Alcanza el éxito profesional como Analista de Datos

Programación en Python a través de Anaconda. Genera estadísticas, efectúa operaciones de agrupamiento en DataFrames, visualiza gráficos y datos más complejos.
— Introducción a la programación: entornos de ejecución
— Instalación de Anaconda y ejecución de Jupyter notebook
— Estructuras y tipos de datos en Python
— Instrucciones de control: álgebra booleana y condicionales
— Ciclos: For y While
— Funciones: motivación, parámetros, recursividad
— Programación orientada a objetos
— Pandas: DataFrames, lectura y exportación de archivos
— Numpy: operaciones con arreglos
— Librería de Matplotlib y Seaborn
— Visualización de datos con Python

Actividades:
— Ejercicios que involucran datos compuestos.
— Elaborar programas con condiciones lógicas e instrucciones For y While.
— Hacer programas con tareas repetitivas y ejercicios de combinación de clases.
— Practicar DataFrames y programación con matrices.
— Desarrollar gráficos de Matplotlib y Seaborn.

Aprende a manejar errores y excepciones con Python, introducción de código robusto y a hacer debugging, para dar seguimiento al código. Interactúa con diferentes tipos de archivos y descarga datos de fuentes públicas en internet.
— Map y Reduce
— Programación de funciones Lambda
— Instalación de paquetes en Python
— Archivos CSV y JSON
— Bases de datos en Kaggle
— Scraping de datos

Actividades:
— 5 entregas diferentes aplicando las funciones avanzadas.
— Importar paquetes y funciones con datos de empresas.
— Asignar tratamiento de errores sobre los datos usados previamente.
— Una base de datos de películas usando la técnica scraping.

Descubre cómo eliminar información innecesaria de los datos para que se pueda usar.
Combina datos y funciones Lambda con Pandas y visualiza datos para generar matrices de correlación y gráficas estadísticas.
— Data Massaging
— Pandas y búsqueda de datos
— Insertar, eliminar, editar y agregar datos
— Combinación y manejo de dataframes
— Lambda functions y dataframes
— Matriz de correlación y gráficas
— Mapas de calor y gráficas multi panel
— Gráficas más usadas en Analytics
— Uso de Plotly

Actividades:
— Aplicar filtros revisados en las clases sobre los datos manejados anteriormente.
— Hacer un ejemplo de datos aplicados y la combinación de distintos dataframes.
— Desarrollar y elegir las gráficas idóneas para la presentación y visualización de datos.

Ejecuta un Análisis Exploratorio de Datos con data de Kaggle u otro repositorio público. Haz el análisis del problema y explora datos con técnicas aprendidas.
— Selección y explicación de problemas
— Revisión y descarga de archivos
— Ejecución de EDA con técnicas aprendidas
— Transformación de datos
— Visualización de datos
— Data Storytelling

Actividades:
— Análisis exploratorio de datos de un repositorio público.
— Explorar datos, hacer transformaciones simples y presentar los resultados en un notebook.

Fundamentos del versionamiento de archivos, instalación y uso básico de Git.
— Diferencia entre Git y GitHub
— Manejo de repositorios GitHub
— Check In - Check out
— Manejo de repositorios de versión
— Branches - Moviendo código

Actividades:
— Crear un repositorio GIT local con archivos creados anteriormente.
— Compartir el control de versión con código de las clases anteriores.

Aprende a usar Numpy, sus funciones estadísticas y desarrolla algunos ejemplos de posición y orden. La simulación Monte Carlo, la visualización, resultados, la lectura de distribuciones y conexión con problemas empresariales.
— Introducción a Numpy y funciones estadísticas
— Media, mediana, moda, varianza, desviación estándar
— Ejemplos de orden y posición (rank) con Numpy
— Correlación
— Simulación Monte Carlo
— Ejercicios de simulación
— Distribuciones de probabilidad

Actividades:
— Ejercicio estadístico para empresas - datos históricos con el uso de Numpy
— Archivo Python con ejercicio de simulación Monte Carlo.

Machine Learning y sus conceptos básicos de datos de modelado, imputación de datos y análisis de consecuencias. Descubre qué es training, testing y producción de modelos.
— Introducción a Machine Learning
— Atributos categóricos y numéricos
— Data imputation, censored data
— Introducción a Data Science
— Datasets de Machine Learning - Training, Test
— Introducción y conceptos de regresión
— Conceptos de clasificación / regresión logística
— Introducción y conceptos de Clustering (k-means)
— Entrenamiento
— Evaluación
— Predicción y visualización

Actividades:
Incluir los siguientes ejercicios en un archivo Python:
— Selección de atributos y massaging.
— Imputación de datos y revisión de conceptos.
— Regresión de ventas con variables.
— Predicción de clasificación de ventas.
— Clasificación con la base de datos de ventas de videojuegos.

Conceptos básicos de series temporales: tendencia, ciclo y estacionalidad entre otros, así como el uso básico de series temporales, visualización y predicción de un factor.
—  Analiza los conceptos de base de datos relacional, sus elementos y restricciones.
— Conceptos y componentes de series de tiempo
— Predicción simple y visualización
— Series de tiempo: Mercado de valores y ventas
— Visualización
— Conceptos y diseño de bases de datos relacionales
— Tablas y tipos de relaciones
— Restricciones claves primarias y secundarias

Actividades:
— Centrar el uso de series de tiempo simples y de stock.
— Desarrollar la visualización de series de tiempo complejo.
— Crear un archivo con diseño de bases de datos de clientes y actividades.

Descubre SQL, desde los conceptos básicos, hasta el uso de diferentes comandos en AWS (Amazon Web Services) y sus funciones avanzadas.
— SQL - lenguaje de base de datos
— Introducción a comandos en AWS
— Explorando datos con SQL
— Conexión de AWS Athena / RDS
— Generación de tablas
— Relacionar tablas y seleccionar datos
— Comandos y funciones
— Cálculo de totales adicionales y otros

Actividades:
— Conectar a AWS Athena, configuración S3.
— Crear tablas y llenado de datos, seleccionar datos (WHERE) y ordenarlos (SORT).
— Aplicar los ejemplos realizados a las bases de datos de prueba, utilizando la función JOIN, que se aplicará a los ejemplos de negocio.
— Emplear las selecciones aplicadas a ejemplos como vistas, IN, etc.

Domina los conceptos y usos de las bases de datos no relacionales con DynamoDB, los diferentes comandos para guardar y traer datos, así como los filtros simples de búsqueda, en esta segunda parte del proyecto.
— Introducción a bases de datos no relacionales
— Introducción, ejemplos y aplicación de DynamoDB
— Análisis de Datos con SQL

Actividades:
— Usar un archivo DynamoDB aplicando los ejemplos del curso con data no estructurada.
— Desarrollar un archivo SQL con EDA y crear una presentación con Storytelling en Google Slides con los resultados obtenidos.

Muestra tus datos de forma práctica y visual a través de los dashboards de Google Data Studio (GDS). Aprende sobre la visualización avanzada de datos, bookmarks y filtros para el storytelling.
— Principios de visualización de datos
— Introducción a Google Data Studio
— Conexión con bases de datos externas
— Generación de dashboards básicos y avanzados
— GDS: Exploración de datos, gráficos y storytelling

Actividades:
— Diseña un dashboard en Google Slides.
— Crear un dashboard básico en Google Data Studio, con elementos más complejos.
— Crear un dashboard con elementos avanzados.

Estudia los conceptos y elementos necesarios para trabajar con Cloud Computing (AWS) y el almacenamiento S3. Conoce los fundamentos del Big Data y el uso de Spark para grandes volúmenes de datos.
— Introducción a AWS generación de acceso y almacenamiento en S3
— Base de datos en SQL Athena / RDS
— AWS Lambda y StepFunctions
— Planeación de Tareas ETL con AWS StepFunctions
— AWS CloudWatch / Cron
— Big Data y Spark para grandes volúmenes de datos
— Pandas, PySpark, PyArrow

Actividades:
— Configurar en AWS, el login de usuario y una conexión S3.
— Crear un archivo que muestre un ETL hacia la base de datos creada.
— Hacer una configuración de Spark y selección de datos.
— Usar los comandos PySpark, PyArrow en Spark aplicados en un archivo Python.

Conoce el proceso para realizar los últimos dos proyectos del curso, con todas las actividades y resultados que debes de obtener.
— Definición de arquitectura
— Creación de Data Lake y conexión steps ETL
— EDA con Python
— Creación de base de datos
— Orquestación de ETL con AWS StepFunctions
— EDA con SQL y Python. Conexión GDS y Final Storytelling
— Presentaciones finales

Actividades:
— Generar un Data Lake simple, con datos públicos, conexión al mismo y creación de un ETL simple de transformación.
— Implementar EDA vía Python en vivo sobre la data.
— Tareas con StepFunctions en AWS.
— Crear una base de datos relacional y llenado de datos.
— Ejecutar los comandos SQL para EDA, así como Python.
— Hacer un dashboard final, con Storytelling en Google Data Studio.

¡Claro! El curso está creado para que domines el universo del análisis de datos y puedas trabajar desde la primera actividad hasta el proyecto final. En cada módulo aprenderás las diferentes fases para desarrollar tu proyecto profesional. Podrás aplicar los conocimientos adquiridos con feedback de los tutores.

Google Colab para Python, Kaggle para Python y SQL, Google Data Studio para Visualización de Datos, AWS para ejercicios de cloud computing.

El curso se desarrolló teniendo en cuenta una evolución individual. Por ello, contamos con un equipo de tutores, para corregir y dar feedback sobre las actividades realizadas por cada alumno. También puedes hablar con otros estudiantes y hacer cualquier pregunta sobre el contenido de las clases al tutor en el Foro.

No, al final de cada módulo hay una tarea práctica y una vez que hayas resuelto esta tarea, se te dará acceso al siguiente módulo. Esta metodología es con el fin de motivarte a seguir estudiando y te garantiza completar las el curso.

La metodología del curso ha sido diseñada para adaptarse a diferentes ritmos de vida. Tendrás tutorías y feedback durante 2 años (24 meses) a partir de la fecha de registro al curso y acceso ilimitado a las clases, así podrás avanzar a tu propio ritmo.

Los módulos se publican semanalmente dependiendo del avance del alumno durante el curso. Esto significa que debes estudiar los módulos en orden y realizar las actividades propuestas por el profesor, antes de pasar al siguiente módulo.

Te sugerimos que completes un módulo por semana, te llevará dos horas aproximadamente entre asistir a clases y realizar las actividades Pero no te preocupes, este plazo es sólo una sugerencia. Recuerda que puedes avanzar a tu propio ritmo, tomar descansos para integrar el contenido y verlo de nuevo las veces que quieras antes de continuar.

Dentro de la plataforma tendrás un tutor que resolverá tus dudas, comentará tus tareas y te dará consejos. Tendrás la oportunidad de aprender de profesores líderes que son grandes referentes en su sector y aprovechar todos sus conocimientos y habilidades de vida.