Certificado en Data Science con R y Python
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.
Duración: 25 semanas – 3 clases en vivo por semana – Carga horaria: 250 Horas.
Incluye un curso gratis de nivelación de contenidos para aquellos estudiantes sin experiencia previa.
Proyectos a realizar – Fechas de Inicio – Plan de Estudio – Formas de pago – Equipo Docente
¿Qué vas a aprender con nuestro Certificado en Ciencia de datos con R y Python?
¿Qué proyectos realizaremos durante la cursada?
Cartera de Acciones
Distribuir la cartera de acciones de manera de maximizar la rentabilidad y minimizar la variabilidad.
Optimización de Cajas
Cómo optimizamos la cantidad de cajas que tiene que haber en un supermercado para controlar la demora.
Muchos más proyectos
Durante tu cursada seguirás viendo más proyectos y también los docentes te ayudaran en tu propio proyecto final.
Fechas de inicio de la diplomatura en Ciencia de Datos con R y Python para nuevos estudiantes
Promociones y formas de pago para acceder a la diplomatura
En Argentina puedes abonar en 6 cuotas sin interés con tarjeta de crédito.
También puedes abonar tu diplomatura en un pago por Transferencia Bancaria, Rapipago, PagoFácil o Tarjeta de Debito.
$69.000,00INSCRIBIRME AHORA
El valor de la diplomatura abonando desde el exterior de Argentina es de $765,90 Dólares. Consulta con nuestros asesores las formas de pago disponibles en tu país.
Plan de estudios de la Diplomatura en Ciencia de Datos con R y Python
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 regresión 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 RPaquete 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 RPaquete 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
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 correcciones 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.
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
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 1 de 2 | 30/5/2022 | 19 hs |
Introducción a la Ciencia de Datos 2 de 2 | 2/6/2022 | 19 hs |
Iniciación en R 1 de 2 | 6/6/2022 | 19 hs |
Iniciación en R 2 de 2 | 9/6/2022 | 19 hs |
Iniciación en Python 1 de 4 | 1/6/2022 | 19 hs |
Iniciación en Python 2 de 4 | 3/6/2022 | 19hs |
Iniciación en Python 3 de 4 | 8/6/2022 | 19 hs |
Iniciación en Python 4 de 4 | 10/6/2022 | 19 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 de la diplomatura (Mínimo 60 % de respuestas correctas).
- Presentación de proyecto final.
- Autoevaluación recursos de nivelación positiva (opcional).