Diplomado en Ciencia de Datos (Modalidad Sincrónica)

Unidad 1: Fundamentos de datos y procesos empresariales

Introducción a la gobernanza de datos

• Definición e importancia de la gobernanza de datos en las organizaciones.
• Concepto y dimensiones de la calidad.
• Métodos para evaluar y mejorar la calidad.

Seguridad de los datos

• Fundamentos de seguridad de datos.
• Amenazas y riesgos de seguridad.
• Medidas de seguridad y buenas prácticas.

Ética y regulaciones de la gestión de datos

• Cumplimiento y regulaciones.
• Implicaciones legales y ética en la gestión de datos.

Tecnologías en la gobernanza de datos

• Mejores prácticas en gestión de datos.
• Consideraciones sobre la privacidad y confidencialidad.

Unidad 2: Inteligencia de negocios y minería de datos

Introducción a la Inteligencia de Negocios

• Definiciones y conceptos claves de BI.
• Toma de decisiones estratégicas en BI.

Arquitectura en Sistemas BI

• Componentes esenciales de un sistema BI.
• Integración de datos en sistemas de BI.

Análisis avanzado de Datos

• Técnicas de análisis avanzado como OLAP.
• Técnicas de análisis en descubrimiento de tendencias (Data Mining).
• Identificación de mejoras y optimización de procesos.

Visualización de datos y reporting

• Creación de informes y herramientas de visualización.

Unidad 1: Análisis Estadístico Descriptivo en Python

Introducción a Google Colab:

• Ambiente de trabajo y características de Google Colab
• Creación y manejo básico de notebooks

Limpieza y Preparación de Datos:

•   Detección y manejo de datos faltantes
•   Manejo de datos atípicos
•   Transformación y normalización de datos

Estadísticas Básicas y Visualización de Datos:

• Medidas de tendencia central, dispersión y forma
• Representaciones gráficas básicas con Matplotlib y Seaborn

Análisis Multivariante Introductorio:

• Concepto de correlación y covarianza. Introducción al análisis de componentes principales

Aplicación en Python con pandas y Numpy:

•  Exploración de datasets
• Cálculos estadísticos básicos y visualización

Unidad 2: Análisis Estadístico Inferencial en Python

Introducción al Análisis Inferencial:

• Diferencias entre estadística descriptiva e inferencial
• Concepto de población y muestra
• Variable aleatoria
• Distribuciones de muestreo y teorema del límite central

Intervalos de Confianza:

• Concepto y cálculo de intervalos de confianza para medias

Pruebas de Hipótesis:

•  Introducción a las pruebas de hipótesis
•  Pruebas para una muestra (t-test)

Análisis de Regresión Simple:

• Conceptos básicos de regresión lineal
• Evaluación del ajuste del modelo y predicción

Aplicación en Python con Statsmodels:

• Construcción y evaluación de modelos
• Interpretación de resultados

Unidad 1: Técnicas para la exploración y preparación de datos

Análisis exploratorio de datos y uso de Jupyter Notebook mediante Google Colab

• Librerías:
  • Numpy
  • Pandas
  • Scikit-Learn

Procesos de limpieza de datos: lectura de datos desde archivo y desde URL externa

Visualizaciones básicas de un DataFrame

Unidad 2: Técnicas de predicción de datos con Machine Learning

Algoritmos de aprendizaje supervisado:

• • Técnicas de clasificación:
    • Regresión logística
    • Métodos basados en árboles
    • Support Vector Machine
  • Técnicas de regresión:
    • Regresión lineal
    • Métodos basados en árboles
    • Support Vector Machine

Algoritmos de aprendizaje no supervisado:

• Análisis de conglomerados para datos numéricos, categóricos y mixtos
• Reducción de dimensionalidad para datos numéricos

Uso de e Python para realizar estos algoritmos

Unidad 1: Bases del Deep Learning: cimientos de la IA

• El perceptrón como unidad básica de las redes neuronales
• Regresores naturales y las básicas MultiLayer Perceptron (MLP)
• Algoritmos como el descenso del gradiente y sus variantes
• Retropropagación del error
• Técnicas de generalización
• Funciones de activación y regularización

Unidad 2: Aplicaciones del Deep Learning: pongamos a trabajar algunas arquitecturas de red neuronal

• La convolución y el residuo, desde la arquitectura ResNet
• Clasificación de imágenes y arquitecturas como LSTM y transformer para NLP
• Clasificación de sentimientos en texto como escenario aplicado

Unidad 1: Técnicas para la visualización de datos

• ¿A qué nos referimos cuando hablamos de Storytelling?
• Elementos claves del Storytelling
• Establecer estrategias de Storytelling según la audiencia
• Selección de datos útiles
• Eliminación de la sobrecarga
• Visualización según tipos de datos
• Dirigir la atención
• Elementos visuales claves

Unidad 2: Técnicas para la presentación creativa de datos

Definición de Storytelling y sus elementos clave

La importancia del contexto: establecer estrategias de Storytelling según la audiencia

• Preguntas para saber más del contexto
• Técnicas de Storytelling

Selección de datos útiles:

• Tipos de datos
• Tipos de gráficos
• Elementos visuales clave
• Buenas prácticas en elementos visuales

Eliminación de la sobrecarga (caos/desorden):

• Principios de diseño gráfico
• Teoría de Gestalt
• Ley de semejanza
• •