BOOTCAMP: DATA ANALYTICS

HÍBRIDO
(224 horas)
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
de 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 internacional de Embiz Foundation.

Certificado de competencias laborales DC-3

de la STPS.
¿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.
 MÓDULOS
01 Introducción al análisis de datos
1. ¿Qué es el análisis de datos? 3. Gestión de los datos:
a. Definición de KPI: a. Conceptos básicos de gestión
b. Introducción a los KPI de datos
c. Ejemplos de KPI en diferentes campos b. Bases de datos y sistemas
d. Cómo definir y medir KPI relevantes de gestión de bases de datos
para un proyecto específico c. Integración de datos de múltiples
2. Recopilación de datos: fuentes
a. Fuentes de datos y técnicas d. Limpieza de datos y técnicas para
de recopilación resolver problemas comunes de datos
b. Tipos de datos y estructuras 4. Uso de Excel para manipular datos:
de datos a. Introducción a Excel y sus capacidades
c. Calidad de los datos y técnicas b. Creación de tablas dinámicas
para asegurar su calidad y gráficos dinámicos
d. Legalidad y ética en la recopilación c. Funciones de forecasting y
de datos predicción en Excel
d. Modelos estadísticos de regresión
en Excel
02 PowerBI
1. Visualización: 7. Mapas:
a. Introducción a Power BI y sus a. Uso de mapas en Power BI para
capacidades de visualización de datos visualizar datos geográficos
b. Tipos de visualizaciones en Power BI b. Cómo crear y personalizar mapas
c. Diseño y estilo de visualizaciones efectivas en Power BI
d. Gráficos de referencia cruzada c. Uso de datos de ubicación y
y visualizaciones avanzadas geocodificación para agregar
2. Preparación general del informe: información geográfica a los informes
a. Uso de fondos e interfaces para 8. Exportación de los datos:
mejorar la presentación del informe a. Cómo exportar y compartir informes
b. Cómo crear páginas y secciones de en Power BI
informes b. Formatos de archivo disponibles
c. Adición de elementos de navegación para exportar datos y visualizaciones
para mejorar la experiencia del usuario c. Cómo colaborar con otros usuarios
3. Agregar objetos visuales en el informe: y equipos en Power BI
a. Tipos de objetos visuales disponibles 9. Objetos visuales de Power Apps:
en Power BI a. Cómo agregar objetos visuales de
b. Cómo agregar y personalizar Power Apps a los informes de Power BI
objetos visuales b. Uso de las opciones de personalización
c. Uso de Power Apps y otras integraciones para adaptar los objetos visuales a
para agregar más funcionalidad a las necesidades específicas del proyecto
los informes c. Uso de Power Apps para agregar
4. Propiedades de los objetos visuales: interactividad y funcionalidad
a. Configuración de las propiedades avanzada a los informes de Power BI
de los objetos visuales, incluyendo 10. Informes paginados:
colores, fuentes y estilos a. Qué son los informes paginados
b. Uso de las opciones de formato y por qué son importantes
condicional para resaltar los datos clave b. Cómo crear y personalizar informes
c. Uso de medidas y cálculos para paginados en Power BI
crear objetos visuales más complejos c. Uso de la opción de impresión para
5. Visualización de datos de los datos: crear informes en papel y en PDF
a. Introducción a la visualización 11. Cuadros de mando:
de datos en Power BI a. Introducción a los cuadros
b. Cómo crear gráficos y diagramas de mando en Power BI
efectivos b. Cómo crear y personalizar cuadros
c. Uso de los diferentes tipos de gráficos de mando efectivos
disponibles en Power BI c. Uso de los cuadros de mando para
6. KPI's: mostrar métricas y KPI's de alto nivel
a. Qué son los KPI's y por qué son
importantes en la analítica de datos
b. Cómo definir y medir KPI's en Power BI
c. Uso de los paneles de KPI en Power
BI para mostrar y comparar los resultados
03 Python en Data Analytics
1. Conceptos básicos de Python: b. Tipos de pruebas, como pruebas
a. Introducción a Python y su sintaxis básica unitarias y pruebas de integración
b. Tipos de datos y estructuras de c. Uso de frameworks de pruebas
datos en Python en Python, como unittest y pytest
c. Variables, operadores y expresiones d. Técnicas para escribir pruebas
en Python efectivas en Python
d. Estructuras de control de flujo en 6. Scraping de datos con Python:
Python, como if/else y bucles for/while a. Introducción al scraping de datos
2. Programación orientada a objetos: y su importancia en data analytics
a. Conceptos básicos de la programación b. Uso de la biblioteca BeautifulSoup
orientada a objetos (POO) para hacer scraping de HTML y XML
b. Creación y uso de clases y objetos c. Uso de la biblioteca Scrapy para
en Python hacer scraping de datos estructurados
c. Encapsulación, herencia y d. Técnicas de preprocesamiento y
polimorfismo en Python limpieza de datos en scraping de datos
d. Uso de métodos especiales y 7. Pruebas de automatización:
propiedades en POO en Python a. Introducción a la automatización
3. Programación functional: de pruebas y su importancia en
a. Introducción a la programación data analytics
functional y su importancia en b. Uso de herramientas de automatización
data analytics de pruebas en Python, como
b. Funciones lambda y funciones Selenium y Appium
de alto orden en Python c. Creación de scripts de prueba
c. Uso de map, reduce y filter automatizados en Python
en Python d. Técnicas para escribir pruebas de
d. Manejo de errores y excepciones automatización efectivas en Python
en Python 8. Extracción de información:
4. Módulos en Python: a. Introducción a la extracción de
a. Introducción a los módulos y información y su importancia en
paquetes en Python data analytics
b. Uso de bibliotecas y paquetes b. Uso de APIs y la biblioteca requests
populares en data analytics, para acceder a datos de
como NumPy, Pandas y Matplotlib aplicaciones web
c. Depuración de Python y técnicas c. Uso de Pandas para la manipulación
de gestión de errores de datos estructurados
d. Entrada/salida de archivos d. Uso de NumPy para el procesamiento
y procesamiento de archivos de y análisis de datos numéricos
datos en Python e. Uso de Matplotlib para la visualización
5. Pruebas en Python: de datos
a. Introducción a las pruebas en Python
 Transformación de los datos
04 almacenados

1. ETL: 5. Data Warehousing:

a. Introducción a ETL (Extract, Transform, a. Introducción a los data warehouses
Load) y su uso en la transformación y su uso en la transformación de datos
de datos b. Diseño y creación de un data
b. Uso de herramientas de ETL, warehouse
como Talend y Pentaho c. Integración de datos de múltiples
c. Diseño de flujos de trabajo de ETL fuentes en un data warehouse
para transformar y migrar datos d. Uso de herramientas de análisis
d. Integración de flujos de trabajo de datos en un data warehouse
de ETL con otras herramientas 6. Data Lake:
de análisis de datos a. Introducción a los data lakes y
2. Implementación de SQL: su uso en la transformación de datos
a. Introducción a SQL y su uso en b. Diseño y creación de un data lake
la transformación de datos c. Integración de datos de múltiples
b. Modelos relacionales y su aplicación fuentes en un data lake
en SQL d. Uso de herramientas de análisis
c. Construcción de consultas SQL de datos en un data lake
para acceder y modificar datos 7. Procesamiento de datos en tiempo real:
d. Uso de funciones y operadores a. Introducción al procesamiento
en SQL de datos en tiempo real y su
3. MongoDB: importancia en data analytics
a. Introducción a MongoDB y su uso b. Uso de herramientas de procesamiento
en la transformación de datos de datos en tiempo real,
b. Estructuras de datos en MongoDB como Apache Kafka y Apache Flink
c. Creación y modificación de c. Diseño y configuración de flujos
documentos en MongoDB de datos en tiempo real
d. Uso de consultas en MongoDB d. Integración de flujos de datos
4. Google BigQuery: en tiempo real con otras herramientas
a. Introducción a Google BigQuery de análisis de datos
y su uso en la transformación de datos
b. Creación y gestión de conjuntos
de datos en BigQuery
c. Uso de consultas en BigQuery
d. Integración de BigQuery con otras
herramientas de análisis de datos
05 Visualización de datos en web
1. HTML: 4. Diseño y usabilidad en la visualización
a. Introducción a HTML y su uso en web:
la creación de páginas web a. Principios de diseño y usabilidad
b. Estructura básica de un documento HTML en la visualización de datos en la web
c. Uso de etiquetas y atributos en HTML b. Creación de diseños responsivos y
d. Creación de formularios HTML adaptativos para la visualización
2. JavaScript: de datos
a. Introducción a JavaScript y su uso c. Uso de patrones de diseño y guías
en la visualización de datos en la web de estilo en la visualización de datos
b. Sintaxis básica de JavaScript en la web
c. Uso de variables, operadores d. Accesibilidad y diseño inclusivo
y expresiones en JavaScript en la visualización web
d. Manipulación de eventos y uso 5. Dashboards:
de funciones en JavaScript a. Introducción a los dashboards y
3. Bibliotecas de visualización de datos su uso en la visualización de datos
en web: en la web
a. Introducción a bibliotecas de b. Diseño y creación de dashboards
visualización de datos en web, efectivos
como [Link] y [Link] c. Uso de dashboards para el monitoreo
b. Creación de gráficos interactivos y análisis de datos en tiempo real
y animados en la web d. Integración de dashboards con
c. Uso de datos en la visualización web otras herramientas de análisis
d. Creación de mapas interactivos de datos
06 Machine Learning
1. Tableau: 5. Procesamiento de lenguaje natural:
a. Introducción a Tableau y su uso a. Introducción al procesamiento
en la visualización de datos de lenguaje natural y su uso en
b. Creación de visualizaciones la analítica de datos
y dashboards en Tableau b. Técnicas de preprocesamiento
c. Uso de filtros, parámetros y cálculos y limpieza de texto en el
en Tableau procesamiento de lenguaje natural
d. Integración de Tableau con otras c. Uso de algoritmos de aprendizaje
herramientas de análisis de datos automático en el procesamiento
2. Ética de los datos: de lenguaje natural, como Naive
a. Introducción a la ética de los datos Bayes y SVM
y su importancia en el machine learning d. Aplicaciones del procesamiento
b. Problemas éticos en el machine de lenguaje natural en la analítica
learning, como la privacidad y de datos, como la clasificación
la discriminación de texto y el análisis de sentimientos
c. Uso responsable y ético del machine 6. Análisis de imágenes:
learning en la analítica de datos a. Introducción al análisis de imágenes
d. Aplicación de los principios éticos y su uso en la analítica de datos
en proyectos de machine learning b. Técnicas de procesamiento
3. Machine learning: de imágenes, como la segmentación
a. Introducción al machine learning y y la detección de bordes
sus aplicaciones en la analítica de datos c. Uso de algoritmos de aprendizaje
b. Uso de la librería scikit-learn para automático en el análisis de imágenes,
el aprendizaje automático como las redes neuronales
c. Modelos de clasificación y regresión convolucionales
en el machine learning d. Aplicaciones del análisis de imágenes
d. Técnicas de selección de características en la analítica de datos, como la
y evaluación de modelos en detección de objetos y el reconocimiento
el machine learning de rostros
4. Deep learning: 7. Aprendizaje por refuerzo:
a. Introducción al deep learning a. Introducción al aprendizaje por
y su uso en la analítica de datos refuerzo y su uso en la analítica
b. Uso de frameworks de deep de datos
learning, como TensorFlow y Keras b. Técnicas de aprendizaje por refuerzo,
c. Redes neuronales y su uso en como el algoritmo Q-learning
el deep learning c. Aplicaciones del aprendizaje por
d. Aplicaciones del deep learning refuerzo en la analítica de datos,
en la analítica de datos como el control de robots y
los juegos
07 Entrega de Proyecto
1. Planificación del proyecto: 3. 3. Implementación del proyecto:
a. Definición del objetivo del proyecto a. Desarrollo del código para
y del alcance del trabajo la implementación del proyecto
b. Identificación de los recursos b. Creación de bases de datos
necesarios para completar y otras herramientas necesarias
el proyecto para la implementación
c. Establecimiento del calendario del proyecto
del proyecto y de los hitos principales c. Realización de pruebas para
d. Desarrollo del plan de gestión asegurarse de que el proyecto
del proyecto funciona según lo previsto
2. Diseño del proyecto: d. Integración de los resultados
a. Desarrollo de un plan de diseño del proyecto en los sistemas existentes
para el proyecto 4. Presentación
b. Identificación de los requisitos
de diseño del proyecto
c. Creación de un plan de pruebas
para el diseño del proyecto
d. Creación de prototipos para
el diseño del proyecto

Los Diplomados, Certificaciones, Bootcamps y Cursos son programas de capacitación basados en las disposiciones de la NOM-035. Todos los programas
cuentan con valor curricular ante la Secretaría del Trabajo y Previsión Social. Programas sujetos a mejora continua y a cambios sin previo aviso.
Para más información, consulta el Reglamento Académico para Programas de Educación Continua, las políticas administrativas y la oferta completa de
Diplomados, Certificaciones, Bootcamps y Cursos en el siguiente enlace electrónico: [Link]
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]