Módulo 1: Python como herramienta de data science para la innovación con aplicaciones de la logística 4.0
Introducción al concepto de innovación y como puede aplicarse en el contexto de la Logística 4.0. Se presentan los conceptos de Data Science y la arquitectura para implementar la Inteligencia de Negocios para el S&OP.
Nota 1: La calidad de los videos se puede modificar en la rueda de settings del video.
Nota 2: Se recomienda ver este video junto al video Creación empresa con logística 4.0: El caso de Quick disponible en Webinars - Innovación
Módulo 2: Ambiente Anaconda Spyder y programación básica - Parte I
Se muestra paso a paso cómo instalar el Ambiente de Desarrollo para Data Science en Python Spyder (Anaconda) en ambiente Windows, el cual es ampliamente utilizado. Python se encuentra bajo una OSI-approved open source license, siendo una licencia de código abierto que lo hace gratuito para uso no comercial y comercial. En el módulo se presentan y plantean ejercicios de tipo de variables, condicionales y ciclos.
Módulo 2: Ambiente Anaconda Spyder y programación básica - Parte II
Se presenta la solución a los ejercicios planteados, así como la introducción a funciones, procedimientos y el concepto de objetos.
Módulo 3: Introducción al manejo de datos con Pandas - Parte I
Introducción al manejo de Pandas y DataFrames. Este paquete se emplea para realizar análisis de datos estructurados y tiene capacidad de análisis de series de tiempo. Se plantea un ejercicio de análisis de productividad.
Módulo 3: Introducción al manejo de datos con Pandas - Parte II
Se resuelve el ejercicio de análisis de productividad, se presenta el método groupby de los DataFrames para realizar de forma ágil análisis similares a tablas dinámicas de Excel y se muestra cómo automatizar la generación de archivos de Excel con formatos.
Módulo 4: Generación de gráficos con Matplotlib - Parte I
Introducción a la visualización de datos con la librería Matplotlib, se muestra como realizar gráficos de línea, de dispersión y pie.
Módulo 4: Generación de gráficos con Matplotlib - Parte II
Análisis de los datos abiertos de la encuesta de movilidad de Bogotá del 2019 para obtener el número de viajes de las personas que habitan en Bogotá por modo y la respectiva generación de gráficos.
Nota: El factor de expansión es un ponderador poblacional, y se interpreta como la cantidad de unidades en la población que representa cada unidad en la muestra, en este caso viaje de cada persona.
Módulo 5: Aplicación de optimización – heuristica para un TSP
Diseño de un script para resolver el problema del agente viajero donde dada una cantidad de ubicaciones debe diseñarse una ruta que minimice la distancia de recorrer todas las ubicaciones. Se capturan los datos a partir de un archivo plano, se implementa la heurística del vecino más cercano y se visualiza la solución generada.