¿Qué vas a aprender con

nuestro Certificado en Ciencia

de datos con R y Python?
Aprenderás los principales algoritmos de aprendizaje supervisado y no supervisado. Entre
los algoritmos supervisados verás árboles de decisión, redes neuronales, reglas de
asociación, bayes ingenuo, bosques aleatorios. Y no supervisado como agrupamiento.

Descubrirás además cómo usar series las temporales, el método de Montecarlo, los
algoritmos genéticos, y las técnicas de regresión, minería de textos y Big Data. Estas
aplicaciones podrás utilizarlas en múltiples campos. Como negocios, salud, recursos
humanos, cobranzas, finanzas, publicidad, marketing, procesos de servicios y de
producción, urbanismo, políticas públicas, etc.

Plan de estudios de la Diplomatura

en Ciencia de Datos con R y Python
Definiciones de Ciencia de Datos
 Introducción a la Ciencia de Datos
 Niveles a los que opera la ciencia de datos
 Introducción a Data Warehouse
 Introducción a Data Mining
 Introducción a Knowledge Discovery
 Introducción a Herramientas OLAP y Tableros de comando
 Repaso de herramientas disponibles
 Taxonomía de las competencias de un científico de datos
 Primeros pasos en R
 Instalando y cargando paquetes en R
Introducción a R
 Variables, vectores y matrices
 Dataframes
 Paquetes y librerías
 Manejo de archivos csv
 Conversiones de tipos
 Conexión a bases de datos
 Ejecución condicional
 Bucles
 Funciones en R
 Medidas estadísticas
 Correlaciones
 Funciones estadísticas
Introducción a Python
 Descarga e instalación
 Principales librerías
 Variables y tipos de datos
  Listas, tuplas y diccionarios
 Ejecución condicional
 Ciclos definidos e indefinidos
 Manejo de Excepciones
 Funciones y Generadores
 Clases y objetos
 Manejo de archivos y directorios
 Conexión a archivos planos
 Conexión a Excel
 Conexión a Bases de Datos
Tests básicos
 Repaso de conceptos de probabilidad y estadística
 Test de Hipótesis
 Correlaciones
 AB Test
 Cálculo de correlaciones en R con cor
 Funciones de distribución en R
 Histogramas en R
 Gráficos de líneas en R
 Gráficos de áreas en R
 Uso de NumPy
 Uso de Pandas
 Uso de MatPlotLib
 Módulo matplotlib
 Módulo math
 Módulo numpy
 Módulo yt
 Módulo mayavi
Regresiones
 Regresión Lineal
 Regresión polinómica
 Regresión exponencial y logarítmica
 Regresión de dos variables
 Cálculo de regresiones en R con lm
 Cálculo de regresiones logísticas en R con glm
 Regresiones en Python
 Regresión logística en Python
Arboles de decisión
 Algoritmo básico en Excel
 División en entrenamiento y prueba
 Uso de Rpart y cp
 Predicción y valoración de la solución
 Uso de Party
 Aplicación al problema del call center
 Instalación y uso del paquete en Python
 Ejemplo en Python
 Principales parámetros de ajuste y control
Clusters
 Algoritmo básico en Excel
 Uso de kmeans en R
 Ejemplo de aplicación real en R
 Otros algoritmos de agrupamiento en R
 Ejercicio de aplicación de agrupamiento de mascotas
 Uso de Scikit-Learn en Python
 Análisis de componentes principales en Python
  K-Medias en Python
 Clustering jerárquico en Python
Reglas de Asociación
 Algoritmo básico en Access
 División en entrenamiento y prueba en R
 Uso de arules en R
 Ejemplo de una aplicación real votación de reglas en R
 Ejemplo de una aplicación real a datos de ventas en supermercados en R
 Instalación y uso del paquete en Python
 Ejemplo en Python
 Principales parámetros de ajuste y control
 Esquema de votación de reglas en Python
Redes Neuronales
 Algoritmo básico en Excel
 División en entrenamiento y prueba en R
 Uso de neuralnet
 Predicción y valoración de la solución en R
 Discusión del problema de legibilidad de los resultados desde el negocio
 Competencia entre árboles y redes en un caso concreto en R
 Instalación y uso del paquete en Python
 Ejemplo en Python
 Principales parámetros de ajuste y control en Python
 Problema concreto en Python
Algoritmos genéticos
 Algoritmo básico en Excel
 Discusión del tipo de problemas en los que se aplica
 Discusión de otros mecanismos de optimización
 Implementación en R del uso de algoritmos genéticos como Valores reales
 Binarios
 Permutaciones
 Implementación en Python
Series temporales
 Taxonomía
 Separación de componentes
 Predicciones
 ARIMA implementado en R
 Predicción en series con un único período
 Predicción en series con múltiples períodos
 Predicción en series con períodos variables: renormalización
 Implementación en Python
Método de Simulación de Montecarlo
 Algoritmo básico en Excel
 Discusión de la utilidad del método
 Comparación con el análisis de escenarios
 Ejemplo de una aplicación real
 Ejemplo simple implementado en R
 Ejemplo simple implementación en Python
Minería de textos
 Clasificación supervisada de piezas de texto
 Construcción de una red semántica
 Discusión de las posibilidades de reconocimiento de voz
 Ejemplos de aplicación real del algoritmo de clasificación
 Aplicación a la detección de sentimientos
  Ejemplo de implementación en Python
Vecinos Cercanos (Knn)
 Instalación y uso del paquete en R
 Ejemplo conceptual en Excel
 Ejemplo en R
 Instalación y uso del paquete en Python
 Ejemplo en Python
 Principales parámetros de ajuste y control
Bayes Ingenuo
 Implementación en Excel
 Ejemplo de aplicación en R
 Comparación de 4 algoritmos predictivos (Bayes ingenuo, árboles, redes
neuronales y regression logística)
 Ejemplo de aplicación en Python
Random Forest
 Bootstrap y bagging
 Descripción conceptual del método random forest
 Paquete randomForest para R
 Ejemplo de aplicación
 Comparación con otras técnicas
 Implementación en Python
Métodos bayesianos avanzados
 Descripción conceptual del método:
 Regresión lineal bayesiana
 Regresión logística bayesiana
 Inferencia bayesiana
 Red bayesiana
 Ejemplos de aplicación en RPaquete BAS
 Paquete brms
 Paquete arm
 Paquete bnlearnd
 Comparación con otras técnicas
 Ejemplos de aplicación en Python
Máquina de soporte vectorial
 Descripción conceptual del método
 Paquete e1071 para R
 Ejemplo de aplicación en R
 Ejemplo de aplicación en Python
 Comparación con otras técnicas
Discriminante lineal y cuadrático
 Instalación y uso del paquete
 Ejemplo conceptual en Excel
 Ejemplo en R
 Ejemplo en Python
 Principales parámetros de ajuste y control en R
 Principales parámetros de ajuste y control en Python
 Problema concreto
Análisis de Fourier
 Descripción conceptual
 Ejemplo conceptual en Excel
 Instalación y uso del paquete en R
 Instalación y uso del paquete en Python
  Ejemplo en R
 Ejemplo en Python
Herramientas geográficas
 Distancias
 Implementación en RPaquete sf
 Paquete nngeo
 Aplicación práctica en R
 Implementación en Python
 Aplicación práctica en Python
Bases de datos documentales
 Instalación de MongoDB
 Conexión a R
 Conexión a Python
 Aplicación práctica en R
 Aplicación práctica en Python
Diseño de Datawarehouses
 Diferencias entre los DW y los OLTP
 Tipos de datos y soportes
 Dimensiones y jerarquías
 Estimación de recursos y tiempos según tipos de datos
 Ejemplos de staging
 Interacción entre equipos (DB-ETL-Soporte-FrontEnd-Usuarios)
 Ejercicios de diseño de DW
Diseño y construcción de ETL
 Procesos ETL: generalidades, buenas prácticas, esquemas de ETL
 Detalles de cada etapa: extracción, limpieza, normalización, transformación, carga
 Estrategias de update
 Ejercicios de diseño de ETL para la carga inicial
 Ejercicios de diseño de ETL para la actualización
 Licencia, descarga e instalación de Open Refine
 Uso general como herramienta de limpieza de datos
 Pre-procesado de los datos
 Casos de interés y ejemplos
 Licencias, descarga e instalación de Pentaho-Kettle
 Pentaho Kettle: funciones, características, utilización
 Auditoría y documentación
 Ejemplos de uso
Big Data
 ¿Qué es Big Data?
 ¿Cuándo usar Big Data?
 ¿Cómo armar una infraestructura para Hadoop?
 Ejemplo de una aplicación de Map Reduce: wordcount
 Como evitar Hadoop