde introducción hasta modelos, ya que en este curso veremos como hacer despliegues de modelos y dashboards en ciencia de datos.
¿Existe algún certificado al finalizar el curso?
Sí, al finalizar el curso con éxito, se otorgará un certificado que acredita tu participación y aprendizaje. Nota: Para aprobar el curso y obtener el certificado correspondiente debes completar el 100% de los vídeos y enviarnos por correo las prácticas realizadas para validar que se hayan completado correctamente.