Ruta de Aprendizaje de Ciencia de Datos
Por el Equipo docente del Instituto Data Science · Actualizado en octubre de 2026
Qué aprender, en qué orden y cómo adaptar el camino a tu punto de partida: cuatro rutas según tu perfil, con proyectos para practicar en cada etapa.
Resumen: una ruta de aprendizaje de ciencia de datos es un orden de estudio en el que cada tema se apoya en el anterior. Las etapas son siempre parecidas (bases, análisis, modelado, práctica profesional y especialización), pero el punto de entrada cambia según tengas o no experiencia en programación o en negocios. Acá vas a ver las seis etapas, cuatro rutas según tu perfil y cómo saber en cuál estás.
¿Qué es una ruta de aprendizaje de Ciencia de Datos?
Es una secuencia ordenada de temas y prácticas que lleva desde los conocimientos previos hasta un perfil profesional en datos. Su valor está en el orden: cada tema se apoya en el anterior, y saltearse bases suele salir caro más adelante.
No existe una ruta única. Quien ya programa no necesita empezar por lógica de programación, y quien viene de negocios puede avanzar más rápido en análisis que en código. Por eso conviene pensar en etapas comunes y en distintos puntos de entrada.
Este artículo desarrolla la sección “Qué aprender y en qué orden” de la guía de Ciencia de Datos. Si querés el panorama completo de la disciplina, empezá por la guía.
Las 6 etapas de una ruta de aprendizaje
Las etapas son parecidas en casi todas las rutas. Lo que cambia es cuánto tiempo le dedicás a cada una.
- Etapa 0
Nivelación
Lo mínimo para arrancar sin frustrarte.
- Excel para análisis de datos.
- Lógica y pensamiento algorítmico.
- Estadística y matemática básica.
Podés saltearla si ya manejás estos temas. Los conceptos matemáticos que realmente se usan están en la guía de ciencia de datos.
- Etapa 1
Bases técnicas
Las herramientas con las que se trabaja todos los días.
- Python (o R), con NumPy y pandas.
- SQL para consultar bases de datos.
- Git para versionar tu trabajo.
Si dudás entre lenguajes, mirá ¿Debería aprender R o Python?
- Etapa 2
Análisis y visualización
Aprender a explorar datos, encontrar patrones y comunicarlos.
- Limpieza y análisis exploratorio.
- Visualización de datos y tableros.
- Comunicación de resultados.
- Etapa 3
Modelado y machine learning
Construir y evaluar modelos predictivos.
- Aprendizaje supervisado y no supervisado.
- Evaluación, validación y sobreajuste.
- Ingeniería de variables.
Tenés el detalle en la guía de Machine Learning.
- Etapa 4
Práctica profesional
Llevar un modelo del notebook a un sistema que funciona.
- Ciclo completo de un proyecto.
- Despliegue, monitoreo y MLOps básico.
- Ingeniería de datos y trabajo en equipo.
- Etapa 5
Especialización
Profundizar en el área que más te interese.
- Series de tiempo, causalidad y estadística avanzada.
- NLP, visión por computadora y deep learning.
- IA generativa, cloud y arquitectura de datos.
Ver las ramas de la IA y la guía de IA generativa.
Regla útil: no pases a la etapa siguiente sin haber hecho un pequeño proyecto con lo que acabás de aprender. Es la mejor forma de detectar qué entendiste de verdad.
Rutas de aprendizaje según tu perfil
Estas cuatro rutas combinan las mismas etapas con distintos puntos de partida. Son flexibles y se pueden mezclar.
Si no tenés experiencia previa
Punto de partida
Estás empezando desde cero en programación y estadística.
Recorrido
- Etapa 0: Excel, lógica y estadística básica.
- Etapa 1: Python y SQL.
- Etapa 2: análisis y visualización.
- Etapa 3: primeros modelos.
Primer rol posible
- Data Analyst
Si ya programás
Punto de partida
Sabés programar, pero no trabajaste con datos ni con estadística.
Recorrido
- Etapa 1: pandas y SQL.
- Estadística aplicada (lo que más suele faltar).
- Etapa 3: machine learning.
- Etapa 4: práctica profesional.
Primer rol posible
- Data Scientist
- Data Engineer
- ML Engineer
Si venís del mundo de los negocios
Punto de partida
Conocés un área (marketing, finanzas, RR. HH., operaciones), pero no programás.
Recorrido
- Etapa 0: Excel y estadística.
- Etapa 2: análisis, visualización y BI.
- Etapa 1: SQL y Python de a poco.
- Aplicar todo a problemas de tu sector.
Primer rol posible
- Business Analyst
- BI Analyst
- Analista de tu área con datos
Si querés orientarte a Machine Learning
Punto de partida
Tu objetivo es construir modelos y llevarlos a producción.
Recorrido
- Etapa 1: Python, SQL y matemática (álgebra lineal, probabilidad).
- Etapa 3: machine learning en profundidad.
- Etapa 4: despliegue y MLOps.
- Etapa 5: deep learning, NLP o IA generativa.
Primer rol posible
- Data Scientist
- ML Engineer
- AI Engineer
Comparativa de rutas
| Ruta | Perfil | Foco inicial | Rol de partida |
|---|---|---|---|
| 1. Sin experiencia | Desde cero | Nivelación, Python y SQL | Data Analyst |
| 2. Ya programás | Con código | Estadística, SQL y ML | Data Scientist, Data Engineer |
| 3. Negocios | Con dominio | Análisis, BI y visualización | Business o BI Analyst |
| 4. Machine Learning | Foco en modelos | Matemática, ML y despliegue | ML Engineer, AI Engineer |
¿Cuánto lleva?
Depende de tu punto de partida y de cuántas horas semanales le dediques. Como referencia orientativa, con estudio estructurado y práctica constante, un perfil de Data Analyst puede empezar a generar valor en 5 a 7 meses, y uno de Data Scientist junior suele necesitar entre 8 y 12 meses. Son estimaciones, no garantías: lo que más acelera el proceso es tener un proyecto propio desde el primer mes.
Cómo saber en qué etapa estás
Respondé estas preguntas con sinceridad. La primera que no puedas responder con seguridad marca tu punto de entrada.
- ¿Sabés explicar la diferencia entre media y mediana, y cuándo conviene cada una? (Etapa 0)
- ¿Podés escribir una consulta SQL con JOIN y GROUP BY? (Etapa 1)
- ¿Sabés cargar un CSV en pandas, limpiarlo y graficarlo? (Etapas 1 y 2)
- ¿Podés entrenar un modelo con scikit-learn y explicar por qué lo evaluás sobre datos que no usó para entrenar? (Etapa 3)
- ¿Podés exponer un modelo como servicio y monitorear que siga funcionando? (Etapa 4)
Cómo interpretar el resultado
Si la primera te costó, empezá en la Etapa 0. Si podés con las dos primeras, concentrate en análisis y modelado. Si respondiste todas con seguridad, estás listo para especializarte (Etapa 5).
Un proyecto por etapa
Los proyectos propios son lo que transforma conocimiento en portfolio. Una idea para cada etapa:
| Etapa | Proyecto sugerido |
|---|---|
| 0. Nivelación | Analizar en Excel un conjunto de datos público: medidas de resumen y un gráfico claro. |
| 1. Bases | Consultar con SQL una base de datos abierta y repetir el análisis en Python. |
| 2. Análisis | Un tablero con datos de datos.gob.ar y tres conclusiones explicadas. |
| 3. Modelado | Un modelo de clasificación o regresión comparado contra un modelo de referencia simple. |
| 4. Práctica profesional | El mismo modelo llevado a una API y con un README completo en GitHub. |
| 5. Especialización | Un proyecto de NLP, series de tiempo o visión en un área que te interese. |
Para ver cómo se presenta un proyecto de punta a punta, mirá los proyectos del Laboratorio de Datos, como la predicción del nivel del río Paraná o la detección de fraude en e-commerce.
Recursos para practicar
Herramientas
La guía de usuario de scikit-learn, con explicaciones y ejemplos de cada algoritmo.
Datos para practicar
datos.gob.ar, Kaggle y el repositorio UCI.
Errores comunes al armar tu ruta
Saltearse las bases
Empezar por redes neuronales sin saber SQL o estadística básica.
Coleccionar cursos
Hacer muchos cursos sin aplicar nada. Un proyecto terminado vale más que diez notebooks a medias.
Cambiar de ruta cada mes
Saltar entre lenguajes y herramientas sin profundizar en ninguna.
Ignorar el negocio
Un modelo técnicamente bueno que no resuelve un problema real no sirve.
Preguntas frecuentes sobre la ruta de aprendizaje
¿Por dónde empiezo si no sé nada de programación?
Por la Etapa 0 y la Etapa 1: Excel, lógica, estadística básica y luego Python y SQL. Ver Ruta 1: sin experiencia previa.
¿Hace falta saber matemática avanzada?
No para empezar. Alcanza con estadística, probabilidad y álgebra lineal básicas, que se profundizan a medida que avanzás. Ver Matemáticas para ciencia de datos.
¿Python o R?
Si no tenés preferencia, Python, por su demanda laboral y su ecosistema. R sigue siendo muy fuerte en estadística. Comparamos ambos en ¿Debería aprender R o Python?
¿Conviene empezar por Data Analytics o por Data Science?
Para la mayoría, por Data Analytics: se aprende SQL, visualización y pensamiento de negocio, que después sirven en cualquier especialidad. Data Science es la evolución natural. Ver Comparativa de rutas.
¿Se puede estudiar mientras trabajo?
Sí. Lo importante es la regularidad: pocas horas por semana mantenidas en el tiempo rinden más que períodos intensivos y espaciados.
¿Qué es lo que más pesa para conseguir trabajo?
Un portfolio de proyectos terminados y bien explicados. Ver la sección de Git y portfolio en la guía de Ciencia de Datos.
Cómo seguir después de este artículo
Ya tenés las etapas y un punto de partida. Estos son los próximos pasos:
- Hacé la autoevaluación de la sección Cómo saber en qué etapa estás y elegí tu ruta.
- Elegí un rol como destino: mirá los perfiles en roles y especialidades en datos.
- Volvé a la guía: la guía de Ciencia de Datos reúne el resto de los temas y artículos.
Este artículo es informativo y no reemplaza un plan de estudios. Si buscás formación estructurada, el instituto ofrece cursos de ciencia de datos online, diplomaturas en ciencia de datos y cursos on demand.
Recursos citados, consultados en octubre de 2026: scikit-learn – User Guide · datos.gob.ar.