Diplomatura en Data Analytics con R y Python

Aprende Data Analytics con R y Python

🧑‍💼 ¿A quién está dirigido?

Esta diplomatura está destinada a profesionales de diversas disciplinas —tanto técnicas como no técnicas— que buscan fortalecer su capacidad de análisis, interpretación y visualización de datos utilizando R, Python y herramientas de business intelligence. Instituto Data Science Argentina

Es especialmente útil para quienes:

• Trabajan en entornos donde la toma de decisiones depende de métricas, evidencias y análisis cuantitativos. Instituto Data Science Argentina
• Desean mejorar sus habilidades analíticas para proyectos internos o consultivos. Instituto Data Science Argentina
• Estudiantes e investigadores que requieren herramientas analíticas para sus proyectos académicos. Instituto Data Science Argentina
• Personas interesadas en impulsar la transformación digital mediante el uso estratégico de datos. Instituto Data Science Argentina

La diplomatura forma parte de la oferta académica del Instituto Data Science Argentina, institución dedicada a la formación especializada en ciencia de datos, inteligencia artificial y tecnologías asociadas. Instituto Data Science Argentina

Objetivo general de la diplomatura en Data Analytics con R y Python

El objetivo de la Diplomatura en Data Analytics con R y Python es formar profesionales capaces de analizar, interpretar y comunicar información basada en datos, apoyando la toma de decisiones a partir del uso sistemático de herramientas estadísticas, técnicas de visualización y programación en R y Python aplicados a casos reales. Instituto Data Science Argentina

Objetivos específicos

A lo largo del programa, el estudiante desarrollará los conocimientos y habilidades necesarias para:

• Comprender los fundamentos conceptuales y metodológicos del análisis de datos. Instituto Data Science Argentina
• Preparar, transformar y estructurar conjuntos de datos para análisis cuantitativo. Instituto Data Science Argentina
• Aplicar técnicas de estadística descriptiva e inferencial. Instituto Data Science Argentina
• Desarrollar visualizaciones efectivas que faciliten la interpretación de patrones y tendencias. Instituto Data Science Argentina
• Implementar metodologías de data wrangling y minería de datos con R y Python. Instituto Data Science Argentina
• Construir dashboards y reportes que soporten la toma de decisiones organizacionales. Instituto Data Science Argentina

Competencias que desarrolla el egresado

Al finalizar la diplomatura, el egresado será capaz de:

• Analizar y transformar conjuntos de datos complejos para extraer conclusiones relevantes. Instituto Data Science Argentina
• Utilizar R y Python junto con sus principales librerías y herramientas de visualización para el análisis exploratorio y descriptivo. Instituto Data Science Argentina
• Resolver problemas de negocio mediante dashboards, reportes y presentaciones basadas en datos. Instituto Data Science Argentina
• Interpretar resultados analíticos y comunicar insights de forma clara y fundamentada. Instituto Data Science Argentina
• Integrar procesos de Data Analytics en flujos de trabajo profesionales y académicos. Instituto Data Science Argentina

🤓 Estructura Curricular del Programa de Data Analytics con R y Python

Etapa de Nivelación

Programación lógica

Introducción a la Programación Lógica. Tipos de Variables. Ejecución condicional. Ciclos. Funciones. Conceptos generales.

Bases de datos relacionales

Introducción a Bases de Datos. Relaciones. Formas normales. Operaciones sobre tablas. Joins. Objetos de las bases de datos. Optimización de consultas. Arquitectura de las bases de datos. SQL Server.

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.

Descargar Programa académico Diplomatura en Data Analytics con R y PythonDescarga

Modalidad de cursada

• 100% online: accesible desde cualquier dispositivo, con materiales disponibles permanentemente.
• Clases en vivo y grabadas: para reforzar y repasar contenidos a demanda.
• Plataforma interactiva: seguimiento de avances, entregas y evaluaciones integradas. Instituto Data Science Argentina

Acompañamiento académico

• Tutorías especializadas en cada módulo.
• Foros de discusión y consultas con docentes y compañeros.
• Soporte técnico y académico continuo a lo largo de la cursada. Instituto Data Science Argentina

Evaluación

• Ejercicios prácticos por módulo con enfoque aplicado.
• Proyecto integrador final que articula todos los contenidos del programa.
• Feedback personalizado de tutores en cada entrega. Instituto Data Science Argentina

Doble Certificación

• Certificación emitida por Instituto Data Science Argentina
• Certificación emitida por UTN – Universidad Tecnológica Nacional (FRRQ)