Máster de Programación con Python
100% Online
1500 horas
1695€
Máster de Programación con Python
    Máster de Programación con Python

    Máster de Programación con Python

    100% Online
    1500 horas
    1695€
    Seguridad y confianza en tus pagos online.

    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.
    Qs World University Rankings

    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

    1. Introducción a Python
    2. Características y aplicaciones
    3. Instalación de Python
    4. Configuración de un entorno de desarrollo

    UNIDAD DIDÁCTICA 2. TIPOS DE DATOS, VARIABLES, OPERADORES Y EXPRESIONES

    1. Sintaxis básica de Python
    2. Variables y tipos de datos
    3. Operadores y expresiones
    4. Uso de comentarios

    UNIDAD DIDÁCTICA 3. CONTROL DEL FLUJO: BUCLES Y CONDICIONALES

    1. Introducción al control de flujo
    2. Estructuras condicionales (if, elif, else)
    3. Bucles (for y while)
    4. Control de bucles (break y continue)

    UNIDAD DIDÁCTICA 4. COLECCIONES DE DATOS: TUPLAS, CONJUNTOS, DICCIONARIOS, PILAS Y COLAS

    1. Listas y tuplas
    2. Conjuntos: colecciones únicas
    3. Diccionarios: pares clave-valor
    4. Pilas: concepto y operaciones
    5. Colas: implementación y uso

    UNIDAD DIDÁCTICA 5. FUNCIONES, RECURSIVIDAD Y PASO POR VALOR Y REFERENCIA

    1. Definición y llamada de funciones
    2. Parámetros y argumentos
    3. Retorno de valores
    4. Ámbito de las variables
    5. Módulos y organización del código

    UNIDAD DIDÁCTICA 6. CLASES Y OBJETOS

    1. Conceptos de programación orientada a objetos
    2. Creación de clases y objetos
    3. Atributos y métodos
    4. Encapsulación y visibilidad
    5. Constructores y destructores

    UNIDAD DIDÁCTICA 7. MANEJO DE FICHEROS, ENTRADAS Y SALIDAS

    1. Introducción a ficheros
    2. Lectura y escritura de archivos
    3. Manejo de rutas de archivos
    4. Entrada y salida estándar
    5. Formateo de texto

    UNIDAD DIDÁCTICA 8. HERENCIA, POLIMORFISMO Y MANEJO DE EXCEPCIONES

    1. Herencia y clases base
    2. Sobreescritura de métodos
    3. Polimorfismo e interfaces
    4. Excepciones y manejo de errores

    UNIDAD DIDÁCTICA 9. GUI CON TKINTER

    1. Introducción a interfaces gráficas
    2. Configuración de Tkinter
    3. Creación de widgets y ventanas
    4. Manejo de eventos y callbacks

    UNIDAD DIDÁCTICA 10. SQLITE PARA LA ADMINISTRACIÓN DE BASES DE DATOS

    1. Introducción a bases de datos SQLite
    2. Creación y conexión a bases de datos
    3. Consultas SQL básicas
    4. Inserción, actualización y eliminación de datos

    UNIDAD DIDÁCTICA 11. FUNCIONES AVANZADAS

    1. Metaprogramación
    2. Funciones lambda
    3. Iteradores
    4. Decoradores
    5. Generadores y expresiones generadoras

    UNIDAD DIDÁCTICA 12. TESTING Y DOCUMENTACIÓN

    1. Importancia del testing y la documentación
    2. Uso de pruebas unitarias
    3. Documentación de código con docstrings
    4. Generación de documentación automática

    MÓDULO 2. PYTHON ADVANCED

    UNIDAD DIDÁCTICA 1. OPTIMIZACIÓN Y RENDIMIENTO

    1. Estrategias de Optimización
    2. Profiling y Análisis de Rendimiento
    3. Uso Avanzado de Decoradores

    UNIDAD DIDÁCTICA 2. PROGRAMACIÓN AVANZADA ORIENTADA A OBJETOS

    1. Herencia Múltiple y Resolución de Métodos
    2. Mixins y Composición
    3. Métodos Mágicos y Propiedades

    UNIDAD DIDÁCTICA 3. GESTIÓN DE MEMORIA Y RECOLECCIÓN DE BASURA

    1. Ciclo de Vida de Objetos
    2. Gestión Manual de Memoria
    3. Optimización de Uso de Memoria

    UNIDAD DIDÁCTICA 4. PATRONES DE DISEÑO EN PYTHON

    1. Patrón Singleton
    2. Patrón Factory
    3. Patrón Decorator
    4. Patrón Observer

    UNIDAD DIDÁCTICA 5. PROGRAMACIÓN FUNCIONAL AVANZADA

    1. Funciones de Orden Superior
    2. Cierres y Ámbito
    3. Programación Funcional en Práctica
    4. Monads y Programación Funcional Reactiva

    UNIDAD DIDÁCTICA 6. MANEJO AVANZADO DE EXCEPCIONES

    1. Creación de Excepciones Personalizadas
    2. Context Managers y el Protocolo de Contexto
    3. Supresión y Manipulación de Excepciones

    UNIDAD DIDÁCTICA 7. CONCURRENCIA Y PARALELISMO

    1. Multithreading vs. Multiprocessing
    2. Sincronización de Hilos
    3. Comunicación entre Procesos
    4. Programación Asíncrona con asyncio

    UNIDAD DIDÁCTICA 8. DESARROLLO WEB CON PYTHON

    1. Introducción a Flask y Django
    2. Creación de API RESTful
    3. Autenticación y Autorización
    4. Integración de Plantillas y Frontend

    UNIDAD DIDÁCTICA 9. MANEJO AVANZADO DE ARCHIVOS Y STREAMS

    1. Lectura y Escritura Eficiente de Archivos
    2. Procesamiento de Archivos CSV y JSON
    3. Trabajo con Archivos Binarios

    MÓDULO 3. DESARROLLO WEB EN PYTHON CON DJANGO

    UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A DJANGO E INSTALACIÓN

    1. ¿Qué es Django?
    2. Historia de Django
    3. Requisitos previos para la instalación
    4. Instalación de Django
    5. Configuración de un entorno de desarrollo integrado

    UNIDAD DIDÁCTICA 2. CREACIÓN Y CONFIGURACIÓN DE UN PROYECTO DJANGO

    1. Iniciar un nuevo proyecto en Django
    2. Estructura de un proyecto Django
    3. Instalación del software de creación de bases de datos
    4. Configurar base de datos
    5. Vincular la base de datos a Django
    6. Migración de los modelos

    UNIDAD DIDÁCTICA 3. CREACIÓN DE UNA WEB SENCILLA

    1. Características de un sitio web
    2. Creación de vistas
    3. Creación de URLs
    4. Creación de plantillas HTML
    5. Elementos que se pueden mostrar en un sitio web

    UNIDAD DIDÁCTICA 4. CONFIGURACIÓN DE MODELOS DE DATOS

    1. Modelos de datos
    2. Campos de datos
    3. Relaciones entre modelos
    4. Personalización de modelos

    UNIDAD DIDÁCTICA 5. COMBINAR MODELO, VISTA Y PLANTILLA

    1. Introducción a modelo-vista-plantilla (MVP)
    2. Combinación de estos elementos
    3. Separación de responsabilidades

    UNIDAD DIDÁCTICA 6. URLS Y ENLACES

    1. Introducción a las URLs
    2. Configuración de URLs y rutas
    3. Configuraciones alternativas de la ruta
    4. Agregar una vista a una ruta
    5. Acceder a una URL

    UNIDAD DIDÁCTICA 7. PLANTILLAS EN DJANGO

    1. Introducción a las plantillas
    2. Estructura y sintaxis de plantillas
    3. Configuración de plantillas
    4. Errores comunes
    5. Plantillas anidadas y herencia

    UNIDAD DIDÁCTICA 8. CSS EN DJANGO

    1. Introducción a CSS
    2. Integración de estilos CSS en proyectos Django
    3. Sintaxis básica de CSS
    4. Tipos de códigos CSS
    5. Uso de hojas de estilo externas

    UNIDAD DIDÁCTICA 9. USO DE FORMULARIOS EN DJANGO

    1. Introducción a formularios
    2. Formulario de búsqueda de productos
    3. Creación de un formulario con un fichero forms.py
    4. Personalización de formularios
    5. Validación de datos en formularios

    MÓDULO 4. GIT

    UNIDAD DIDÁCTICA 1. INTRODUCCIÓN A GIT

    1. ¿Qué es el control de versiones?
    2. ¿Qué es GIT?
    3. ¿Por qué GIT?
    4. Instalación de GIT
    5. GitHub y su relación con GIT

    UNIDAD DIDÁCTICA 2. MANEJO DE REPOSITORIOS EN GIT

    1. Flujo de trabajo en GIT (Workflow)
    2. Principales comandos Git Bash
    3. Crear un repositorio
    4. Cambios de archivos
    5. Deshacer cambios
    6. Sincronizar repositorios
    7. Reescribir historial

    UNIDAD DIDÁCTICA 3. RAMAS EN GIT

    1. Usar ramas en GIT
    2. Cambiar ramas (Git checkout)
    3. Ramas remotas (Remote Branches)
    4. Flujo de trabajo (Workflow)
    5. Integración de ramas
    6. Borrado de ramas
    7. Etiquetas (Tags)
    8. Solicitudes de extracción (Pull requests)

    UNIDAD DIDÁCTICA 4. COMANDOS GIT

    1. Comandos GIT en Git Bash
    2. Comandos GIT para configurar y crear repositorios
    3. Comandos GIT para preparar y confirmar cambios
    4. Comandos GIT para trabajar con repositorios remotos (como GitHub)
    5. Comandos GIT para deshacer cambios y etiquetas

    UNIDAD DIDÁCTICA 5. BUENAS PRÁCTICAS EN GIT

    1. Trabajar con GIT
    2. Confirma con regularidad (commit)
    3. Escriba mensajes de confirmación útiles
    4. Utilice ramas (Branch)
    5. Actualice su repositorio antes de enviar cambios (Pull y Push)
    6. Divide el trabajo en repositorios

    MÓDULO 5. ANÁLISIS DE DATOS CON PYTHON

    UNIDAD DIDÁCTICA 1. INTRODUCCIÓN AL ANÁLISIS DE DATOS

    1. ¿Qué es el análisis de datos?

    UNIDAD DIDÁCTICA 2. LIBRERÍAS PARA EL ANÁLISIS DE DATOS: NUMPY, PANDAS Y MATPLOTLIB

    1. Análisis de datos con NumPy
    2. Pandas
    3. Matplotlib

    UNIDAD DIDÁCTICA 3. FILTRADO Y EXTRACCIÓN DE DATOS

    1. Cómo usar loc en Pandas
    2. Cómo eliminar una columna en Pandas

    UNIDAD DIDÁCTICA 4. PIVOT TABLES

    1. Pivot tables en pandas

    UNIDAD DIDÁCTICA 5. GROUPBY Y FUNCIONES DE AGREGACIÓN

    1. El grupo de pandas

    UNIDAD DIDÁCTICA 6. FUSIÓN DE DATAFRAMES

    1. Python Pandas fusionando marcos de datos

    UNIDAD DIDÁCTICA 7. VISUALIZACIÓN DE DATOS CON MATPLOTLIB Y CON SEABORN

    1. Matplotlib
    2. Seaborn

    UNIDAD DIDÁCTICA 8. INTRODUCCIÓN AL MACHINE LEARNING

    1. Aprendizaje automático

    UNIDAD DIDÁCTICA 9. REGRESIÓN LINEAL Y REGRESIÓN LOGÍSTICA

    1. Regresión lineal
    2. Regresión logística

    UNIDAD DIDÁCTICA 10. ÁRBOL DE DECISIONES

    1. Estructura de árbol

    UNIDAD DIDÁCTICA 11. NAIVE BAYES

    1. Algortimo de Naive bayes
    2. Tipos de Naive Bayes

    UNIDAD DIDÁCTICA 12. SUPPORT VECTOR MACHINES (SVM)

    1. Máquinas de vectores soporte (Support Vector Machine-SVM)
    2. ¿Cómo funciona SVM?
    3. Núcleos SVM
    4. Construcción de clasificador en Scikit-learn

    UNIDAD DIDÁCTICA 13. KNN

    1. K-nearest Neighbors (KNN)
    2. Implementación de Python del algoritmo KNN

    UNIDAD DIDÁCTICA 14. PRINCIPAL COMPONENT ANALYSIS (PCA)

    1. Análisis de componentes principales

    UNIDAD DIDÁCTICA 15. RANDOM FOREST

    1. Algoritmo de Random Forest

    MÓDULO 6. PYTHON Y GOOGLE COLAB

    UNIDAD DIDÁCTICA 1. PRIMEROS PASOS Y ECOSISTEMA GOOGLE COLAB

    1. Introducción
    2. Primeros pasos
    3. Ejemplos básicos

    UNIDAD DIDÁCTICA 2. IMPORTACIÓN DE BIBLIOTECAS Y DEPENDENCIAS EN GOOGLE COLAB

    1. Bibliotecas y dependencias preinstaladas
    2. Bibliotecas y dependencias no instaladas
    3. Introducción a Numpy y Matplotlib

    UNIDAD DIDÁCTICA 3. IMPORTACIÓN DE DATOS EN GOOGLE COLAB

    1. Introducción
    2. Importar datos

    UNIDAD DIDÁCTICA 4. MACHINE LEARNING EN GOOGLE COLAB

    1. Inteligencia artificial
    2. Scikit-learn
    3. Técnicas de ajuste en ML
    4. Preprocesamiento de datos
    5. Preprocesamiento de imágenes

    UNIDAD DIDÁCTICA 5. CARGAR CONJUNTOS DE DATOS DE KAGGLE

    1. Introducción a Kaggle
    2. Instalación de Kaggle
    3. Uso de Kaggle en Colab

    UNIDAD DIDÁCTICA 6. VISUALIZACIÓN DE DATOS EN GOOGLE COLAB

    1. Importancia de representar datos
    2. Utilización del tipo correcto de visualización
    3. Herramientas

    UNIDAD DIDÁCTICA 7. IMPLEMENTACIÓN DE ALGORITMOS MACHINE LEARNING EN GOOGLE COLAB

    1. Aprendizaje supervisado
    2. Aprendizaje no supervisado
    3. Aprendizaje Reforzado

    UNIDAD DIDÁCTICA 8. GOOOGLE COLAB Y GITHUB

    1. GitHub
    2. GitHub Repository
    3. GitHub Flow
    4. GitHub Pages
    5. GitHub Actions
    6. GitHub en Google Colab

    UNIDAD DIDÁCTICA 9. GOOGLE COLAB MAGICS

    1. Introducción
    2. Magics en línea
    3. Magics de celda
    4. Magics avanzados

    UNIDAD DIDÁCTICA 10. OTRAS FUNCIONES Y HERRAMIENTAS DE INTERÉS EN GOOGLE COLAB

    1. Colab Pro
    2. Comparación
    3. 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

    1. Hacking ético
    2. Tipos de hacking ético
    3. Perfil del hacker ético
    4. Selección del sistema operativo adecuado
    5. Python para hacking

    UNIDAD DIDÁCTICA 2. CAMBIADOR DE DIRECCIONES MAC. CONCEPTOS BÁSICOS EN PYTHON

    1. Direcciones MAC
    2. Seguridad en las direcciones MAC
    3. Cambiador de direcciones MAC
    4. Obtención de la dirección MAC actual

    UNIDAD DIDÁCTICA 3. MAC CHANGER. DISEÑO DE ALGORITMOS

    1. Variables y tipos de datos
    2. Sintaxis y estructuras de control en Python
    3. Funciones en Python
    4. Cambio de MAC con Python

    UNIDAD DIDÁCTICA 4. ESCÁNER DE RED

    1. ¿Qué son las redes?
    2. Herramientas de escaneo de red populares
    3. Scapy
    4. Escaneo de puertos
    5. Envío de paquetes personalizados
    6. Trazar una ruta (traceroute)

    UNIDAD DIDÁCTICA 5. SPOOFER DE ARP

    1. Suplantación de identidad
    2. Protección contra la suplantación de identidad
    3. Propósito del ARP en las redes
    4. Spoofer ARP

    UNIDAD DIDÁCTICA 6. RASTREADOR DE PAQUETES

    1. Tipos de paquetes
    2. Definición de rastreador de paquetes
    3. Crear un rastreador de paquetes en Python
    4. Wireshark

    UNIDAD DIDÁCTICA 7. SUPLANTADOR DE DNS

    1. Sistema de nombres de dominio (DNS)
    2. Suplantación de DNS
    3. Cómo programar en Python
    4. Métodos de detección

    UNIDAD DIDÁCTICA 8. INTERCEPTOR DE ARCHIVOS

    1. Definición de interceptores de archivos
    2. Técnicas de interceptación de archivos
    3. Captura de archivos en memoria
    4. Informe forense

    UNIDAD DIDÁCTICA 9. INYECTOR DE CÓDIGO

    1. ¿Qué es un inyector de código?
    2. Técnicas de inyección de código
    3. Peligros y consideraciones de seguridad
    4. Inyector de código en Python

    UNIDAD DIDÁCTICA 10. OMITIR HTTPS

    1. HTTPS
    2. Razones para omitir HTTPS
    3. Requests
    4. 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

    1. La visión artificial: definiciones y aspectos principales

    UNIDAD DIDÁCTICA 2. COMPONENTES DE UN SISTEMA DE VISIÓN ARTIFICIAL

    1. Ópticas
    2. Iluminación
    3. Cámaras
    4. Sistemas 3D
    5. Sensores
    6. Equipos compactos
    7. Metodologías para la selección del hardware

    UNIDAD DIDÁCTICA 3. PROCESADO DE IMÁGENES MEDIANTE VISIÓN ARTIFICIAL

    1. Algoritmos
    2. Software
    3. Segmentación e interpretación de imágenes
    4. Metodologías para la selección del software

    UNIDAD DIDÁCTICA 4. APLICACIONES DE LA VISIÓN EN LA INDUSTRIA 4.0

    1. Aplicaciones clásicas: discriminación, detección de fallos…
    2. Nuevas aplicaciones: códigos OCR, trazabilidad, robótica, reconocimiento (OKAO)

    UNIDAD DIDÁCTICA 5. INTRODUCCIÓN E INSTALACIÓN DE OPENCV

    1. Descripción general OpenCV
    2. Instalación OpenCV para Python en Windows
    3. Instalación OpenCV para Python en Linux
    4. Anaconda y OpenCV

    UNIDAD DIDÁCTICA 6. MANEJO DE FICHEROS, CÁMARAS E INTERFACES GRÁFICAS

    1. Manejo de archivos
    2. Leer una imagen con OpenCV
    3. Mostrar imagen con OpenCV
    4. Guardar una imagen con OpenCV
    5. Operaciones aritméticas en imágenes usando OpenCV
    6. Funciones de dibujo

    UNIDAD DIDÁCTICA 7. TRATAMIENTO DE IMÁGENES

    1. Redimensión de imágenes
    2. Erosión de imágenes
    3. Desenfoque de imágenes
    4. Bordeado de imágenes
    5. Escala de grises en imágenes
    6. Escalado, rotación, desplazamiento y detección de bordes
    7. Erosión y dilatación de imágenes
    8. Umbrales simples
    9. Umbrales adaptativos
    10. Umbral de Otsu
    11. Contornos de imágenes
    12. Incrustación de imágenes
    13. Intensidad en imágenes
    14. Registro de imágenes
    15. Extracción de primer plano
    16. Operaciones morfológicas en imágenes
    17. Pirámide de imágen

    UNIDAD DIDÁCTICA 8. HISTOGRAMAS Y TEMPLATE MATCHING

    1. Analizar imágenes usando histogramas
    2. Ecualización de histogramas
    3. Template matching
    4. Detección de campos en documentos usando Template matching

    UNIDAD DIDÁCTICA 9. COLORES Y ESPACIOS DE COLOR

    1. Espacios de color en OpenCV
    2. Cambio de espacio de color
    3. Filtrado de color
    4. Denoising de imágenes en color
    5. Visualizar una imagen en diferentes espacios de color

    UNIDAD DIDÁCTICA 10. DETECCIÓN DE CARAS Y EXTRACCIÓN DE CARACTERÍSTICAS

    1. Detección de líneas
    2. Detección de círculos
    3. Detectar esquinas (Método Shi-Tomasi)
    4. Detectar esquinas (método Harris)
    5. Encontrar círculos y elipses
    6. Detección de caras y sonrisas

    UNIDAD DIDÁCTICA 11. APRENDIZAJE AUTOMÁTICO

    1. Vecino más cercano (K-Nearest Neighbour)
    2. Agrupamiento de K-medias (K-Means Clustering)
    Titulación
    Solicitar información