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

Calidad de datos:
  ● 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 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.

1.-Análisis exploratorio de datos y uso de Jupyter Notebook mediante Google Colab
2.-Librerías:
  ● Numpy
  ● Pandas
  ● Scikit-Learn

3.-Procesos de Limpieza de datos: lectura de datos desde archivo y desde URL externa
4.-Visualizaciones básicas de un DataFrame

Unidad 2: Técnicas de predicción de datos con Machine Learning

1.-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

2.-Algoritmos de aprendizaje no supervisado:
  ● Análisis de conglomerados para datos numéricos, categóricos y mixtos
  ● Reducción de dimensionalidad para datos numéricos

3.-Uso de 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 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

  ● 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

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

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