Diplomatura en Data Analytics con R y Python
Convertí datos en decisiones. Aprendé a analizar, visualizar y comunicar información clave con las herramientas más poderosas del mercado.
¿Por qué elegir esta diplomatura?
📈 Orientada a la toma de decisiones con datos reales
📊 Aprendé a usar R, Python, Power BI y SQL
👥 Aplicación práctica en entornos empresariales
🧠 Entrenamiento en storytelling y visualización efectiva
📜 Certificación UTN + Portfolio de proyectos
El precio original era: $899.000,00.$729.000,00El precio actual es: $729.000,00.INSCRIBIRME AHORA
🤓 ¿Qué vas a aprender con esta certificación?
Etapa de Nivelación
Programación lógica
Introducción a la Programación Lógica.
Bases de datos relacionales
Introducción a Bases de Datos.
Probabilidad y Estadística
Introducción a Estadística.
Curso Experto en Power BI (On-demand)
Introducción al Power BI como herramienta clave. Los datos dentro de la administración empresarial con BI. 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. (6 clases grabadas).
Etapa de Introducción
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 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.
Taller de Programación
Talleres prácticos en vivo de programación, para seguir reforzando sus conocimientos.
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.
Etapa de Especialización
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.
Tutorías Proyecto Final
En esta etapa los estudiantes realizaran su proyecto final de cursada con tutoría docente. Pueden ver algunos proyectos finales de cursada de nuestros egresados en Nuestro Canal de YouTube.
👨💼 ¿A quién está dirigida?
Este programa está orientado a personas que trabajan con datos o desean iniciar una carrera en áreas como análisis de negocio, marketing, operaciones, finanzas o gestión. No se requiere experiencia previa en programación.
📅 Próximos Inicios y Horarios
01 de Septiembre 2025 (últimas vacantes)
Lunes 19:00 Horas y Lunes 21:30 Horas
Martes 18:45 Horas
Jueves 18:45 Horas
15 de Septiebre 2025
Lunes 21:30 Horas
Martes 19:30 Horas
Miércoles 21:00 Horas
Jueves 19:30 Horas
El precio original era: $899.000,00.$729.000,00El precio actual es: $729.000,00.INSCRIBIRME AHORA
*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.
🤓 Preguntas Frecuentes sobre aprender Data Analytics con R y Python
1. ¿Qué es Data Analytics y por qué es importante aprenderlo hoy?
Data Analytics es el proceso de inspeccionar, limpiar y transformar datos con el objetivo de descubrir información útil, llegar a conclusiones y apoyar la toma de decisiones. En un mundo cada vez más orientado a los datos, las empresas buscan profesionales capaces de interpretar y analizar grandes volúmenes de información para tomar decisiones informadas.
2. ¿Necesito experiencia previa en programación o estadísticas?
No es necesario. Nuestra metodología está diseñada para principiantes. Comenzamos desde cero, enseñando herramientas como Power BI, SQL y Python básico, junto con conceptos fundamentales de estadística aplicados al análisis de datos.
3. ¿Cuál es el roadmap para aprender Data Analytics?
La cursada se divide en 4 etapas:
- Nivelación: Bases de Datos, Programación Lógica y Estadística.
- Introducción: Conceptos básicos de Data Analytics + Introducción a Python + Introducción a R.
- Especialización: Principales librerías para Data Analytics.
- Tutoría del proyecto final: Desarrollo guiado por docentes de un proyecto aplicado.
4. ¿Qué herramientas y plataformas voy a usar?
Utilizarás herramientas como SQL, Power BI, Python, R y Google Data Studio, entre otras, que son ampliamente utilizadas en la industria para el análisis y visualización de datos.
5. ¿Cuánto tiempo lleva aprender Data Analytics?
La diplomatura tiene una duración de 7 meses, con clases en vivo y ejercicios prácticos. Se recomienda dedicar entre 6 y 8 horas semanales, incluyendo práctica y desarrollo de proyectos.
6. ¿Es necesario saber inglés para estudiar Data Analytics?
No es obligatorio. Todos los contenidos están en español, incluyendo videos, ejercicios y tutorías del proyecto final. Conocer inglés puede ser útil para acceder a recursos adicionales, pero no es un requisito para completar la diplomatura.
7. ¿Qué salidas laborales ofrece esta diplomatura?
Podrás desempeñarte como Data Analyst, Business Analyst, Reporting Analyst o aplicar los conocimientos adquiridos en tu sector actual para tomar decisiones basadas en datos.
8. ¿Qué certificación obtengo al finalizar?
A lo largo del cursado, vas a aplicar lo aprendido mediante ejercicios prácticos, actividades integradoras y foros. Al finalizar, deberás presentar un proyecto final integrador y rendir un examen teórico, que requiere al menos un 60% de respuestas correctas para aprobar.
Al aprobar el programa, recibirás una certificación académica avalada por la Universidad Tecnológica Nacional (UTN) y el Instituto Data Science.
9. ¿Cuál es la diferencia entre Data Analytics y Ciencia de Datos?
Data Analytics se centra en el análisis descriptivo y la visualización de datos para generar insights claros. Ciencia de Datos incluye además modelado predictivo y machine learning, ofreciendo herramientas más avanzadas para resolver problemas complejos.
12. ¿Cómo puedo inscribirme y qué formas de pago están disponibles?
Haz clic en inscribirme ahora y completa tus datos o escribinos por WhatsApp: +541139148021 o Mail: info@institutodatascience.org. Nuestro equipo te va a asesorar personalmente.
El precio original era: $899.000,00.$729.000,00El precio actual es: $729.000,00.INSCRIBIRME AHORA
6 cuotas sin interés tarjetas de crédito Visa, Mastercard y Amex emitidas por entidades bancarias.
10% Off en un pago por transferencia bancaria.
Comunidad de egresados del Instituto Data Science Argentina, 10% de descuento adicional.
Garantía de Satisfacción: 30 días
Vacantes Disponibles
El precio original era: $899.000,00.$729.000,00El precio actual es: $729.000,00.INSCRIBIRME AHORA
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.
👨🎓 Testimonios / Casos de éxito
Docentes
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.
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.
Jeronimo 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.
