Duración: 24 clases (3 horas cada una)
Modalidad: Online, sincrónico
Dirigido a:

  • Profesionales interesados en analizar datos para la toma de decisiones.
  • Estudiantes y graduados de disciplinas técnicas o científicas que buscan mejorar sus habilidades en análisis de datos.
  • Emprendedores y profesionales que desean incorporar el análisis de datos en sus negocios.

Requisitos previos:

  • Conocimientos básicos de informática (manejo de archivos, instalación de programas).
  • No es necesario saber programar, ya que el curso comienza desde un nivel inicial.

Objetivo del curso:
Al finalizar el curso, los participantes podrán:

  • Programar en Python para realizar análisis de datos.
  • Diseñar y manipular bases de datos, realizar visualizaciones efectivas y aplicar técnicas de machine learning.
  • Trabajar con herramientas y librerías como Pandas, NumPy, Matplotlib, Seaborn, Scikit-learn, y más.
  • Implementar proyectos de análisis de datos, desde la adquisición hasta la presentación de resultados.

Temario Detallado

Módulo 1: Introducción al Análisis de Datos con Python

  1. Clase 1:Introducción a Python y Jupyter Notebooks
    • Instalación y configuración de Python y Jupyter.
    • Estructura básica de Python.
    • Variables, tipos de datos y operadores.
  2. Clase 2:Estructuras de control y funciones
    • Condicionales y bucles.
    • Creación de funciones y uso de funciones predefinidas.
    • Manejo de errores y depuración.
  3. Clase 3:Introducción a Numpy para análisis numérico
    • Arrays y operaciones básicas.
    • Indexación, slicing y operaciones matemáticas.
    • Estadística descriptiva con Numpy.
  4. Clase 4:Manipulación de datos con Pandas – Parte 1
    • Introducción a DataFrames.
    • Lectura y escritura de archivos (CSV, Excel).
    • Exploración de datos: descripción, filtrado y limpieza.

Módulo 2: Visualización de Datos y Estadística Básica

  1. Clase 5:Manipulación de datos con Pandas – Parte 2
    • Agrupaciones, joins y pivotes.
    • Manejo de fechas y tiempos.
  2. Clase 6:Visualización básica de datos con Matplotlib
    • Creación de gráficos básicos (líneas, barras, pasteles).
    • Personalización de gráficos.
  3. Clase 7:Visualización avanzada con Seaborn
    • Gráficos de distribución y categóricos.
    • Creación de dashboards básicos.
  4. Clase 8:Estadística descriptiva aplicada
    • Medidas de tendencia central y dispersión.
    • Correlación y regresión lineal básica.

Módulo 3: Fundamentos de Machine Learning

  1. Clase 9:Introducción al Machine Learning con Python
    • Conceptos básicos: supervisado vs. no supervisado.
    • Flujo de trabajo en ML.
  2. Clase 10:Preprocesamiento de datos para ML
    • Normalización, estandarización y encoding.
    • Manejo de datos faltantes.
  3. Clase 11:Modelos supervisados: regresión lineal y logística
    • Entrenamiento, validación y testeo.
    • Métricas de evaluación de modelos.
  4. Clase 12:Modelos supervisados: árboles de decisión y Random Forests
    • Concepto de árboles de decisión.
    • Random Forests y su uso práctico.
  5. Clase 13:Modelos no supervisados: clustering
    • Introducción a K-means.
    • Aplicaciones prácticas.
  6. Clase 14:Evaluación y optimización de modelos
    • Validación cruzada y búsqueda de hiperparámetros.

Módulo 4: Herramientas Avanzadas y Proyectos

  1. Clase 15:Procesamiento de texto con Python
    • Tokenización, lematización y análisis básico de texto.
    • Introducción a NLP con librerías como NLTK y SpaCy.
  2. Clase 16:Análisis de series temporales
    • Introducción a series temporales.
    • Descomposición y predicción básica.
  3. Clase 17:Automatización de tareas con Python
    • Uso de scripts para automatizar flujos de trabajo.
    • Web scraping con Beautiful Soup y Selenium.
  4. Clase 18:Integración con bases de datos
    • Conexión a bases SQL y NoSQL.
    • Consultas y manipulación de datos desde Python.
  5. Clase 19:Visualización avanzada con Plotly y Dash
    • Dashboards interactivos.
    • Implementación de proyectos.
  6. Clase 20:Despliegue de proyectos de Data Science
    • Introducción a APIs con Flask.
    • Despliegue en plataformas cloud.
  7. Clase 21:Proyecto final: Definición y planeación
    • Selección de un caso práctico.
    • Definición de etapas y objetivos.
  8. Clase 22:Proyecto final: Desarrollo
    • Implementación de análisis.
    • Visualización y presentación.
  9. Clase 23:Proyecto final: Presentación y feedback
    • Exposición del proyecto a la clase.
    • Retroalimentación y discusión.
  10. Clase 24:Revisión avanzada y próximos pasos
    • Repaso general del curso.
    • Discusión sobre herramientas avanzadas y aprendizaje continuo

Precio:

300.000 trecientos mil pesos Argentinos

Nombre