Diplomado en Ciencia de Datos

Objetivo general: Aplicar herramientas de gobernanza de datos e inteligencia de negocios para apoyar la toma de decisiones en una organización.

Unidad 1: Fundamentos de datos y procesos empresariales

• Definición e importancia de la gobernanza de datos en las organizaciones.
• Concepto y dimensiones de la calidad de datos.
• Métodos para evaluar y mejorar la calidad de los datos.
• Fundamentos de seguridad de los datos: amenazas, riesgos y medidas preventivas.
• Aspectos éticos y regulaciones legales asociadas a la gestión de datos.
• Buenas prácticas en privacidad y confidencialidad.

Unidad 2: Inteligencia de negocios y minería de datos

• Conceptos clave y aplicaciones de Business Intelligence (BI).
• Componentes de un sistema BI y su arquitectura.
• Integración de datos en sistemas de inteligencia de negocios.
• Técnicas de análisis avanzado de datos: OLAP y data mining.
• Creación de informes y herramientas de visualización de datos.
• Optimización de procesos organizacionales mediante BI.

Objetivo general: Aplicar técnicas de análisis estadístico descriptivo e inferencial con Python para la exploración y evaluación de datos en diversos contextos.

Unidad 1: Análisis Estadístico Descriptivo en Python

Objetivo: Aplicar técnicas de análisis estadístico descriptivo en Python en diferentes contextos.

• 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

Objetivo: Analizar técnicas de análisis estadístico inferencial en Python a partir de muestras en contextos diversos.

• 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

Objetivo general: Implementar modelos y herramientas especializadas en gestión de datos e identificación de patrones para la toma de decisiones.

Unidad 1: Técnicas para la exploración y preparación de datos

Objetivo: Analizar datos de una disciplina u organización mediante las herramientas disponibles en Python, según el estudio predictivo de interés.

• 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

Objetivo: Establecer un algoritmo de aprendizaje automático que se ajuste a las necesidades de la disciplina u organización.

• 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 Python para realizar estos algoritmos.

Objetivo general: Elaborar distintas arquitecturas de redes neuronales en determinados escenarios mediante técnicas de comparación de métricas y “tunning”.

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

Objetivo: Analizar las bases de las redes neuronales y sus algoritmos fundamentales.

• El perceptrón como unidad básica de las redes neuronales.
• Regresores naturales y las básicas MultiLayerPerceptron (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

Objetivo: Evaluar la eficacia de distintos tipos de redes neuronales en ciertos escenarios.

• La convolución y el residuo, desde la arquitectura ResNet.
• Clasificación de imágenes y arquitecturas como LSTM y transformer para procesos de Natural Language Processing, usando la clasificación de sentimientos en texto como escenario.

Objetivo general: Diseñar presentaciones efectivas a través de recursos visuales y una narrativa de fácil comprensión ante fenómenos complejos.

Unidad 1: Técnicas para la visualización de datos

Objetivo específico: Seleccionar estrategias, datos pertinentes y la mejor visualización de acuerdo con el contexto de la industria.

• ¿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

Objetivo específico: Analizar técnicas comunicacionales efectivas basadas en datos.

• Pasos para crear un Data Story
• Uso de la narración para transmitir el mensaje a la audiencia
• Técnicas de Storytelling
• Diseño de la presentación