Diplomatura en Data Analytics con R y Python

Certificado en Data Analytics con R y Python

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

Duración: 15 semanas – 3 clases en vivo por semana – Carga horaria: 150 Horas.

$49.000,00INSCRIBIRME AHORA

La diplomatura en Data Analytics con R y Python incluye un curso gratis de nivelación de contenidos para aquellos estudiantes sin experiencia previa.

Fechas de Inicio disponiblesPlan de EstudioFormas de pagoEquipo Docente

¿Qué vas a aprender con nuestro Certificado en Data Analytics con R y Python?

La Diplomatura en Data Analytics con R y Python tiene el objetivo de formar Analistas de datos. El Data analytics implica el análisis de datos para mejorar la eficiencia operativa de las organizaciones y perfeccionar su modelo de negocio.

Permitiendo tomar las mejores decisiones al gestionar los riesgos y lograr un crecimiento rentable y sostenible.

 Clases en vivo

Todas las clases en vivo quedan grabadas a disposición de los estudiantes y no se exige asistencia. También dispones de clases de ediciones anteriores.

Aprende haciendo

Un fuerte componente práctico orientado a proyectos para que aprendas haciendo. Al final de la cursada presentas tu propio proyecto.

 Consultas online

Participa en el grupo de WhatsApp para realizar tus consultas fuera del horario de clases. Se coordinan videollamadas para atender consultas especificas.


Fechas de inicio de la diplomatura en Data Analytics 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 Visa, Amex o Mastercard.

6 cuotas sin interés

También puedes abonar tu diplomatura en un pago por Transferencia Bancaria, Rapipago, PagoFácil o Tarjeta de Debito.

$49.000,00INSCRIBIRME AHORA

El valor de la diplomatura abonando desde el exterior de Argentina es de $540 Dólares. Consulta con nuestros asesores las formas de pago disponibles en tu país.

Alumnos del exterior de argentina

Plan de estudios de la Diplomatura en Data Analytics 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. Los grupos de participantes son reducidos y de varios países hispanoparlantes. Lo que aporta diferentes visiones y la posibilidad de networking internacional. El estudiante tiene actividad complementaria con material de soporte de las clases, material teórico para estudiar, ejercicios resueltos y para resolver. Se realiza corrección de ejercicios y autoevaluaciones. Soporte docente por Grupo de WhatsApp, email y foro.

Programa Analítico

Ciclo introductorio

Definición de conceptos

  • 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

Repaso de probabilidad y estadística

  • Repaso de conceptos de probabilidad y estadística
  • Test de Hipótesis
  • Correlaciones
  • AB Test

Ciclo Regular

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

Horarios de la Cursada (GTM-3) de la diplomatura en Data Analytics con R y Python

Diplomatura en Data Analytics con R y PythonDíaHora
Introducción 1 de 213/12/202119 hs
Introducción 2 de 216/12/202119 hs
Iniciación en R 1 de 220/12/202119 hs
Iniciación en R 2 de 223/12/202119 hs
Iniciación en Python 1 de 415/12/202119 hs
Iniciación en Python 2 de 417/12/202119hs
Iniciación en Python 3 de 422/12/202119 hs
Iniciación en Python 4 de 424/12/202119 hs
Horarios fijos a partir de la tercer semana de cursada
Clases teóricas – prácticas regulares de PythonMartes19 hs
Clases teóricas regulares RLunes20:15 hs
Clases prácticas regulares RJueves20:15 hs

Instancias de Evaluación

  • Autoevaluación Nivelación de contenidos (opcional).
  • Examen final (Mínimo 60 % de respuestas correctas).
  • Presentación del proyecto Final.
Certificado en Data Analytics con R y Python
Certificado Data Analytics con R y Python

Equipo docente de la Diplomatura en Data Analytics con R y Python

Artículo añadido al carrito.
0 artículos - $0,00
Abrir chat
¿Necesitas asesoramiento?
¿Dudas? Consulta por WhatsApp.