data analytics con r y python | CERTIFICACIÓN profesional

Modalidad: Online

Duración: 7 Meses

Descubrir insights valiosos a partir de datos y convertirlos en acciones estratégicas para impulsar el éxito.

Data Analytics es el proceso de extraer información de los datos para tomar decisiones. A través de nuestra certificación, aprenderás a aplicar el análisis de datos en diversas industrias, desde finanzas hasta salud y gobierno.

Descubrirás cómo mejorar la eficiencia operativa de las organizaciones y perfeccionar modelos de negocio, permitiendo la toma de decisiones más informadas y estratégicas. Prepárate para liderar el cambio y destacar en un mundo impulsado por datos. Únete a nosotros y conviértete en data analyst para un crecimiento rentable y sostenible en cualquier sector.

SUSCRIBIRME AHORA

Diplomatura en Data Analytics con R y Python

Avalado por la Universidad Tecnológica Nacional UTN Sede Reconquista

PAGO TOTAL (REGULARIDAD 2 AÑOS)

El precio original era: $799.000,00.El precio actual es: $549.000,00.INSCRIBIRME AHORA

DESDE ARGENTINA: $549.000 ARS. 12 cuotas sin interés con tarjetas de crédito Visa, Master y Amex emitidas por entidades bancarias.

DESDE EL EXTERIOR: $549 USD.

¡No necesitas experiencia previa en ninguna área! Nuestro programa está cuidadosamente diseñado en etapas para dar la bienvenida a estudiantes de todos los niveles de conocimiento.

¿Por qué Aprender Data Analytics con R y Python en el Instituto Data Science?

La diplomatura en Data Analytics con R y Python tiene como objetivo formar analistas de datos capaces de aplicar técnicas avanzadas de análisis para extraer insights estratégicos a partir de 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.

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.

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 Data Analyst con R y Python a tu ritmo y sin experiencia previa

Etapa de Nivelación

Clases en vivo de Programación Lógica + Bases de Datos + Probabilidad y Estadística.

Etapa de Introducción

Clases en vivo de Introducción Conceptual + Introducción a los Lenguajes de Programación + Taller de Programación.

Etapa de Especialización

Clases en vivo teóricas y prácticas sobre las principales librerías, técnicas y herramientas.

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.

Cronograma de la cursada

3 clases en vivo por semana (Horario GTM-3). Las clases 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.

Turno Par

Lunes 21:30 Horas

Miércoles 21:30 Horas

Jueves 19:00 Horas

Turno Impar

Lunes 19:00 Horas

Lunes 21:30 Horas

Martes 19:00 Horas

Certificado en Data Analytics con R y Python

Instancias de Evaluación

Presentación de proyecto final y Examen final de la diplomatura (Mínimo 60 % de respuestas correctas).

Autoevaluación Etapa de Nivelación (optativa).

Formas de pago disponibles

Transferencia Bancaria.

Tarjeta de crédito, débito a través de MercadoPago.

PayPal desde el exterior de Argentina.

Suscripción IDSA (Pago Mensual)

PAGO TOTAL (2 años de acceso)

El precio original era: $799.000,00.El precio actual es: $549.000,00.INSCRIBIRME AHORA

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

Ignacio Urteaga Director 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 Docente Instituto Data Science

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 Docente Instituto Data Science

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 Docente Data Analytics con R y 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.

Jerónimo Pardo Docente Instituto Data Science

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

Valor mensual de la suscripción:

Artículo añadido al carrito.
0 artículos - $0,00
Abrir chat
1
¿Alguna consulta? Estamos online.
Escanea el código
¿Dudas? Consulta por WhatsApp.