Descubrí el poder de la Ciencia de Datos con R

Dominá el lenguaje más poderoso para el análisis estadístico y la visualización de datos. ¿Buscás destacar en el mundo de la ciencia de datos?
El lenguaje R es la herramienta preferida por universidades, organismos públicos y empresas que trabajan con datos complejos y necesitan resultados precisos.

📌 ¿Por qué aprender R hoy?

✅ Alta demanda profesional: R es clave en sectores como salud, economía, políticas públicas, biología, sociología, entre otros.

✅ Ventaja competitiva: Muy valorado en investigación y por organismos que exigen análisis estadísticos serios.

✅ Visualizaciones únicas: R permite crear gráficos e informes profesionales, listos para presentaciones o publicaciones.

✅ Complemento ideal de Python: Saber R te diferencia y multiplica tus oportunidades laborales.

Información Importante

Próximas Fechas y Horarios

18 de Agosto 2025 (últimas vacantes)

Lunes 21:30 Horas
Miércoles 21:00 Horas

01 de Septiembre 2025

Lunes 19:00 Horas y Lunes 21:30 Horas

Las clases semanales se dictan en vivo por Zoom y tienen una duración de 45 a 90 minutos dependiendo del tema y la interacción con los estudiantes. Todas las clases quedan grabadas a disposición de los estudiantes y no se exige asistencia.

Los horarios de las clases se llevan a cabo después de las 18:45 horas los días de semana y por la mañana los sábados, dependiendo de las distintas etapas de la cursada, del tema y del profesor que las imparta pueden ir variando.

Programa Académico

Descargar Programa Académico de Ciencia de Datos con R

Objetivos de la cursada

Los estudiantes estarán equipados con las habilidades necesarias para:

Aprender R desde cero, sin experiencia previa.
Analizar y visualizar datos reales con herramientas como ggplot2.
Aplicar modelos estadísticos y de machine learning.
Crear reportes reproducibles con RMarkdown y dashboards interactivos con Shiny.

👩‍🏫 ¿A quién va dirigido?

Estudiantes y profesionales de ciencias sociales, economía, bioestadística, epidemiología, etc.
Analistas de datos que desean profundizar en estadística aplicada.
Investigadores/as que buscan herramientas transparentes y reproducibles.

No necesitas conocimientos previos en programación. ¡Empezamos desde cero!

Preguntas Frecuentes

Valores y Formas de Pago

¿Cuál es el valor y las formas de pago?

Existen dos formas de pago distintas: El Pago Total y la Suscripción Mensual.

Pago Total:

El estudiante dispone de 2(dos) años para finalizar su cursada desde el momento de su inscripción. Valor: $629.000 Pesos Argentinos. 6 cuotas sin interés con tarjetas de crédito Visa, Master y Amex emitidas por entidades bancarias.

Desde el exterior de Argentina: $629 USD en 3 cuotas sin interés.

El precio original era: $775.000,00.El precio actual es: $629.000,00.PREINSCRIBIRME

Suscripción Mensual:

El estudiante puede realizar la cursada normalmente durante los meses que decide abonar su suscripción. Valor: $75000 ARS. por mes o $75 USD. por mes.

Quiero Suscribirme

Esta modalidad de pago no incluye la certificación UTN.

Ruta de Aprendizaje para Data Scientist

Nivelación: Programación Lógica + Bases de Datos + Probabilidad y Estadística + GitHub.
Introducción: Introducción Conceptual + Introducción a los Lenguajes de Programación + Taller de Programación.
Especialización: Clases en vivo teóricas y prácticas sobre las principales librerías, técnicas y herramientas.
Proyecto Final: Tutoría docente para la realización y presentación del proyecto final de cursada.

¿Necesito participar de las clases en vivo?

No. Todas las clases quedan grabadas a disposición de los estudiantes y no se exige asistencia. Podes consultar sobre la clase a través del Grupo de Telegram con docentes y compañeros o al Chatbot Inteligente del Instituto.

¿Qué PC necesito para cursar?

Los requisitos mínimos de la PC:

RAM 8Gb
Procesador i3 1.4Ghz o superior
5Gb libres
Conexión a internet compatible con video de calidad intermedia

Instructores

Ignacio Urteaga

MBA en Dirección de Sistemas de Información. Físico, (Tesis en física nuclear) Investigador, Premiado en 2001 por sus trabajos en Ciencia de Datos. Más de 30 años de experiencia docente en Universidades y en la aplicación de Datos y BI como Director, Gerente o Consultor en el ámbito público y privado.

Jerónimo Pardo

Licenciatura en Comercio Internacional y Licenciatura en Comercialización en UADE.
Amplios conocimientos en las áreas de Marketing Digital y Community Managment. Especializado en Tecnologías de la Información en UTN y otras universidades en el exterior.

Garantía de Satisfacción: 30 días

Modalidad: Online, En vivo

Duración: 5 Meses

Clases por semana: 2 por Zoom

Skill Level: Para todos los niveles

Vacantes Disponibles

El precio original era: $775.000,00.El precio actual es: $629.000,00.PREINSCRIBIRME

¡No necesitas experiencia en ninguna área! Nuestra Certificación en Ciencia de Datos con R te ofrece una modalidad de cursada flexible y personalizada para que avances a tu ritmo.

Promociones

10% OFF por transferencia bancaria en 1 pago.

Hasta 6 cuotas sin interés, tarjetas de crédito Visa, MasterCard y American Express emitidas por entidades bancarias.

Fórmate como Data Scientist con R a tu ritmo y sin experiencia previa

Clases interactivas

Con instructores expertos en el tema, tendrás la oportunidad de participar activamente, hacer preguntas en tiempo real y colaborar con tus compañeros de clase.

Aprende haciendo

Con un fuerte componente práctico orientado a proyectos para que aprendas haciendo. Al final de la cursada puedes realizar tus propios proyectos.

Consultas online

Chatbot Híbrido + Acceso a los tutores por plataformas de mensajería instantánea (Telegram). Se coordinan videollamadas para atender consultas especificas.

El precio original era: $775.000,00.El precio actual es: $629.000,00.PREINSCRIBIRME

Calidad Educativa

La Universidad Tecnológica Nacional FFRq ha reconocido la calidad académica de este programa a través de la Resolución Nº 290/20. Los egresados de esta carrera han recibido ofertas de trabajo en empresas privadas, organismos públicos, entre otras prestigiosas organizaciones.

Primera Línea

La diplomatura en Ciencia de Datos con R y Python ha sido diseñada, desarrollada y actualizada por un equipo de profesionales con amplia experiencia en este campo y te proporcionará las principales herramientas de análisis de datos actuales, y el lenguaje de programación Python.

Oportunidades

Amplía tus horizontes con tres sesiones semanales dirigidas por expertos. Python y R ofrecen aplicaciones versátiles que abarcan diversos campos, brindándote un panorama amplio de oportunidades para desarrollar soluciones innovadoras y transformar el futuro.

Programa Académico Ciencia de Datos con R y Python + Experto en Power BI

Nivelación (Optativa)

Programación lógica.
Bases de datos relacionales y no relacionales.
Probabilidad y Estadística.

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 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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

Vecinos Cercanos (Knn)

Instalación y uso del paquete en R.
Ejemplo conceptual en Excel.
Ejemplo en R.
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).

Random Forest

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

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.

Máquina de soporte vectorial

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

Discriminante lineal y cuadrático

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

Análisis de Fourier

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

Herramientas geográficas

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

Bases de datos documentales

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

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.

Experto en Power BI

Datos dentro de la administración empresarial con BI
Introducción al Power BI como herramienta clave.
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.

Instancias de Evaluación

Presentación de proyecto final y Examen final de la diplomatura (Mínimo 60 % de respuestas correctas).

Autoevaluación Etapa de Nivelación (optativa).

SUSCRIPCIÓN MENSUAL

Con la nueva suscripción mensual podrás realizar tu cursada abonando solo los meses que realizas tu cursada en cómodas cuotas fijas y sin compromisos.

Completa el formulario con tus datos y nos pondremos en contacto contigo para que puedas obtenerla y comenzar tu cursada.

Quiero Suscribirme

Más información sobre la suscripción