Certificado en Ciencia de Datos con R y Python

Diplomatura en Ciencia de Datos con R y Python Modalidad Online. Tres clases semanales en vivo, un fuerte componente práctico orientado a proyectos reales para que aprendas haciendo.
Duración: 25 semanas. Dedicación: 10 Hs semanales – Carga horaria total 250 Hs

La calidad académica de la Diplomatura en Ciencia de Datos con R y Python ha sido avalada por la Resolución Nro 290/20 de la Universidad Tecnológica Nacional UTN FRRQ.

$59.000,00INSCRIBIRME AHORA

En Argentina

Valor Promoción:
$59000 Pesos Argentinos

Otros Países

Valor Promoción:
$649 Dólares

Próximas fechas de inicio de la diplomatura en Ciencia de Datos con R y Python

Inicio: Lunes 04 de Octubre de 2021
17 vacantes disponibles

Inicio: Lunes 18 de Octubre de 2021
28 vacantes disponibles

Plan de estudios de la Diplomatura en Ciencia de Datos con R y Python

La duración de cada clase es de 30 a 60 minutos dependiendo del tema, la cantidad de participantes y el nivel de intervenciones conseguido. El estudiante tiene actividad complementaria con material de soporte de las clases, material teórico para estudiar, ejercicios resueltos y para resolver. Se realizan corrección de ejercicios y autoevaluaciones. 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.

Objetivos

Aprenderás los principales algoritmos de aprendizaje supervisado y no supervisado. Entre los algoritmos supervisados verás árboles de decisión, redes neuronales, reglas de asociación, bayes ingenuo, bosques aleatorios. Y no supervisado como agrupamiento.

Descubrirás además cómo usar series las temporales, el método de Montecarlo, los algoritmos genéticos, y las técnicas de regresión, minería de textos y Big Data. Estas aplicaciones podrás utilizarlas en múltiples campos. Como negocios, salud, recursos humanos, cobranzas, finanzas, publicidad, marketing, procesos de servicios y de producción, urbanismo, políticas públicas, etc.

Que los alumnos

Entiendan los conceptos del campo
Manejen los principales algoritmos para crear modelos predictivos
Utilicen las herramientas de aprendizaje no supervisado
Sepan medir con criterio del negocio los resultados de sus modelos
Participen de las experiencias aportadas por los instructores

Programa Analítico:

Definiciones de Ciencia de Datos

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

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 como
- 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

Horarios de la Cursada (GTM-3) de la Diplomatura en Ciencia de Datos con R y Python

Diplomatura en Ciencia de Datos con R y Python	Día	Hora
Introducción a la Ciencia de Datos	4/10/2021	19 hs
Introducción a la Ciencia de Datos	7/10/2021	19 hs
Iniciación en R 1 de 2	11/10/2021	19 hs
Iniciación en R 2 de 2	14/10/2021	19 hs

Iniciación en Python 1 de 4	8/10/2021	19 hs
Iniciación en Python 2 de 4	9/10/2021	12.30 hs
Iniciación en Python 3 de 4	15/10/2021	19 hs
Iniciación en Python 4 de 4	16/10/2021	12.30 hs
Horarios fijos a partir de la tercer semana de cursada
Clases teóricas – prácticas regulares de Python	Martes	19 hs

Clases teóricas regulares R	Lunes	20:15 hs
Clases prácticas regulares R	Jueves	20:15 hs

Instancias de evaluación

Examen final.

Requisitos de aprobación

Mínimo 60 % de respuestas correctas.

Diplomatura en ciencia de datos con R y Python