ciencia de datos con r y python | certificación profesional

Modalidad: Online

Duración: 8 Meses

3 clases en vivo por Zoom por semana.

La Diplomatura en Ciencia de Datos con R y Python está diseñada para equipar a los egresados con las habilidades necesarias para analizar, interpretar y utilizar datos de manera efectiva. Liderar en un mundo impulsado por los datos y acceder a oportunidades laborales de alto nivel.

La cursada se enfoca en dos de las herramientas más poderosas y populares en el campo de la ciencia de datos: R y Python, ambos conocidos por su versatilidad y potentes librerías.

El principal objetivo es proporcionar una formación integral en ciencia de datos, combinando teoría y práctica para que los estudiantes puedan aplicar los conocimientos adquiridos en situaciones del mundo real.

Los estudiantes trabajarán en proyectos prácticos que les permitirán aplicar los conocimientos adquiridos y desarrollar un portafolio profesional. ¿Estás listo para convertirte en un científico de datos?

Diplomatura en Ciencia de Datos con R y Python

Avalada por la Universidad Tecnológica Nacional UTN Sede Reconquista

DESCARGAR PROGRAMA EN PDF

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

El precio original era: $759.000,00.El precio actual es: $690.000,00.INSCRIBIRME AHORA

25 de Noviembre 2024 (Últimas vacantes)

Lunes 21:30 Horas
Miércoles 21:30 Horas
Jueves 19:00 Horas

09 de Diciembre 2024

Lunes 19:00 Horas y 21:30 Horas
Martes 19:00 Horas

Las 3 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 19:00 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, y pueden variar.

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: $690.000 ARS. 12 cuotas sin interés con tarjetas de crédito Visa, Master y Amex emitidas por entidades bancarias. Desde el exterior de Argentina: $690 USD en 3 cuotas sin interés.

El precio original era: $759.000,00.El precio actual es: $690.000,00.INSCRIBIRME AHORA

Suscripción Mensual:

El estudiante puede realizar la cursada normalmente durante los meses que decide abonar su suscripción. Valor: $50000 ARS. por mes o $50 USD. por mes.

Quiero Suscribirme

¡No necesitas experiencia en ninguna área! Nuestra Certificación en Ciencia de Datos con R y Python te ofrece una modalidad de cursada flexible y personalizada. Dividimos la certificación en 3(tres) cursos que te permitirán ir paso a paso en tu ruta de aprendizaje según tus conocimientos previos. Además de las clases online en vivo todas las semanas, tendrás la libertad de avanzar a tu propio ritmo y elegir el orden en que deseas abordar los temas. No hay necesidad de preocuparte por el tiempo.

Video de presentación de la Diplomatura en Ciencia de Datos con R y Python

¿Por qué Aprender Ciencia de Datos con R y Python?

R y Python son lenguajes ampliamente utilizados en el ámbito de la ciencia de datos por sus capacidades únicas. Python es conocido por su simplicidad y facilidad de aprendizaje, mientras que R es preferido para el análisis estadístico y la visualización de datos. Ambos lenguajes ofrecen una amplia gama de librerías y frameworks que facilitan el procesamiento y análisis de datos.

El futuro de la ciencia de datos con R y Python es prometedor. Con el constante desarrollo de nuevas herramientas y técnicas, estos lenguajes seguirán siendo pilares en el campo. La integración de inteligencia artificial y machine learning abre nuevas posibilidades, permitiendo a los científicos de datos enfrentar desafíos complejos y descubrir nuevas oportunidades.

El egresado de la Diplomatura en Ciencia de Datos con R y Python será capaz de desempeñarse en roles como analista de datos, científico de datos, ingeniero de datos y consultor de datos. Estarán preparados para trabajar en una variedad de industrias, incluyendo tecnología, finanzas, salud, y marketing.

Fórmate como Data Scientist 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.

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 dos sesiones semanales dirigidas por expertos. Python ofrece 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

Al completar esta diplomatura, los estudiantes estarán equipados con las habilidades necesarias para:

Aplicar técnicas avanzadas de análisis de datos en entornos empresariales.
Desarrollar soluciones basadas en datos para problemas complejos.
Utilizar R y Python para realizar análisis y visualizaciones avanzadas.
Implementar modelos de machine learning en proyectos reales.

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.

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.

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.

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.

Certificado en Data Science con Python y R

Instancias de Evaluación

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

Autoevaluación Etapa de Nivelación (optativa).

Equipo docente de la Diplomatura en Ciencia de Datos con R y Python

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.

Anahí Romo

Licenciada en Ciencias Físicas de la Universidad de Buenos Aires. Maestría en gestión de la energía en la Universidad Nacional de Lanús. Maestría de energías renovables Universidad Nacional de Salta. Desarrolladora Python.

Nicolás del Frate

Ingeniero Electrónico especializado en Telecomunicaciones (FI-UNLP). PM y Program Manager en Google, para proyectos de USA. Más de 20 años de experiencia laboral, en empresas como Ericsson, MCI-Verizon, Telecom Personal, Avaya, ZTE y Telecentro.

Julio Paredes

Ingeniero Industrial con Maestría en Administración de Empresas con enfoque en análisis de datos. Más de 15 años de experiencia laboral en diversos campos, incluida la inteligencia empresarial, la cadena de suministro y la docencia en TI y gestión.

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.

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

Valor mensual de la suscripción:

DESDE ARGENTINA: $50.000 MENSUALES
DESDE EL EXTERIOR: $50 USD MENSUALES

Aplicaciones Prácticas de la Ciencia de Datos con R y Python

Negocios

En el ámbito empresarial, la ciencia de datos se utiliza para mejorar la toma de decisiones, optimizar procesos y prever tendencias del mercado. Por ejemplo, utilizar Python para desarrollar un modelo predictivo que ayuda a una empresa a optimizar su inventario, reduciendo costos y mejorando la eficiencia.

Salud

En salud, la ciencia de datos juega un papel crucial en la investigación y el desarrollo de tratamientos. Con R, se pueden analizar grandes volúmenes de datos clínicos para identificar patrones y mejorar el diagnóstico y tratamiento de enfermedades.

Finanzas

En el sector financiero, la ciencia de datos se utiliza para la gestión de riesgos, la detección de fraudes y la predicción de mercados. Modelos de machine learning para predecir la probabilidad de impago de créditos, utilizando tanto R como Python.

Recursos Humanos

En recursos humanos, la ciencia de datos ayuda a mejorar la selección de personal y a gestionar el talento. Utilizando técnicas de análisis de datos, se pueden identificar los mejores candidatos y prever la rotación de empleados.