1695€

Presentación
Python es uno de los lenguajes de programación más populares y versátiles en la actualidad, utilizado en una amplia gama de campos, desde desarrollo web y análisis de datos hasta visión artificial y seguridad informática.
Este Máster de Programación con Python ofrece una formación completa que abarca desde los fundamentos básicos hasta conceptos avanzados, proporcionando una comprensión profunda de Python y su aplicación en diversos escenarios y ámbitos.
A lo largo de la formación verás desde la instalación y configuración del entorno de desarrollo, el desarrollo de aplicaciones web con Django, el análisis de datos utilizando librerías como NumPy y Pandas o su aplicación en el hacking ético, hasta su uso en la visión artificial con OpenCV.
Universidades colaboradoras
Para qué te prepara
Este Máster de Programación con Python te prepara para desarrollar aplicaciones web, realizar análisis de datos, implementar soluciones de seguridad informática y explorar el campo emergente de la visión artificial. Además, te equipa con las herramientas y técnicas necesarias para colaborar en proyectos de machine learning y trabajar de manera eficiente en entornos colaborativos como Google Colab.
Objetivos
- Dominar la sintaxis básica de Python y configurar un entorno de desarrollo.
- Entender el control de flujo y las estructuras de datos en Python.
- Aplicar conceptos avanzados como programación orientada a objetos y manejo de excepciones.
- Desarrollar aplicaciones web utilizando frameworks como Django y Flask.
- Realizar análisis de datos utilizando NumPy, Pandas y Matplotlib.
- Adquirir habilidades en hacking ético para garantizar la seguridad informática.
- Explorar el campo de la visión artificial con OpenCV.
A quién va dirigido
Este Máster de Programación con Python está dirigido a estudiantes y profesionales del ámbito tecnológico con interés en profundizar sus conocimientos en Python y aplicarlos en diferentes áreas, como desarrollo web, análisis de datos, seguridad informática y visión artificial. También es adecuado para quienes deseen expandir sus habilidades en programación.
Salidas Profesionales
Gracias a este Máster de Programación con Python podrás trabajar como profesional del software, ingeniería de datos, análisis de seguridad informática, ingeniería de visión artificial, en la ciencia de datos o especialista en análisis forense digital abriendo tus posibilidades a multitud de campos y empresas e incluso ofrecer tus servicios como freelance.
Temario
MÓDULO 1. PYTHON ESSENTIALS
UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A PYTHON. INSTALACIÓN Y CONFIGURACIÓN DE ENTORNO DE DESARROLLO
- Introducción a Python
- Características y aplicaciones
- Instalación de Python
- Configuración de un entorno de desarrollo
UNIDAD DIDÁCTICA 2. TIPOS DE DATOS, VARIABLES, OPERADORES Y EXPRESIONES
- Sintaxis básica de Python
- Variables y tipos de datos
- Operadores y expresiones
- Uso de comentarios
UNIDAD DIDÁCTICA 3. CONTROL DEL FLUJO: BUCLES Y CONDICIONALES
- Introducción al control de flujo
- Estructuras condicionales (if, elif, else)
- Bucles (for y while)
- Control de bucles (break y continue)
UNIDAD DIDÁCTICA 4. COLECCIONES DE DATOS: TUPLAS, CONJUNTOS, DICCIONARIOS, PILAS Y COLAS
- Listas y tuplas
- Conjuntos: colecciones únicas
- Diccionarios: pares clave-valor
- Pilas: concepto y operaciones
- Colas: implementación y uso
UNIDAD DIDÁCTICA 5. FUNCIONES, RECURSIVIDAD Y PASO POR VALOR Y REFERENCIA
- Definición y llamada de funciones
- Parámetros y argumentos
- Retorno de valores
- Ámbito de las variables
- Módulos y organización del código
UNIDAD DIDÁCTICA 6. CLASES Y OBJETOS
- Conceptos de programación orientada a objetos
- Creación de clases y objetos
- Atributos y métodos
- Encapsulación y visibilidad
- Constructores y destructores
UNIDAD DIDÁCTICA 7. MANEJO DE FICHEROS, ENTRADAS Y SALIDAS
- Introducción a ficheros
- Lectura y escritura de archivos
- Manejo de rutas de archivos
- Entrada y salida estándar
- Formateo de texto
UNIDAD DIDÁCTICA 8. HERENCIA, POLIMORFISMO Y MANEJO DE EXCEPCIONES
- Herencia y clases base
- Sobreescritura de métodos
- Polimorfismo e interfaces
- Excepciones y manejo de errores
UNIDAD DIDÁCTICA 9. GUI CON TKINTER
- Introducción a interfaces gráficas
- Configuración de Tkinter
- Creación de widgets y ventanas
- Manejo de eventos y callbacks
UNIDAD DIDÁCTICA 10. SQLITE PARA LA ADMINISTRACIÓN DE BASES DE DATOS
- Introducción a bases de datos SQLite
- Creación y conexión a bases de datos
- Consultas SQL básicas
- Inserción, actualización y eliminación de datos
UNIDAD DIDÁCTICA 11. FUNCIONES AVANZADAS
- Metaprogramación
- Funciones lambda
- Iteradores
- Decoradores
- Generadores y expresiones generadoras
UNIDAD DIDÁCTICA 12. TESTING Y DOCUMENTACIÓN
- Importancia del testing y la documentación
- Uso de pruebas unitarias
- Documentación de código con docstrings
- Generación de documentación automática
MÓDULO 2. PYTHON ADVANCED
UNIDAD DIDÁCTICA 1. OPTIMIZACIÓN Y RENDIMIENTO
- Estrategias de Optimización
- Profiling y Análisis de Rendimiento
- Uso Avanzado de Decoradores
UNIDAD DIDÁCTICA 2. PROGRAMACIÓN AVANZADA ORIENTADA A OBJETOS
- Herencia Múltiple y Resolución de Métodos
- Mixins y Composición
- Métodos Mágicos y Propiedades
UNIDAD DIDÁCTICA 3. GESTIÓN DE MEMORIA Y RECOLECCIÓN DE BASURA
- Ciclo de Vida de Objetos
- Gestión Manual de Memoria
- Optimización de Uso de Memoria
UNIDAD DIDÁCTICA 4. PATRONES DE DISEÑO EN PYTHON
- Patrón Singleton
- Patrón Factory
- Patrón Decorator
- Patrón Observer
UNIDAD DIDÁCTICA 5. PROGRAMACIÓN FUNCIONAL AVANZADA
- Funciones de Orden Superior
- Cierres y Ámbito
- Programación Funcional en Práctica
- Monads y Programación Funcional Reactiva
UNIDAD DIDÁCTICA 6. MANEJO AVANZADO DE EXCEPCIONES
- Creación de Excepciones Personalizadas
- Context Managers y el Protocolo de Contexto
- Supresión y Manipulación de Excepciones
UNIDAD DIDÁCTICA 7. CONCURRENCIA Y PARALELISMO
- Multithreading vs. Multiprocessing
- Sincronización de Hilos
- Comunicación entre Procesos
- Programación Asíncrona con asyncio
UNIDAD DIDÁCTICA 8. DESARROLLO WEB CON PYTHON
- Introducción a Flask y Django
- Creación de API RESTful
- Autenticación y Autorización
- Integración de Plantillas y Frontend
UNIDAD DIDÁCTICA 9. MANEJO AVANZADO DE ARCHIVOS Y STREAMS
- Lectura y Escritura Eficiente de Archivos
- Procesamiento de Archivos CSV y JSON
- Trabajo con Archivos Binarios
MÓDULO 3. DESARROLLO WEB EN PYTHON CON DJANGO
UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A DJANGO E INSTALACIÓN
- ¿Qué es Django?
- Historia de Django
- Requisitos previos para la instalación
- Instalación de Django
- Configuración de un entorno de desarrollo integrado
UNIDAD DIDÁCTICA 2. CREACIÓN Y CONFIGURACIÓN DE UN PROYECTO DJANGO
- Iniciar un nuevo proyecto en Django
- Estructura de un proyecto Django
- Instalación del software de creación de bases de datos
- Configurar base de datos
- Vincular la base de datos a Django
- Migración de los modelos
UNIDAD DIDÁCTICA 3. CREACIÓN DE UNA WEB SENCILLA
- Características de un sitio web
- Creación de vistas
- Creación de URLs
- Creación de plantillas HTML
- Elementos que se pueden mostrar en un sitio web
UNIDAD DIDÁCTICA 4. CONFIGURACIÓN DE MODELOS DE DATOS
- Modelos de datos
- Campos de datos
- Relaciones entre modelos
- Personalización de modelos
UNIDAD DIDÁCTICA 5. COMBINAR MODELO, VISTA Y PLANTILLA
- Introducción a modelo-vista-plantilla (MVP)
- Combinación de estos elementos
- Separación de responsabilidades
UNIDAD DIDÁCTICA 6. URLS Y ENLACES
- Introducción a las URLs
- Configuración de URLs y rutas
- Configuraciones alternativas de la ruta
- Agregar una vista a una ruta
- Acceder a una URL
UNIDAD DIDÁCTICA 7. PLANTILLAS EN DJANGO
- Introducción a las plantillas
- Estructura y sintaxis de plantillas
- Configuración de plantillas
- Errores comunes
- Plantillas anidadas y herencia
UNIDAD DIDÁCTICA 8. CSS EN DJANGO
- Introducción a CSS
- Integración de estilos CSS en proyectos Django
- Sintaxis básica de CSS
- Tipos de códigos CSS
- Uso de hojas de estilo externas
UNIDAD DIDÁCTICA 9. USO DE FORMULARIOS EN DJANGO
- Introducción a formularios
- Formulario de búsqueda de productos
- Creación de un formulario con un fichero forms.py
- Personalización de formularios
- Validación de datos en formularios
MÓDULO 4. GIT
UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A GIT
- ¿Qué es el control de versiones?
- ¿Qué es GIT?
- ¿Por qué GIT?
- Instalación de GIT
- GitHub y su relación con GIT
UNIDAD DIDÁCTICA 2. MANEJO DE REPOSITORIOS EN GIT
- Flujo de trabajo en GIT (Workflow)
- Principales comandos Git Bash
- Crear un repositorio
- Cambios de archivos
- Deshacer cambios
- Sincronizar repositorios
- Reescribir historial
UNIDAD DIDÁCTICA 3. RAMAS EN GIT
- Usar ramas en GIT
- Cambiar ramas (Git checkout)
- Ramas remotas (Remote Branches)
- Flujo de trabajo (Workflow)
- Integración de ramas
- Borrado de ramas
- Etiquetas (Tags)
- Solicitudes de extracción (Pull requests)
UNIDAD DIDÁCTICA 4. COMANDOS GIT
- Comandos GIT en Git Bash
- Comandos GIT para configurar y crear repositorios
- Comandos GIT para preparar y confirmar cambios
- Comandos GIT para trabajar con repositorios remotos (como GitHub)
- Comandos GIT para deshacer cambios y etiquetas
UNIDAD DIDÁCTICA 5. BUENAS PRÁCTICAS EN GIT
- Trabajar con GIT
- Confirma con regularidad (commit)
- Escriba mensajes de confirmación útiles
- Utilice ramas (Branch)
- Actualice su repositorio antes de enviar cambios (Pull y Push)
- Divide el trabajo en repositorios
MÓDULO 5. ANÁLISIS DE DATOS CON PYTHON
UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL ANÁLISIS DE DATOS
- ¿Qué es el análisis de datos?
UNIDAD DIDÁCTICA 2. LIBRERÍAS PARA EL ANÁLISIS DE DATOS: NUMPY, PANDAS Y MATPLOTLIB
- Análisis de datos con NumPy
- Pandas
- Matplotlib
UNIDAD DIDÁCTICA 3. FILTRADO Y EXTRACCIÓN DE DATOS
- Cómo usar loc en Pandas
- Cómo eliminar una columna en Pandas
UNIDAD DIDÁCTICA 4. PIVOT TABLES
- Pivot tables en pandas
UNIDAD DIDÁCTICA 5. GROUPBY Y FUNCIONES DE AGREGACIÓN
- El grupo de pandas
UNIDAD DIDÁCTICA 6. FUSIÓN DE DATAFRAMES
- Python Pandas fusionando marcos de datos
UNIDAD DIDÁCTICA 7. VISUALIZACIÓN DE DATOS CON MATPLOTLIB Y CON SEABORN
- Matplotlib
- Seaborn
UNIDAD DIDÁCTICA 8. INTRODUCCIÓN AL MACHINE LEARNING
- Aprendizaje automático
UNIDAD DIDÁCTICA 9. REGRESIÓN LINEAL Y REGRESIÓN LOGÍSTICA
- Regresión lineal
- Regresión logística
UNIDAD DIDÁCTICA 10. ÁRBOL DE DECISIONES
- Estructura de árbol
UNIDAD DIDÁCTICA 11. NAIVE BAYES
- Algortimo de Naive bayes
- Tipos de Naive Bayes
UNIDAD DIDÁCTICA 12. SUPPORT VECTOR MACHINES (SVM)
- Máquinas de vectores soporte (Support Vector Machine-SVM)
- ¿Cómo funciona SVM?
- Núcleos SVM
- Construcción de clasificador en Scikit-learn
UNIDAD DIDÁCTICA 13. KNN
- K-nearest Neighbors (KNN)
- Implementación de Python del algoritmo KNN
UNIDAD DIDÁCTICA 14. PRINCIPAL COMPONENT ANALYSIS (PCA)
- Análisis de componentes principales
UNIDAD DIDÁCTICA 15. RANDOM FOREST
- Algoritmo de Random Forest
MÓDULO 6. PYTHON Y GOOGLE COLAB
UNIDAD DIDÁCTICA 1. PRIMEROS PASOS Y ECOSISTEMA GOOGLE COLAB
- Introducción
- Primeros pasos
- Ejemplos básicos
UNIDAD DIDÁCTICA 2. IMPORTACIÓN DE BIBLIOTECAS Y DEPENDENCIAS EN GOOGLE COLAB
- Bibliotecas y dependencias preinstaladas
- Bibliotecas y dependencias no instaladas
- Introducción a Numpy y Matplotlib
UNIDAD DIDÁCTICA 3. IMPORTACIÓN DE DATOS EN GOOGLE COLAB
- Introducción
- Importar datos
UNIDAD DIDÁCTICA 4. MACHINE LEARNING EN GOOGLE COLAB
- Inteligencia artificial
- Scikit-learn
- Técnicas de ajuste en ML
- Preprocesamiento de datos
- Preprocesamiento de imágenes
UNIDAD DIDÁCTICA 5. CARGAR CONJUNTOS DE DATOS DE KAGGLE
- Introducción a Kaggle
- Instalación de Kaggle
- Uso de Kaggle en Colab
UNIDAD DIDÁCTICA 6. VISUALIZACIÓN DE DATOS EN GOOGLE COLAB
- Importancia de representar datos
- Utilización del tipo correcto de visualización
- Herramientas
UNIDAD DIDÁCTICA 7. IMPLEMENTACIÓN DE ALGORITMOS MACHINE LEARNING EN GOOGLE COLAB
- Aprendizaje supervisado
- Aprendizaje no supervisado
- Aprendizaje Reforzado
UNIDAD DIDÁCTICA 8. GOOOGLE COLAB Y GITHUB
- GitHub
- GitHub Repository
- GitHub Flow
- GitHub Pages
- GitHub Actions
- GitHub en Google Colab
UNIDAD DIDÁCTICA 9. GOOGLE COLAB MAGICS
- Introducción
- Magics en línea
- Magics de celda
- Magics avanzados
UNIDAD DIDÁCTICA 10. OTRAS FUNCIONES Y HERRAMIENTAS DE INTERÉS EN GOOGLE COLAB
- Colab Pro
- Comparación
- Medidas para optimizar Google Colab
MÓDULO 7. PYTHON: DESARROLLO DE APLICACIONES HACKING & FORENSIC
UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL HACKING E INSTALACIÓN DE PYTHON, ENTORNO Y LIBRERIAS PARA HACKING
- Hacking ético
- Tipos de hacking ético
- Perfil del hacker ético
- Selección del sistema operativo adecuado
- Python para hacking
UNIDAD DIDÁCTICA 2. CAMBIADOR DE DIRECCIONES MAC. CONCEPTOS BÁSICOS EN PYTHON
- Direcciones MAC
- Seguridad en las direcciones MAC
- Cambiador de direcciones MAC
- Obtención de la dirección MAC actual
UNIDAD DIDÁCTICA 3. MAC CHANGER. DISEÑO DE ALGORITMOS
- Variables y tipos de datos
- Sintaxis y estructuras de control en Python
- Funciones en Python
- Cambio de MAC con Python
UNIDAD DIDÁCTICA 4. ESCÁNER DE RED
- ¿Qué son las redes?
- Herramientas de escaneo de red populares
- Scapy
- Escaneo de puertos
- Envío de paquetes personalizados
- Trazar una ruta (traceroute)
UNIDAD DIDÁCTICA 5. SPOOFER DE ARP
- Suplantación de identidad
- Protección contra la suplantación de identidad
- Propósito del ARP en las redes
- Spoofer ARP
UNIDAD DIDÁCTICA 6. RASTREADOR DE PAQUETES
- Tipos de paquetes
- Definición de rastreador de paquetes
- Crear un rastreador de paquetes en Python
- Wireshark
UNIDAD DIDÁCTICA 7. SUPLANTADOR DE DNS
- Sistema de nombres de dominio (DNS)
- Suplantación de DNS
- Cómo programar en Python
- Métodos de detección
UNIDAD DIDÁCTICA 8. INTERCEPTOR DE ARCHIVOS
- Definición de interceptores de archivos
- Técnicas de interceptación de archivos
- Captura de archivos en memoria
- Informe forense
UNIDAD DIDÁCTICA 9. INYECTOR DE CÓDIGO
- ¿Qué es un inyector de código?
- Técnicas de inyección de código
- Peligros y consideraciones de seguridad
- Inyector de código en Python
UNIDAD DIDÁCTICA 10. OMITIR HTTPS
- HTTPS
- Razones para omitir HTTPS
- Requests
- Cómo omitir HTTPS en Python
MÓDULO 8. VISIÓN ARTIFICIAL EN INDUSTRIA 4.0 CON PYTHON Y OPENCV
UNIDAD DIDÁCTICA 1. LA VISIÓN ARTIFICIAL: DEFINICIÓN Y ASPECTOS PRINCIPALES
- La visión artificial: definiciones y aspectos principales
UNIDAD DIDÁCTICA 2. COMPONENTES DE UN SISTEMA DE VISIÓN ARTIFICIAL
- Ópticas
- Iluminación
- Cámaras
- Sistemas 3D
- Sensores
- Equipos compactos
- Metodologías para la selección del hardware
UNIDAD DIDÁCTICA 3. PROCESADO DE IMÁGENES MEDIANTE VISIÓN ARTIFICIAL
- Algoritmos
- Software
- Segmentación e interpretación de imágenes
- Metodologías para la selección del software
UNIDAD DIDÁCTICA 4. APLICACIONES DE LA VISIÓN EN LA INDUSTRIA 4.0
- Aplicaciones clásicas: discriminación, detección de fallos…
- Nuevas aplicaciones: códigos OCR, trazabilidad, robótica, reconocimiento (OKAO)
UNIDAD DIDÁCTICA 5. INTRODUCCIÓN E INSTALACIÓN DE OPENCV
- Descripción general OpenCV
- Instalación OpenCV para Python en Windows
- Instalación OpenCV para Python en Linux
- Anaconda y OpenCV
UNIDAD DIDÁCTICA 6. MANEJO DE FICHEROS, CÁMARAS E INTERFACES GRÁFICAS
- Manejo de archivos
- Leer una imagen con OpenCV
- Mostrar imagen con OpenCV
- Guardar una imagen con OpenCV
- Operaciones aritméticas en imágenes usando OpenCV
- Funciones de dibujo
UNIDAD DIDÁCTICA 7. TRATAMIENTO DE IMÁGENES
- Redimensión de imágenes
- Erosión de imágenes
- Desenfoque de imágenes
- Bordeado de imágenes
- Escala de grises en imágenes
- Escalado, rotación, desplazamiento y detección de bordes
- Erosión y dilatación de imágenes
- Umbrales simples
- Umbrales adaptativos
- Umbral de Otsu
- Contornos de imágenes
- Incrustación de imágenes
- Intensidad en imágenes
- Registro de imágenes
- Extracción de primer plano
- Operaciones morfológicas en imágenes
- Pirámide de imágen
UNIDAD DIDÁCTICA 8. HISTOGRAMAS Y TEMPLATE MATCHING
- Analizar imágenes usando histogramas
- Ecualización de histogramas
- Template matching
- Detección de campos en documentos usando Template matching
UNIDAD DIDÁCTICA 9. COLORES Y ESPACIOS DE COLOR
- Espacios de color en OpenCV
- Cambio de espacio de color
- Filtrado de color
- Denoising de imágenes en color
- Visualizar una imagen en diferentes espacios de color
UNIDAD DIDÁCTICA 10. DETECCIÓN DE CARAS Y EXTRACCIÓN DE CARACTERÍSTICAS
- Detección de líneas
- Detección de círculos
- Detectar esquinas (Método Shi-Tomasi)
- Detectar esquinas (método Harris)
- Encontrar círculos y elipses
- Detección de caras y sonrisas
UNIDAD DIDÁCTICA 11. APRENDIZAJE AUTOMÁTICO
- Vecino más cercano (K-Nearest Neighbour)
- Agrupamiento de K-medias (K-Means Clustering)
Titulación
Solicitar información