Certificado en Data Analytics con R y Python
Diplomatura en Data Analytics con R y Python Modalidad a distancia de forma Online.
Dos clases semanales en vivo por videoconferencias interactivas, una teórica y una práctica. La duración de cada clase es de 30 a 60 minutos dependiendo del tema, la cantidad de participantes y el nivel de intervenciones conseguido.
Los grupos de participantes son reducidos y de varios países hispanoparlantes. Lo que aporta diferentes visiones y la posibilidad de networking internacional.
Soporte docente por Grupo de WhatsApp, email y foro.
El entrenamiento tiene un componente teórico de los conocimientos para que comprendas el por qué se hace lo que se hace, y un fuerte componente práctico orientado a proyectos reales para que aprendas haciendo.
El estudiante tiene actividad complementaria con material de soporte de las clases, material teórico para estudiar, ejercicios resueltos y para resolver. Se realiza corrección de ejercicios y autoevaluaciones.
AHORA 20% OFF
En Argentina 6 cuotas sin interés
Ahora: $29000 Pesos Argentinos
Seleccione la fecha que desea comenzar la cursada.
Inicio: Lunes 19 de Abril de 2021
últimas 10 vacantes disponibles
Inicio: Lunes 03 de Mayo de 2021
18 vacantes disponibles
Duración: 15 semanas
Dedicación: 10 horas x semana
Carga Horaria: 150 horas
Los alumnos que se inscriban a la Diplomatura en Data Analytics con R y Python desde el exterior de Argentina, el precio de promoción es aproximadamente de $319 dólares. Cuanto es en Dólares Americanos en Pesos Argentinos. Este valor puede variar según la cotización diaria que apliquen las plataformas de cobro PayU – Paypal.
Objetivos
La Diplomatura en Data Analytics con R y Python tiene el objetivo de formar Analistas de datos.
El Data analytics implica el análisis de datos para mejorar la eficiencia operativa de las organizaciones y perfeccionar su modelo de negocio. Permitiendo tomar las mejores decisiones al gestionar los riesgos y lograr un crecimiento rentable y sostenible.
Programa Analítico
Ciclo introductorio
Definición de conceptos
- 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
- Primeros pasos en R
- Instalando y cargando paquetes en R
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
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
Repaso de probabilidad y estadística
- Repaso de conceptos de probabilidad y estadística
- Test de Hipótesis
- Correlaciones
- AB Test
Ciclo Regular
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
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
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
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
Horarios de la Cursada (GTM-3) de la diplomatura en Data Analytics con R y Python
| Diplomatura en Data Analytics | Día | Hora |
|---|---|---|
| Introducción | 19/4/2021 | 19 hs |
| Iniciación en R 1 de 3 | 22/4/2021 | 19 hs |
| Iniciación en R 2 de 3 | 26/4/2021 | 19 hs |
| Iniciación en R 3 de 3 | 29/4/2021 | 19 hs |
| Iniciación en Python 1 de 4 | 23/4/2021 | 19 hs |
| Iniciación en Python 2 de 4 | 24/4/2021 | 12.30 hs |
| Iniciación en Python 3 de 4 | 30/4/2021 | 19 hs |
| Iniciación en Python 4 de 4 | 1/5/2021 | 12.30 hs |
| Clases recurrentes a partir de la tercer semana | ||
| Clases teóricas – prácticas regulares de Python | Martes | 19 hs |
| Clases teóricas regulares R | Jueves | 20:15 hs |
| Clases prácticas regulares R | Martes | 20:15 hs |
Instancias de evaluación
Examen final.
Requisitos de aprobación
Mínimo 60 % de respuestas correctas.
Equipo docente de la Diplomatura en Data Analytics con R y Python
IGNACIO URTEAGA 
LAURA SIRI 
SUSANA SARMIENTO 
GUILLERMO GAROFALO