data analytics con r y python | CERTIFICACIÓN profesional
Modalidad: Online
Duración: 7 Meses
2 clases en vivo por Zoom por semana.
Descubrir insights valiosos a partir de datos y convertirlos en acciones estratégicas para impulsar el éxito.
En la era de la información, los datos son el nuevo petróleo, y saber cómo extraer, analizar y utilizar esta valiosa información se ha convertido en una habilidad esencial.
Este curso te permitirá dominar las herramientas más poderosas de la industria: R, Python y Power BI, equipándote con las habilidades necesarias para convertirte en un experto en análisis de datos.
Con una formación integral y orientada a la práctica, estarás preparado para enfrentar los desafíos del mundo del análisis de datos y destacar en el mercado laboral. No esperes más, ¡inscríbete y transforma tu futuro profesional!
Diplomatura en Data Analytics con R y Python
Avalado por la Universidad Tecnológica Nacional UTN Sede Reconquista
Ahora podes abonar en 12 cuotas sin interés
El precio original era: $799.000,00.$549.000,00El precio actual es: $549.000,00.INSCRIBIRME AHORA
14 de Octubre 2024 (Últimas vacantes)
Lunes 19:00 Horas y 21:30 Horas
Martes 19:00 Horas
28 de Octubre 2024
Lunes 21:30 Horas
Miércoles 21:30 Horas
Jueves 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.
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: $549.000 ARS. Hasta en 12 cuotas sin interés con tarjetas de crédito Visa, Master y Amex emitidas por entidades bancarias. Desde el exterior: $549 USD.
El precio original era: $799.000,00.$549.000,00El precio actual es: $549.000,00.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.
¡No necesitas experiencia en ninguna área! Nuestra Certificación en Data Analytics con R y Python te ofrece una modalidad de cursada flexible y personalizada. Dividimos la certificación en 4(cuatro) 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.
¿Por qué Aprender Análisis de Datos?
La Diplomatura en Data Analytics tiene objetivos claros que buscan proporcionar una formación integral y aplicada:
- Dominar Fundamentos y Herramientas: Adquirir una comprensión profunda de los conceptos clave del análisis de datos y dominar herramientas como R, Python y Power BI.
- Aplicación Práctica: Desarrollar habilidades prácticas a través de la implementación de proyectos reales que simulan problemas del mundo empresarial.
- Preparación para el Mercado Laboral: Equipar a los estudiantes con las habilidades necesarias para sobresalir en el mercado laboral, con un enfoque en la resolución de problemas y la toma de decisiones basada en datos.
Las unidades temáticas incluyen desde fundamentos de programación en R y Python, bases de datos, estadística y probabilidad, hasta técnicas avanzadas como clustering, redes neuronales, series temporales, minería de textos, entre otros. Además, se incluye un curso en Power BI para complementar las habilidades de visualización y presentación de datos.
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
Un fuerte componente práctico orientado a proyectos para que aprendas haciendo. Al final de la cursada puedes realizar tus propios proyectos.
Consultas online
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 Data Analytics 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 de la Diplomatura en Data Analytics con R y Python + Experto en Power BI
Nivelación (Optativa)
- Programación lógica.
- Bases de datos relacionales y no relacionales.
- Probabilidad y Estadística.
- GitHub
Introducción Conceptual
- Introducción a Data Analytics.
- Niveles a los que opera Data Analytics.
- 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.
Repaso de probabilidad y estadística
- Repaso de conceptos de probabilidad y estadística.
- Test de Hipótesis.
- Correlaciones.
- AB Test.
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
- 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.
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.
Video de presentación de la Diplomatura en Data Analytics con R y Python
Fórmate como Analista de Datos a tu ritmo y sin experiencia previa
Curso de Nivelación
Clases en vivo de Programación Lógica + Bases de Datos + Probabilidad y Estadística.
Curso de Introducción
Clases en vivo de Introducción Conceptual + Introducción a los Lenguajes de Programación + Taller de Programación.
Curso de Especialización
Clases en vivo teóricas y prácticas sobre las principales librerías, técnicas y herramientas.
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 Data Analytics 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.
Valor mensual de la suscripción:
DESDE ARGENTINA: $50.000 MENSUALES
DESDE EL EXTERIOR: $50 USD MENSUALES
Beneficios de la Formación en Data Analytics
Estudiar Data Analytics te abre las puertas a un sinfín de oportunidades. Entre los beneficios destacan:
- Desarrollo de Habilidades Técnicas: Dominar herramientas y técnicas avanzadas que son altamente demandadas en el mercado laboral.
- Certificación Reconocida: Obtener una certificación que avala tu conocimiento y habilidades en análisis de datos.
- Proyectos Reales: Ganar experiencia práctica trabajando en proyectos que simulan problemas reales del mundo empresarial.
Beneficios Laborales y Profesionales de Estudiar Data Analytics
El análisis de datos es una de las áreas con mayor crecimiento y demanda en el mercado laboral. Los beneficios de formarse en este campo incluyen:
- Alta Demanda Laboral: Empresas de diversos sectores buscan profesionales capacitados en análisis de datos para tomar decisiones basadas en información precisa.
- Salarios Competitivos: Los especialistas en Data Analytics suelen recibir salarios atractivos debido a la alta demanda y la especialización del campo.
- Oportunidades de Crecimiento: Las habilidades en análisis de datos permiten acceder a roles de liderazgo y gestión de proyectos, facilitando el crecimiento profesional.
- Versatilidad: Los conocimientos en Data Analytics son aplicables en múltiples industrias, desde finanzas y salud hasta marketing y tecnología.