Fórmate en Ingeniería de Datos a tu ritmo y sin experiencia previa
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
Con un fuerte componente práctico orientado a proyectos para que aprendas haciendo. Al final de la cursada puedes realizar tus propios proyectos.
Consultas online
Chatbot Híbrido + Acceso a los tutores por plataformas de mensajería instantánea (Telegram). Se coordinan videollamadas para atender consultas especificas.
El precio original era: $1.500.000,00.$1.288.000,00El precio actual es: $1.288.000,00.INSCRIBIRME AHORA
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 Inteligencia Artificial con 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 Ingeniería de datos + Experto en Power BI
Introducción a la Ingeniería de Datos
- ¿Qué es la Ingeniería de Datos y por qué es clave en las organizaciones data-driven.
- Diferencias entre Data Engineer, Data Scientist, Data Analyst y Analytics Engineer.
- Responsabilidades del Ingeniero de Datos en entornos productivos.
- Arquitecturas modernas de datos y tendencias actuales.
Ecosistema de Datos
- Componentes del ecosistema de datos moderno.
- Fuentes de datos estructurados, semiestructurados y no estructurados.
- Sistemas transaccionales vs sistemas analíticos.
- Las 3 C del ecosistema de datos: Captura, Curación y Consumo.
- Herramientas más utilizadas en cada etapa del ecosistema.
- Análisis de casos reales de ecosistemas de datos empresariales.
Ciclo de Vida de la Ingeniería de Datos
- Diseño del ciclo de vida del dato end-to-end.
- Ingesta de datos batch y en tiempo real.
- Almacenamiento de datos: data lakes, data warehouses y data marts.
- Transformación, validación y enriquecimiento de datos.
- Exposición del dato para analítica, BI y Machine Learning.
- Mantenimiento, monitoreo y optimización de pipelines de datos.
Bases de Datos Relacionales
- Fundamentos de bases de datos relacionales.
- Modelado de datos relacional y normalización.
- Diseño de esquemas orientados a analítica.
- Consultas SQL aplicadas a ingeniería de datos.
- Optimización de consultas y performance.
- Casos de uso de bases de datos relacionales en pipelines de datos.
Bases de Datos NoSQL
- Introducción a bases de datos NoSQL y sus diferencias con SQL.
- Tipos de bases NoSQL: documentales, clave-valor, columnas y grafos.
- Modelado de datos en sistemas NoSQL.
- Casos de uso según tipo de base de datos.
- Integración de bases NoSQL en arquitecturas de datos modernas.
Big Data aplicado a la Ingeniería de Datos
- Conceptos fundamentales de Big Data.
- Procesamiento distribuido de grandes volúmenes de datos.
- Escalabilidad, tolerancia a fallos y alta disponibilidad.
- Arquitecturas Big Data modernas.
- Casos de uso reales de Big Data en ingeniería de datos.
ETL, ELT y Pipelines de Datos
- Conceptos de ETL y ELT.
- Diseño de pipelines de datos eficientes.
- Ingesta desde múltiples fuentes de datos.
- Transformaciones y reglas de calidad de datos.
- Automatización y orquestación de pipelines.
- Buenas prácticas en la construcción de procesos ETL.
Visualización en Ingeniería de Datos
- Rol de la visualización dentro del flujo de datos.
- Preparación de datos para consumo analítico.
- Modelos de datos para herramientas de BI.
- Buenas prácticas para exponer datos a dashboards y reportes.
- Validación de datos antes del consumo final.
Machine Learning en Ingeniería de Datos
- Relación entre Data Engineering y Machine Learning.
- Preparación de datos para modelos de Machine Learning.
- Feature engineering desde la perspectiva del Ingeniero de Datos.
- Pipelines de datos para entrenamiento y scoring de modelos.
- Integración de sistemas de datos con flujos de ML.
Trabajo Final Integrador
- Diseño de una arquitectura completa de datos.
- Implementación de un pipeline end-to-end.
- Integración de bases de datos, procesos ETL y visualización.
- Documentación técnica del proyecto.
- Presentación y defensa del trabajo final.

Instancias de Evaluación
Presentación de proyecto final y Examen final de la diplomatura (Mínimo 60 % de respuestas correctas).
Autoevaluación Etapa de Nivelación (optativa).
