BOOTCAMP: DATA ANALYTICS

HÍBRIDO
(9 meses)
 DIPLOMADO
EJECUTIVO
¡Transforma tu perfil profesional y destaca en el
mercado laboral!

Obtén tres insignias digitales que validan tus habilidades.

Credenciales verificables Accede a +20 programas en

con tecnología blockchain, diversas áreas de estudio,
que fortalecen tu perfil diseñados para responder a
profesional. las demandas actuales de los
empleadores

Reconocimiento Diplomado Ejecutivo

Obtén un Constancia digital UVM del
programa con tecnología blockchain
y código de verificación

Reconocimiento Curso IA
Adquiere nuevos conocimientos y desarrolla
tus habilidades para el uso práctico y
estratégico de las herramientas de IA en tu
entorno profesional.

Constancia DC-3 por STPS

Documento avalado por la Secretaría de
Trabajo y Previsión Social (STPS) que
acredita las habilidades y competencias
adquiridas.
Objetivo:
Efectuar una toma de decisiones basada en una
correcta manipulación, visualización e
interpretación de datos.

Dirigido a:
Público en general interesado en adquirir habilidades
en análisis e interpretación de datos.

Reconocimiento:
Al finalizar tu programa recibirás:

Diploma Digital con validez curricular

y tecnología Blockchain con código QR
y de verificación.

Certificado Digital Internacional Blockchain de

Embiz Foundation de Data Science.

Certificado Ibaktor DC-3 de Competencias

Laborales de Data Analytics.
¿Por qué UVM?

Tenemos más de 60 años de experiencia académica,

más de 150 programas educativos y más de 180 programas
de excelencia a nivel nacional.

Adquieres conocimientos y habilidades esenciales

que puedes aplicar de inmediato en tu actividad profesional.

Los profesores que imparten las Certificaciones

y Diplomados son expertos reconocidos en sus campos.

Tienes flexibilidad educativa que te permite estudiar

a tu ritmo, a cualquier hora y en cualquier lugar.

Los Diplomados y Certificaciones UVM enriquecen tu CV

y te posicionan como el mejor candidato.
Al estudiar el programa podrás:

Utilizar herramientas de análisis de datos

para obtener información precisa y
relevante.

Analizar bases de datos con el fin de

identificar causas, patrones de
comportamiento y posibles soluciones.

Visualizar e interpretar datos de manera

efectiva para facilitar la toma de
decisiones fundamentadas.
 BLOQUES
DE APRENDIZAJE
Aplicar conceptos fundamentales de
Comprender qué es la analítica probabilidad y estadística descriptiva
de datos y cómo se aplica utilizando Excel como herramienta.
estratégicamente en entornos Dominar funciones clave, tablas dinámicas,
de negocio para generar valor. gráficos y dashboards para la organización,
análisis y visualización de datos.

Introductorio al
Excel y estadística
análisis de datos

Manejar de manera efectiva las

Diseñar y construir informes y dashboards herramientas Looker y Tableau para la
manipulación, análisis, y visualización de
interactivos y efectivos utilizado Power BI. datos. Crear dashboards interactivos,
Dominar la creación y personalización informes personalizados y gráficos
de objetos visuales, mapas y cuadros variados, optimizando la presentación y
de mando. exploración de datos para apoyar la
toma de decisiones.

PowerBI para Looker/Tableau

data analytics para data
analytics

Utilizar SQL para consultar, manipular y

gestionar datos en bases de datos
relacionales, desde operaciones básicas
hasta técnicas avanzadas como joins
complejos, subconsultas, CTEs y funciones
especializadas.

SQL
 BLOQUES
DE APRENDIZAJE

Diseñar e implementar procesos de ETL

Utilizar Python como herramienta utilizando herramientas y bases de datos
fundamental para el análisis de datos, relacionales y no relacionales como SQL,
aplicando conceptos básicos de MongoDB, y Google BigQuery.
programación, estructura de datos, Comprenderá la arquitectura y aplicación
de data warehouses y data lakes para la
programación orientada a objetos y
integración y almacenamiento eficiente de
funcional. grandes volúmenes de datos.

ETL y
Python para
transformación
data analytics
de datos

Comprender los conceptos fundamentales y

avanzados del aprendizaje automático, incluyendo
sus tipos y su aplicación en diversos sectores. Manejar
procesos para ajustar y evaluar modelos, evitar
sobreajuste, y resolver problemas comunes en
machine learning, con una visión crítica sobre ética y
privacidad en el uso responsable de estas tecnologías.

Machine
Learning e
Inteligencia
Artificial
 BLOQUES
DE APRENDIZAJE

Introductorio al análisis de datos

1. ¿Qué es la analítica de datos y cómo se 5. Gestión de los datos:

aplica en los negocios a. Conceptos básicos de gestión
2. ¿Cómo se extrae el valor de los datos? de datos
3. Definición de KPI: b. Bases de datos y sistemas
a. Introducción a los KPI de gestión de bases de datos
b. Ejemplos de KPI en diferentes c. Integración de datos de
campos múltiples fuentes
c. Cómo definir y medir KPI's relevantes d. Limpieza de datos y técnicas
para un proyecto específico para resolver problemas comunes
4. Recopilación de datos: de datos
a. Fuentes de datos y técnicas
de recopilación
b. Tipos de datos y estructuras
de datos
c. Calidad de los datos y técnicas
para asegurar su calidad
d. Legalidad y ética en la recopilación
de datos
Excel y estadística

1. Probabilidad, estadística descriptiva y 3. Modelos estadísticos en Excel

funciones de Excel a. Análisis de distribución de datos
a. Funciones clave: BUSCARV/X, en Excel
[Link], SI, [Link], etc. b. Análisis de tendencias y patrones
b. Herramientas esenciales de Excel en series de datos
para análisis (tablas, filtros, c. Validación de datos y depuración
fórmulas) básica
c. Navegación eficiente en Excel: d. Cómo probar diferentes modelos
trucos y atajos para análisis ágil y técnicas estadísticas
d. Tablas de frecuencia: presentación e. Modelos estadísticos de correlación,
de datos en forma de tabla promedios móviles, regresión
e. Probabilidades: conceptos básicos en Excel
de la probabilidad y cómo f. Forecast: concepto de pronóstico
se aplican en Excel y técnicas para hacer pronósticos
f. Media, mediana, moda, varianza, g. Interpretación y presentación
desviación estándar y otros efectiva de hallazgos: cómo
conceptos construir reportes claros
2. Implementación de técnicas, gráficos,
tablas dinámicas y visualización
a. Clasificación: técnicas para
clasificar datos en diferentes
categorías
b. Diferentes tipos de gráficos
(gráficos de barras, líneas,
histogramas, etc)
c. Tablas dinámicas y segmentación
de datos
d. Gráficos dinámicos
e. Visualización de datos
(dashboards)
PowerBI para data analytics

1. Visualización 6. Mapas
a. Introducción a Power BI y sus a. Uso de mapas en Power BI
capacidades de visualización para visualizar datos geográficos
de datos b. Cómo crear y personalizar mapas
b. Tipos de visualizaciones en Power BI en Power BI
c. Diseño y estilo de visualizaciones c. Uso de datos de ubicación y
efectivas geocodificación para agregar
d. Gráficos de referencia cruzada información geográfica a
y visualizaciones avanzadas los informes
2. Preparación general del informe 7. Exportación de los datos
a. Uso de fondos e interfaces para a. Cómo exportar y compartir
mejorar la presentación del informe informes en Power BI
b. Cómo crear páginas y secciones b. Formatos de archivo disponibles
de informes para exportar datos y visualizaciones
c. Adición de elementos de navegación c. Cómo colaborar con otros usuarios
para mejorar la experiencia del usuario y equipos en Power BI
3. Agregar objetos visuales en el informe 8. Objetos visuales de Power Apps
a. Tipos de objetos visuales disponibles a. Cómo agregar objetos visuales
en Power BI de Power Apps a los informes
b. Cómo agregar y personalizar de Power BI
objetos visuales b. Uso de las opciones de personalización
c. Uso de Power Apps y otras para adaptar los objetos visuales a
integraciones para agregar más las necesidades específicas
funcionalidad a los informes del proyecto
4. Propiedades de los objetos visuales c. Uso de Power Apps para agregar
a. Configuración de las propiedades interactividad y funcionalidad
de los objetos visuales, incluyendo avanzada a los informes de Power BI
colores, fuentes y estilos 9. Informes paginados
b. Uso de las opciones de formato a. Qué son los informes paginados
condicional para resaltar los datos clave y por qué son importantes
c. Uso de medidas y cálculos para b. Cómo crear y personalizar informes
crear objetos visuales más complejos paginados en Power BI
d. Visualización de datos de los datos c. Uso de la opción de impresión
e. Cómo crear gráficos y diagramas para crear informes en papel
efectivos y en PDF
f. Uso de los diferentes tipos de gráficos 10. Cuadros de mando
disponibles en Power BI a. Introducción a los cuadros
5. KPI's de mando en Power BI
a. Qué son los KPI's y por qué son b. Cómo crear y personalizar cuadros
importantes en la analítica de datos de mando efectivos
b. Cómo definir y medir KPI's en Power BI c. Uso de los cuadros de mando
c. Uso de los paneles de KPI en Power BI para mostrar métricas y KPI's
para mostrar y comparar los de alto nivel
resultados
Looker/Tableau para data analytics

1. Looker 4. Generación de gráficos en Tableau:

a. Proyectos a. Uso de Tableau para crear diferentes
b. Visualizaciones tipos de gráficos, como gráficos
c. Manipulación de datos de barras, gráficos de líneas y
d. Dashboards gráficos circulares
e. Looker en producción b. Personalización de gráficos
2. Introducción a Tableau en Tableau, como la modificación
a. Descripción de la herramienta de etiquetas y colores
de visualización de datos Tableau 5. Análisis de tablas en Tableau
b. Instalación y configuración a. Uso de Tableau para analizar
de Tableau datos en tablas
c. Uso de Tableau para crear informes b. Creación de tablas dinámicas
y paneles interactivos en Tableau para permitir a
3. Manipulación de objetos en Tableau los usuarios explorar los datos
a. Descripción de los objetos en 6. Dashboards en Tableau
Tableau, como hojas de trabajo, a. Creación de dashboards
paneles y dashboards interactivos en Tableau
b. Manipulación de objetos en Tableau, b. Uso de dashboards en Tableau
como la creación de campos para resumir y presentar los datos
calculados y la adición de filtros de manera clara y concisa

SQL

1. Fundamentos de SQL (incluye guía de [Link]ón con MySQL

instalación de SQL y MySQL) 11.
Joins avanzados
2. Bases de datos relacionales [Link]
3. Operaciones con SQL [Link]
a. Sintaxis [Link] avanzadas
b. Operaciones básicas [Link] de consultas de fechas
4. Operadores y filtros avanzados avanzadas
5. Ordenamiento de resultados 16 Optimización de consultas
6. Limitación de resultados
7. Funciones agregadas y funciones
de limitación de datos
8. Relaciones entre tablas
9. Funciones importantes
a. Funciones de fecha
b. Funciones de texto
c. Funciones matemáticas
Python para data analytics

1. Conceptos básicos de Python c. Uso de frameworks de pruebas

a. Introducción a Python y su en Python, como unittest y pytest
sintaxis básica d. Técnicas para escribir pruebas
b. Tipos de datos y estructuras efectivas en Python
de datos en Python 6. Scraping de datos con Python
c. Variables, operadores y a. Introducción al scraping de datos
expresiones en Python y su importancia en data analytics
d. Estructuras de control de flujo en b. Uso de la biblioteca BeautifulSoup
Python, como if/else y bucles for/while para hacer scraping de HTML y XML
2. Programación orientada a objetos c. Uso de la biblioteca Scrapy para
a. Conceptos básicos de la programación hacer scraping de datos
orientada a objetos (POO) estructurados
b. Creación y uso de clases y d. Técnicas de preprocesamiento
objetos en Python y limpieza de datos en scraping
c. Encapsulación, herencia y de datos
polimorfismo en Python 7. Pruebas de automatización
d. Uso de métodos especiales a. Introducción a la automatización
y propiedades en POO en Python de pruebas y su importancia
3. Programación functional en data analytics
a. Introducción a la programación b. Uso de herramientas de
functional y su importancia en automatización de pruebas
data analytics en Python, como Selenium y Appium
b. Funciones lambda y funciones c. Creación de scripts de prueba
de alto orden en Python automatizados en Python
c. Uso de map, reduce y filter en Python d. Técnicas para escribir pruebas
d. Manejo de errores y excepciones de automatización efectivas
en Python en Python
4. Módulos en Python 8. Extracción de información
a. Introducción a los módulos y a. Introducción a la extracción de
paquetes en Python información y su importancia
b. Uso de bibliotecas y paquetes en data analytics
populares en data analytics, b. Uso de APIs y la biblioteca requests
como NumPy, Pandas y Matplotlib para acceder a datos de
c. Depuración de Python y técnicas aplicaciones web
de gestión de errores c. Uso de Pandas para la manipulación
d. Entrada/salida de archivos y de datos estructurados
procesamiento de archivos d. Uso de NumPy para el procesamiento
de datos en Python y análisis de datos numéricos
5. Pruebas en Python e. Uso de Matplotlib para la
a. Introducción a las pruebas visualización de datos
en Python
b. Tipos de pruebas, como pruebas
unitarias y pruebas de integración
ETL y Transformación de Datos

1. ETL 5. Data warehousing:

a. Introducción a ETL (Extract, a. Introducción a los data warehouses
Transform, Load) y su uso en y su uso en la transformación
la transformación de datos de datos
b. Uso de herramientas de ETL, b. Diseño y creación de un
como Talend y Pentaho data warehouse
c. Diseño de flujos de trabajo de ETL c. Integración de datos de múltiples
para transformar y migrar datos fuentes en un data warehouse
d. Integración de flujos de trabajo d. Uso de herramientas de análisis
de ETL con otras herramientas de datos en un data warehouse
de análisis de datos 6. Data lake:
2. Implementación de SQL: a. Introducción a los data lakes y
a. Introducción a SQL y su uso su uso en la transformación
en la transformación de datos de datos
b. Modelos relacionales y su aplicación b. Diseño y creación de un data lake
en SQL c. Integración de datos de múltiples
c. Construcción de consultas SQL fuentes en un data lake
para acceder y modificar datos d. Uso de herramientas de análisis
d. Uso de funciones y operadores de datos en un data lake
en SQL 7. Procesamiento de datos en tiempo real:
3. MongoDB: a. Introducción al procesamiento
a. Introducción a MongoDB y su uso de datos en tiempo real y su
en la transformación de datos importancia en data analytics
b. Estructuras de datos en MongoDB b. Uso de herramientas de
c. Creación y modificación de procesamiento de datos en tiempo
documentos en MongoDB real, como Apache Kafka
d. Uso de consultas en MongoDB y Apache Flink
4. Google BigQuery: c. Diseño y configuración de flujos
a. Introducción a Google BigQuery de datos en tiempo real
y su uso en la transformación d. Integración de flujos de datos
de datos en tiempo real con otras
b. Creación y gestión de conjuntos herramientas de análisis de datos
de datos en BigQuery
c. Uso de consultas en BigQuery
d. Integración de BigQuery con otras
herramientas de análisis de datos
Machine Learning e Inteligencia Artificial

1. Introducción al aprendizaje automático y c. Técnicas para analizar grandes

cómo se utiliza en la ciencia de datos: conjuntos de datos, como el
a. Concepto de aprendizaje aprendizaje por lotes o el
automático y su papel en la aprendizaje incremental
ciencia de datos 5. Reducción de la dimensionalidad y
b. Diferentes tipos de aprendizaje técnicas de clasificación:
automático: supervisado, a. Técnicas para reducir la
no supervisado, por refuerzo dimensionalidad de los datos,
c. Ejemplos de aplicaciones de como el análisis de componentes
aprendizaje automático en la principales o la selección
industria, el gobierno, la investigación, de características
la salud y otros campos b. Métodos de clasificación, como
2. Funcionalidades y uso de software para los árboles de decisión, las redes
la implementación de modelos de neuronales y los algoritmos
machine learning: de vecinos más cercanos
a. Descripción de las bibliotecas c. Evaluación y comparación
y herramientas populares de de modelos de clasificación
aprendizaje automático, 6. Procesos de máquina y ajuste
como Scikit-Learn, TensorFlow, de modelos:
PyTorch y Keras a. Concepto de proceso de máquina
b. Uso de estas bibliotecas para y su papel en el ajuste de modelos
construir modelos de aprendizaje b. Métodos de ajuste de modelos,
automático como la validación cruzada y
c. Preprocesamiento de datos para la selección de modelos
el aprendizaje automático c. Métodos para evitar el sobreajuste
3. Programación y utilización de funciones y el subajuste
para el análisis de datos y la implementación 7. Modelos de regresión y clasificación:
de modelos estadísticos: a. Regresión lineal y polinómica,
a. Concepto de funciones y su y su uso en la predicción de valores
papel en el análisis de datos numéricos
b. Implementación de funciones b. Modelos de clasificación, como
en lenguajes de programación los árboles de decisión, las redes
populares, como Python o R neuronales y los algoritmos
c. Uso de funciones para implementar de vecinos más cercanos
modelos de aprendizaje automático c. Ejemplos de aplicaciones de
4. Identificación y análisis de grandes modelos de regresión y
volúmenes de datos: clasificación
a. Concepto de big data y su impacto 8. Modelos de árboles de decisión y
en la ciencia de datos ensamblaje de modelos:
b. Métodos para almacenar y a. Concepto de modelos de árboles
procesar grandes volúmenes de decisión y su uso en la
de datos, como Hadoop o Spark clasificación y regresión
 b. Ensamblaje de modelos, como c. Ejemplos de aplicaciones de
el bagging, el boosting y aprendizaje profundo, como el
el apilamiento reconocimiento de imágenes y
c. Ejemplos de aplicaciones de el procesamiento de lenguaje
modelos de árboles de decisión natural
y ensamblaje de modelos d. Uso de modelos pre-entrenados
9. Algoritmos de clustering y redes y transferencia de aprendizaje
neuronales: e. Concepto de modelos pre
a. Algoritmos de clustering, entrenados y transferencia
como k-means y clustering de aprendizaje
jerárquico f. Uso de modelos pre-entrenados
b. Redes neuronales y su uso en para acelerar el proceso de
el clustering y la clasificación entrenamiento y mejorar
no supervisada la precisión
c. Ejemplos de aplicaciones de g. Transferencia de aprendizaje para
algoritmos de clustering y aplicaciones en diferentes
redes neuronales dominios y conjuntos de datos
10. Procesamiento del lenguaje natural 12. Problemas comunes en el aprendizaje
y minería de textos: automático y cómo solucionarlos
a. Concepto de procesamiento a. Sobreajuste y subajuste de modelos
del lenguaje natural y su papel b. Falta de representatividad y
en la minería de textos desequilibrio de los datos
b. Métodos para el preprocesamiento c. Métodos para evitar estos
y análisis de texto, como la problemas, como la selección
tokenización, la eliminación de de modelos y la validación cruzada
stop words y la lematización 13. Ética y privacidad en el aprendizaje
c. Modelos de aprendizaje automático automático
utilizados en la minería de textos, a. Concepto de ética y privacidad
como el modelo de bolsa de en el aprendizaje automático
palabras y el modelo de lenguaje b. Problemas éticos y de privacidad
d. Ejemplos de aplicaciones de comunes en el aprendizaje
procesamiento del lenguaje natural automático, como el sesgo
y minería de textos algorítmico y la recolección
11. Aprendizaje profundo de datos personales
a. Concepto de aprendizaje c. Métodos para abordar estos
profundo y su relación con problemas, como la transparencia
las redes neuronales algorítmica y la protección
b. Diferentes arquitecturas de de datos personales
aprendizaje profundo, como las
redes neuronales convolucionales
y recurrentes

Los Diplomados, Certificaciones, Bootcamps y Cursos son programas de capacitación sujetos a mejora continua y a cambios sin previo aviso.
Para más información, consulta el Reglamento Académico [Link] para Programas de Educación
Continua, las políticas administrativas y la oferta completa de Diplomados, Certificaciones, Bootcamps y Cursos.
Beneficios de
la modalidad

Clases en vivo, actividades interactivas y casos

prácticos. Puedes interactuar con profesores y otros
alumnos para tener una experiencia más
enriquecedora.

Networking. Tienes la oportunidad de construir una

red de contactos profesionales con otras personas
que tienen intereses similares o se desempeñan en
el mismo ámbito.

Asesoría y acompañamiento. Cuentas con un

facilitador por módulo para guiarte durante tu curso.

Aplica lo que aprendas de forma inmediata.

Nota: Si no asistes a las sesiones en vivo con el profesor en las

fechas y horarios establecidos, tendrás 30 días naturales para ver
completa la grabación de la clase en Teams® y realizar la actividad
asignada para que acredites el módulo.
 SÉ PARTE DE LA UVM

@uvmmx uvm @uvmmx [Link]