Diplomatura en Ciencia de Datos con R y Python

Aprende Ciencia de Datos con R y Python, clases online en vivo

🧑‍💼 ¿A quién está dirigido?

Esta diplomatura está orientada a profesionales, estudiantes avanzados y perfiles técnicos que buscan incorporar o profundizar competencias en ciencia de datos aplicada, análisis estadístico y modelado de datos, utilizando los lenguajes R y Python.

Está especialmente dirigida a quienes se desempeñan o desean desempeñarse en contextos donde el análisis de datos, la interpretación de información y el soporte a la toma de decisiones resultan centrales, tanto en ámbitos académicos, profesionales, como organizacionales.

La propuesta forma parte de la oferta académica del Instituto Data Science Argentina, institución dedicada a la formación especializada en ciencia de datos, inteligencia artificial y tecnologías asociadas.

Objetivo general de la diplomatura

El objetivo de la Diplomatura en Ciencia de Datos con R y Python es formar profesionales capaces de analizar, modelar y extraer conocimiento a partir de datos, utilizando metodologías estadísticas y computacionales modernas, y aplicando R y Python como lenguajes principales en proyectos de ciencia de datos en contextos reales.

Objetivos específicos

A lo largo del programa, el estudiante desarrollará los conocimientos y habilidades necesarias para:

• Comprender los fundamentos conceptuales y metodológicos de la ciencia de datos y su relación con la estadística y la informática.
• Adquirir, limpiar, transformar y preparar conjuntos de datos para su análisis.
• Aplicar técnicas de análisis exploratorio y visualización de datos utilizando R y Python.
• Implementar modelos estadísticos y de machine learning para problemas de análisis y predicción.
• Evaluar, validar e interpretar resultados analíticos y modelos predictivos.
• Integrar soluciones de ciencia de datos en proyectos aplicados y flujos de trabajo profesionales.

Competencias que desarrolla el egresado

Al finalizar la diplomatura, el egresado será capaz de:

• Analizar conjuntos de datos complejos y extraer información relevante para la toma de decisiones.
• Utilizar R y Python, junto con sus principales librerías, para el análisis y modelado de datos.
• Aplicar métodos estadísticos y de machine learning en problemas reales.
• Interpretar resultados, identificar limitaciones y comunicar conclusiones de manera clara y fundamentada.
• Integrar herramientas y enfoques de ciencia de datos en entornos académicos, profesionales y organizacionales.

🤓 ¿Qué vas a aprender en este Programa?

Etapa de Nivelación

Programación lógica

Introducción a la Programación Lógica. Tipos de Variables. Ejecución condicional. Ciclos. Funciones. Conceptos generales.

Bases de datos relacionales

Introducción a Bases de Datos. Relaciones. Formas normales. Operaciones sobre tablas. Joins. Objetos de las bases de datos. Optimización de consultas. Arquitectura de las bases de datos. SQL Server.

Probabilidad y Estadística

Introducción a Estadística.

Curso Experto en Power BI (On-demand)

Introducción al Power BI como herramienta clave. Los datos dentro de la administración empresarial con BI. Cargar datos a Power BI utilizando Power Query. Generación de columnas y tabla calendario para lograr una buena gestión de los datos. Utilizar Dax para gestionar datos. Diseño de informes / gráficos. Proyecto final. (6 clases grabadas).

Etapa de Introducción

Introducción Conceptual

Introducción a la Ciencia de Datos. Niveles a los que opera la ciencia de datos. Introducción a Data Warehouse. Introducción a Data Mining. Introducción a Knowledge Discovery. Introducción a Herramientas OLAP y Tableros de comando. Repaso de herramientas disponibles. Taxonomía de las competencias de un científico de datos.

Introducción a Python

Descarga e instalación. Principales librerías. Variables y tipos de datos. Listas, tuplas y diccionarios. Ejecución condicional. Ciclos definidos e indefinidos. Manejo de Excepciones. Funciones y Generadores. Clases y objetos. Manejo de archivos y directorios. Conexión a archivos planos. Conexión a Excel. Conexión a Bases de Datos.

Introducción a R

Variables, vectores y matrices. Dataframes. Paquetes y librerías. Manejo de archivos csv. Conversiones de tipos. Conexión a bases de datos. Ejecución condicional. Bucles. Funciones en R. Medidas estadísticas. Correlaciones. Funciones estadísticas.

Taller de Programación

Talleres prácticos en vivo de programación, para seguir reforzando sus conocimientos.

Etapa de Especialización

Análisis Exploratorio

Uso de NumPy. Uso de Pandas. Uso de MatPlotLib. Módulo matplotlib. Módulo math. Módulo numpy. Módulo yt. Módulo mayavi.

Tests básicos

Repaso de conceptos de probabilidad y estadística. Test de Hipótesis. Correlaciones. AB Test. Cálculo de correlaciones en R con cor. Funciones de distribución en R. Histogramas en R. Gráficos de líneas en R. Gráficos de áreas en R. Uso de NumPy. Uso de Pandas. Uso de MatPlotLib. Módulo matplotlib. Módulo math. Módulo numpy. Módulo yt. Módulo mayavi.

Regresiones

Regresión Lineal. Regresión polinómica. Regresión exponencial y logarítmica. Regresión de dos variables. Cálculo de regresiones en R con lm. Cálculo de regresiones logísticas en R con glm. Regresiones en Python. Regresión logística en Python.

Arboles de decisión

Algoritmo básico en Excel. División en entrenamiento y prueba. Uso de Rpart y cp. Predicción y valoración de la solución. Uso de Party. Aplicación al problema del call center. Instalación y uso del paquete en Python. Ejemplo en Python. Principales parámetros de ajuste y control.

Clusters

Algoritmo básico en Excel. Uso de kmeans en R. Ejemplo de aplicación real en R. Otros algoritmos de agrupamiento en R. Ejercicio de aplicación de agrupamiento de mascotas. Uso de Scikit-Learn en Python. Análisis de componentes principales en Python. K-Medias en Python. Clustering jerárquico en Python.

Reglas de Asociación

Algoritmo básico en Access. División en entrenamiento y prueba en R. Uso de arules en R. Ejemplo de una aplicación real votación de reglas en R. Ejemplo de una aplicación real a datos de ventas en supermercados en R. Instalación y uso del paquete en Python. Ejemplo en Python. Principales parámetros de ajuste y control. Esquema de votación de reglas en Python.

Redes Neuronales

Algoritmo básico en Excel. División en entrenamiento y prueba en R. Uso de neuralnet. Predicción y valoración de la solución en R. Discusión del problema de legibilidad de los resultados desde el negocio. Competencia entre árboles y redes en un caso concreto en R. Instalación y uso del paquete en Python. Ejemplo en Python. Principales parámetros de ajuste y control en Python. Problema concreto en Python.

Algoritmos genéticos

Algoritmo básico en Excel. Discusión del tipo de problemas en los que se aplica. Discusión de otros mecanismos de optimización. Implementación en R del uso de algoritmos genéticos. Valores reales. Binarios. Permutaciones. Implementación en Python.

Series temporales

Taxonomía. Separación de componentes. Predicciones. ARIMA implementado en R. Predicción en series con un único período. Predicción en series con múltiples períodos. Predicción en series con períodos variables: renormalización. Implementación en Python.

Método de Simulación de Montecarlo

Algoritmo básico en Excel. Discusión de la utilidad del método. Comparación con el análisis de escenarios. Ejemplo de una aplicación real. Ejemplo simple implementado en R. Ejemplo simple implementación en Python.

Minería de textos

Clasificación supervisada de piezas de texto. Construcción de una red semántica. Discusión de las posibilidades de reconocimiento de voz. Ejemplos de aplicación real del algoritmo de clasificación. Aplicación a la detección de sentimientos. Ejemplo de implementación en Python.

Vecinos Cercanos (Knn)

Instalación y uso del paquete en R. Ejemplo conceptual en Excel. Ejemplo en R. Instalación y uso del paquete en Python. Ejemplo en Python. Principales parámetros de ajuste y control.

Bayes Ingenuo

Implementación en Excel. Ejemplo de aplicación en R. Comparación de 4 algoritmos predictivos (Bayes ingenuo, árboles, redes neuronales y regression logística). Ejemplo de aplicación en Python.

Random Forest

Bootstrap y bagging. Descripción conceptual del método random forest. Paquete randomForest para R. Ejemplo de aplicación. Comparación con otras técnicas. Implementación en Python.

Métodos bayesianos avanzados

Descripción conceptual del método. Regresión lineal bayesiana. Regresión logística bayesiana. Inferencia bayesiana. Red bayesiana. Ejemplos de aplicación en R. Paquete BAS. Paquete brms. Paquete arm. Paquete bnlearnd. Comparación con otras técnicas. Ejemplos de aplicación en Python.

Máquina de soporte vectorial:

Descripción conceptual del método. Paquete e1071 para R. Ejemplo de aplicación en R. Ejemplo de aplicación en Python. Comparación con otras técnicas.

Discriminante lineal y cuadrático

Instalación y uso del paquete. Ejemplo conceptual en Excel. Ejemplo en R. Ejemplo en Python. Principales parámetros de ajuste y control en R. Principales parámetros de ajuste y control en Python. Problema concreto.

Análisis de Fourier

Descripción conceptual. Ejemplo conceptual en Excel. Instalación y uso del paquete en R. Instalación y uso del paquete en Python. Ejemplo en R. Ejemplo en Python.

Herramientas geográficas

Distancias. Implementación en R. Paquete sf. Paquete nngeo. Aplicación práctica en R. Implementación en Python. Aplicación práctica en Python.

Bases de datos documentales

Instalación de MongoDB. Conexión a R. Conexión a Python. Aplicación práctica en R. Aplicación práctica en Python.

Diseño de Datawarehouses

Diferencias entre los DW y los OLTP. Tipos de datos y soportes. Dimensiones y jerarquías. Estimación de recursos y tiempos según tipos de datos. Ejemplos de staging. Interacción entre equipos (DB-ETL-Soporte-FrontEnd-Usuarios). Ejercicios de diseño de DW.

Diseño y construcción de ETL

Procesos ETL: generalidades, buenas prácticas, esquemas de ETL. Detalles de cada etapa: extracción, limpieza, normalización, transformación, carga. Estrategias de update. Ejercicios de diseño de ETL para la carga inicial. Ejercicios de diseño de ETL para la actualización. Licencia, descarga e instalación de Open Refine. Uso general como herramienta de limpieza de datos. Pre-procesado de los datos. Casos de interés y ejemplos. Licencias, descarga e instalación de Pentaho-Kettle. Pentaho Kettle: funciones, características, utilización. Auditoría y documentación. Ejemplos de uso.

Big Data

¿Qué es Big Data? ¿Cuándo usar Big Data? ¿Cómo armar una infraestructura para Hadoop? Ejemplo de una aplicación de Map Reduce: wordcount. Como evitar Hadoop.

Tutorías Proyecto Final

En esta etapa los estudiantes realizaran su proyecto final de cursada con tutoría docente. Pueden ver algunos proyectos finales de cursada de nuestros egresados en Nuestro Canal de YouTube.

🔎 Descargar Programa académico Ciencia de Datos con R y Python completoDescarga

Modalidad de cursada

• 100% online: accesible desde cualquier dispositivo, con materiales actualizados y disponibles permanentemente.
• Clases en vivo y grabadas: para reforzar la comprensión y permitir el repaso a demanda.
• Plataforma interactiva: seguimiento de avances, entregas y evaluaciones integradas.

Acompañamiento académico

• Tutorías especializadas: cada módulo cuenta con tutor experto en la temática.
• Foros de discusión y consultas: interacción directa con docentes y compañeros.
• Soporte técnico y académico: asistencia para la resolución de dudas durante toda la cursada.

Evaluación

• Ejercicios prácticos: cada módulo incluye actividades orientadas a la aplicación de conceptos en casos reales.
• Proyectos integradores: trabajo final que articula los contenidos del programa.
• Feedback personalizado: cada entrega recibe retroalimentación detallada por parte de los tutores.

Doble Certificación

• Certificación emitida por Instituto Data Science Argentina
• Certificación emitida por UTN – Universidad Tecnológica Nacional (FRRQ)