Aprende el lenguaje de programación Python, con las instrucciones más usadas en las aplicaciones de la Ciencia de Datos.

• Introducción a la programación: Entornos de ejecución
• Estructuras y tipos de datos en Python: Cadenas, listas, tuplas
• Instrucciones de control: Álgebra booleana y condicionales
• Ciclos: For y While
• Funciones: Motivación, parámetros, recursividad
• Programación orientada a objetos: Objetos y clases
• Pandas: Dataframes, lectura y exportación de archivos
• Numpy: Operaciones con arreglos y matrices
• Visualización de datos con Python con Matplotlib y Seaborn

Actividades
- Desarrollar programas con dataframes, combinación de clases, programación con matrices.
- Elaborar programas con gráficos de Matplotlib y Seaborn.

Aprende los fundamentos de estadística para la gestión de la calidad de datos, abordando conceptos clave para garantizar la confiabilidad estadística en el proceso de análisis de datos.

• Estadística descriptiva e interferencial
• Conceptos avanzados de estadística

Actividades:
Analizar datos para resolver casos de gestión en un entorno empresarial, estimar datos de población a partir de muestras, definir escenarios de riesgo y evaluar la importancia de las variables predictivas.

Introducción a la ciencia de datos, sus antecedentes, historia y contexto actual, así como la aplicación de la misma en el análisis de los datos para la solución de problemas de negocio.

• Historia y contexto de la ciencia de datos.
• Definiciones básicas
• Analítica descriptiva, predictiva y prescriptiva
• El surgimiento de la ciencia de datos en las organizaciones
• Problema de negocio y soluciones basadas en ciencia de datos
• Matriz de problemas de Canvas
• Contexto actual de la ciencia de datos
• Analítica y la ciencia de datos

Actividades
- Desarrollar una matriz de problemas de Canvas para establecer un problema de negocio que pueda ser abordado por la Ciencia de Datos.
- Proponer un modelo de machine learning que le convenga desarrollar a una empresa en particular.

Conoce las características principales de la minería de datos, metodologías, herramientas y entornos de trabajo.

• Introducción a la minería de datos
• El ciclo de la ciencia de datos
• El proceso KDD
• El modelo CRISP-DM
• El proceso TDSP
• El entorno BSPF
• Agile Data Science

Actividades:
- Utilizar de una base de datos real proveniente de kaggle.com para un análisis supervisado en "Orange''.
- Identificar los objetivos y fases del modelo CRISP-DM para un caso de estudio y aplicar las metodologías: TDSP, BSPF y Agile.

Fundamentos de métodos de agrupamiento, descubrimiento de patrones y reducción de dimensiones para emplearlos en la identificación de escenarios de aplicación del aprendizaje sin supervisión.

• Reducción de dimensiones I : PCA
• Reducción de dimensiones II : SVD
• K Vecinos más cercanos
• K Medias
• Clustering jerárquico

Actividades:
Programar los algoritmos PCA, SVD, KNN, K-means y el de clustering jerárquico para aplicarlos a la resolución e interpretación de un problema.

Métodos de clasificación así como el proceso de generación, evaluación y selección de modelos para aplicarlos en la solución de problemas prácticos.

• Introducción al aprendizaje supervisado: Regresión lineal simple
• Regresión regularizada: Ridge y Lasso
• El algoritmo KNN (K vecinos más cercanos)
• Máquinas de soporte vectorial
• Árboles de decisión
• Ensambles
• Regresión logística

Actividades:
Programar el algoritmo KNN, SVM, árboles de decisión, ensambles y regresión para aplicarlos a la resolución e interpretación de un problema.

Aprende el lenguaje de consulta SQL (Structured Query Language) para analizar mejor tus datos.

• Bases de Datos
• Introducción a SQL
• Operaciones con Tablas
• Introducción a la programación en SQL: Sentencias básicas
• Consultas más comunes con SQL
• Acceso a SQL mediante Pythonw
• Tópicos avanzados

Actividades:
Practicar sentencias básicas y JOIN en SQL mediante MySQL y SQL, ejercicios de consulta con SQL y Python y resolución de problemas avanzados.

Domina la modelación predictiva con las técnicas de regresión y series de tiempo.

• Introducción a Power BI
• Preparando tus datos
• Modelado de Datos
• Reportes y gráficos en Power BI
• Dax
• Diseño de Dashboards
• Publicación de Dashboards

Actividades:
Crear un dashboard y publicar los resultados en Power Bi

Domina la modelación predictiva con las técnicas de regresión y series de tiempo.

• Primeros pasos para crear una aplicación básica de visualización de datos
• Integración de bases de datos en Streamlit
• Personalización de Interfaz en Streamlit
• Aplicación Práctica de Algoritmos de Machine Learning en Streamlit
• Despliegue de la Aplicación en la Nube con Streamlit

Actividades:
Crear una app web con Streamlit con los resultados y un gráfico con la distribución de las predicciones de los modelos en la interfaz.

Domina la modelación predictiva con las técnicas de regresión y series de tiempo.

• El modelo de regresión lineal múltiple: Notación y uso matricial
• Pruebas de hipótesis para coeficientes de regresión
• Supuestos detrás del modelo de regresión
• Nomenclatura y componentes de las series de tiempo
• Preparación preliminar de series de tiempo
• Introducción a los modelos Box-Jenkins (ARIMA)

Actividades:
- Resolver un problema de regresión lineal múltiple y determinar el conjunto de variables significativas verificando los supuestos de un modelo de regresión.
- Aplicar el método de descomposición y ARIMA para una serie de tiempo.

Utiliza diversos mecanismos y técnicas para contar historias que faciliten la explicación de resultados en un proyecto de ciencia de datos basados en casos exitosos de aplicación.

• Storytelling
• Casos de éxito en la industria

Actividades:
Hacer un ejercicio práctico de storytelling asistido por Python.