Certificado en Análisis de Datos con Python
Aprende a manejar datos para crear estrategias de negocio, revelar tendencias, tomar decisiones,
generar reportes, crear visualizaciones, responder preguntas y resolver problemas sobre bases de datos con los lenguajes R y Python

Duración
6 meses
6 meses
.png)
Módulos
5 módulos
5 módulos
.png)
Sesiones
8 por cada módulo
8 por cada módulo

¿Por qué estudiar con nosotros
un diplomado en ciencia de datos?
Con nuestro Modelo Blended Remoto,
aprende la teoría en línea a tu ritmo; valida conocimientos y realiza prácticas en sesiones remotas en vivo dirigidas por expertos.
Tendrás acceso a tareas y contenidos
exclusivos, además del calendario y toda la información del curso que tomarás.
¡Todos los materiales en un solo lugar!
Plan de Estudios Análisis de Datos con Python*
Introducción a bases de datos
- Fundamentos de SQL
- Agrupaciones y subconsultas
- Joins y vistas
- Configuración de bases de datos locales
- Fundamentos de MongoDB
- Consultas en MongoDB
- Agregaciones
- Query competition
Programación y estadística con R
- Introducción a R y software
- Programación y manipulación de datos en R
- Análisis Exploratorio de Datos (AED o EDA) con R
- Algunas distribuciones, teorema del límite central y contraste de hipótesis
- Regresión líneal y clasificación
- Series de tiempo
- RStduio Cloud y conexiones con BDs
- Dashboards con Shiny, GUI
Procesamiento de datos con Python
- Fundamentos de Python
- Estructuras de datos y funciones
- Programación funcional, operadores lógicos y funciones lambda
- Pandas y análisis exploratorio de datos
- Funciones vectorizadas y limpieza de datos
- APIs, automatización y concatenación de DataFrames
- Transformación, filtración y ordenameinto de datos
- Bases de datos, merge y agrupaciones
Análisis de datos con Python
- Estimados de locación y variabilidad
- Introducción a la visualización de datos distribuciones
- Exploración de variables categóricas y análisis multivariable
- Correlaciones y regresión líneal simple
- Distribuciones muestrales y técnicas de evaluación de modelos
- Visualización de datos avanzada
- Pruebas A/B y procesamiento de lenguaje natural
- Introducción a Machine Learning: Clasificación no supervisada y supervisada
Machine Learning
- Introducción a Machine Learning
- Uso de herramientas y librerías de Machine Learning en Python con Jupyter
- Algoritmos no supervisados: K-means
- Regresión para predicciones
- Clasificación y redes neuronales artificiales
- Algoritmo de retropropagación para redes neuronales artificiales
- Algoritmos bioinspirados y algoritmos genéticos
- Fundamentos de procesamiento de imágenes para Machine Learning

* ESTUDIOS SIN RECONOCIMIENTO DE VALIDEZ OFICIAL
QUIERO MÁS INFORMACIÓN

x
5218443622631