Data Science

Alumnos

Valoraciones

Descripción

DATA SCIENCE surge como respuesta a la aparición de nuevas fuentes de datos de complejidad y volumen crecientes, junto con la creación de métodos útiles para almacenarlos y extraer información sobre estos.
Trabajar estratégicamente con grandes cantidades de datos permite tomar las mejores decisiones en nuestros entornos.
En este programa conocerás el ciclo de vida completo de los datos: desde la obtención y
limpieza, hasta su visualización y análisis. Aprenderemos sobre las habilidades y conocimientos indispensables para comenzar a trabajar en los distintos roles de un proyecto de ciencia de datos: Data Engineering, Data Analyst, Data Scientist.

Objetivos del programa

  • HABILIDADES PROFESIONALES. Desarrollá habilidades profesionales para desempeñarte como cientista de datos.
  • CREÁ TU PROYECTO. Entrenar habilidades para la creación de un proyecto de ciencia de datos.
  • CREÁ COMUNIDAD. Construí una comunidad de práctica profesional para quienes se están formando como científicas/os de datos.
  • APLICÁ HERRAMIENTAS .  Específicas y concretas para llevar adelante los diferentes roles de la persona científica de datos: analista, ingeniera y científica.
  • PRACTICÁ. Desarrollarás prácticas que integren conocimientos de diferentes campos (matemática, programación, comunicación y estadística).
  • BUENAS PRÁCTICAS. Fomentaremos buenas prácticas desde el rol de cientista de datos.

Aspectos destacados

  • Certificado oficial, otorgado por la UNC (FCEFyN) y Mundos E.
  • Plantel académico con actuación internacional. Profesores destacados y con experiencia práctica en los temas que desarrollan.
  • Clases dinámicas e interactivas.
  • Test de autoevaluación y simuladores.
  • Aprendizaje mediante desafíos individuales y por equipos.
  • Plataforma de e-learning que acompaña integrando todos los contenidos del programa.
  • Proyecto integrador final.
  • Networking con otros profesionales y emprendedores que están recorriendo caminos similares.

Información adicional

Encuentros

29 Encuentros

Contenido

Encuentro 1. Introducción a la Data Science
  • Tema 1. La sociedad de la información. Datos, información, conocimiento, ¿sabiduría?
  • Tema 2. ¿Qué es un dato? Ciclo de vida de los datos. Gobernanza sobre los datos.
  • Tema 3. ¿Qué es Data Science? Diseño de un proyecto de Data Science. Roles.
Encuentro 2. Aprender a aprender Aprender a aprender . Esquema Blended Management: integración de herramientas “hard” y “soft” (humanas) para la mejora de resultados organizacionales. Encuentro 3. Programación para Data Science I
  1. Tema 1: Conceptos básicos de programación: comandos, funciones y objetos
  2. Tema 2: Objetos en R: Vectores, Matrices y Data Frames
  3. Tema 3: Estructuras de Control
Encuentro 4. Manipulación de datos en R
  • Tema 1. El proceso ETL (extracción, transformación y limpieza de datos)
  • Tema 2. Importar y exportar datos desde diferentes formatos en R (excel, csv, txt)
  • Tema 3: Manejo de fechas en R (Date, POSIXlt, POSIXct) 
  • Tema 4. Manipulación de datos con R
Encuentro 5. Análisis de datos I
  • Tema 1. Población y muestra. Parámetros y estimadores.
  • Tema 2. Estadísticos descriptivos para el análisis exploratorio de datos. 
  • Tema 3. Variables aleatorias y distribuciones de probabilidad.
Encuentro 6. Análisis de datos II
  • Tema 1. Contrastes de hipótesis. Errores Tipo I y Tipo II
  • Tema 2. P-valor y el test de hipótesis para la media
  • Tema 3. Contraste de hipótesis para la varianza
Encuentro 7. Correlación y causalidad de datos
  • Tema 1. Correlación simple: paramétrica y no paramétrica
  • Tema 2. Pruebas de hipótesis de correlación
  • Tema 3. Diferencias entre la correlación y la causalidad
Encuentro 8. Visualización de datos I
  • Tema 1. Tipos de gráficos y su correcto uso
  • Tema 2. Creación de gráficos unidimensionales y bidimensionales con R
  • Tema 3. Creación de gráficos con ggplot
Encuentro 9. Visualización de datos II 
  • Tema 1. Construcción de un tablero de visualización
  • Tema 2. Buenas prácticas para la confección de visualizaciones
  • Tema 3. Storytelling: Contar historias con datos
Encuentro 10. Bases de datos I
  • Tema 1. Datos estructurados vs no estructurados. Gestores de base de datos
  • Tema 2. Modelo relacional y estructura de una base de datos
  • Tema 3. SQL y Data Definition Languaje (DDL). 
Encuentro 11. Bases de datos II
  • Tema 1. SQL y Data Manipulation Languaje (DML)
  • Tema 2. Agregación en SQL
  • Tema 3. Operaciones SQL sobre varias tablas simultáneas
Encuentro 12. Big Data y arquitectura en la nube
  • Tema 1. Big Data y el trabajo con grandes volúmenes de datos
  • Tema 2. Servicios de infraestructura en la nube
  • Tema 3. Lenguajes, algoritmos y técnicas para trabajar con Big Data
Encuentro 13. Introducción a Blockchain y criptomonedas
  • Tema 1. Introducción a Blockchain y Criptomonedas. Casos de uso.
  • Tema 2. Blockchain y aplicaciones distribuidas.
  • Tema 3. Red Internet versus Red Blockchain
  • Tema 4. Contratos inteligentes. Algunas herramientas para su creación.
Encuentro 14. Modelado de Contratos Inteligentes
  • Tema 1. Modelado de una aplicación: Etapas del Modelado, Innovación de procesos, Diagrama de Transición de Estados.
  • Tema 2. Modelado de Contratos Inteligentes: Activos, Participantes y Transacciones. Ejemplo de un caso práctico.
  • Tema 3. Trabajo práctico grupal: Diseño de un Diagrama de Transición de Estados
Encuentro 15. Programación para la Data Science II
  • Tema 1. Conceptos básicos de programación aplicados en Python
  • Tema 2. Objetos de Python: listas, tuplas y diccionarios
  • Tema 3. Estructuras de control en Python
  • Tema 4. Librería Pandas y Data Frames
Encuentros 16 y 17. Análisis predictivo y la regresión lineal - Avances PIN
  • Tema 1. ¿Qué es el análisis predictivo? Interpolación y extrapolación
  • Tema 2. Modelos. Problemas de regresión, clustering y clasificación
  • Tema 3. Fundamentos de la regresión lineal: mínimos cuadrados, supuestos y estimación de parámetros
Encuentro 18. Modelo de regresión lineal múltiple
  • Tema 1. Fundamentos de un modelo de regresión lineal múltiple
  • Tema 2. Sistemas de selección de variables
Encuentro 19. Introducción al Machine Learning 
  • Tema 1. Machine Learning. Aprendizaje supervisado vs no supervisado
  • Tema 2. Ciclo de trabajo para el desarrollo de un modelo de ML
  • Tema 3. Armado de un Dataset en Python para entrenamiento y testeo de un modelo de ML
Encuentro 20. Modelos de regresión con ML
  • Tema 1. Modelos de regresión con ML (Random Forest, eXtreme Gradient Boosting, SVM)
  • Tema 2. ¿Qué es un algoritmo de optimización?
  • Tema 3. Ajuste y sobreajuste
  • Tema 4. Técnicas y métricas de evaluación de modelos de regresión
Encuentro 21. Modelos de clustering
  • Tema 1. Definición de cluster. Similitud y segmentación. 
  • Tema 2. Medidas de distancia
  • Tema 3. Evaluación de clusters 
Encuentro 22. Modelos de clasificación en Machine Learning
  • Tema 1. Modelos de clasificación con ML (Logistic Regression, k-NN, Árboles de decisión, SVM, Naive Bayes)
  • Tema 2. Dificultades en el entrenamiento: overfitting y underfitting. 
  • Tema 3. Métricas de evaluación de modelos de clasificación
Encuentro 23. Introducción a las redes neuronales
  • Tema 1. El Perceptrón simple. 
  • Tema 2. Perceptrones multicapa: capacidad de generalización. 
  • Tema 3. Entrenamiento de una Red Neuronal. Cálculo de gradientes usando propagación inversa
  • Tema 4. Mapeo de características
Encuentro 24. Aprendizaje profundo (Deep Learning)
  • Tema 1. Redes neuronales recurrentes y convolucionales
  • Tema 2. Transfer learning con modelos pre entrenados
Encuentro 25. Modelos de Detección de Objetos
  • Tema 1. ¿Qué es la detección de objetos?
  • Tema 2. Aplicación de YOLOv5 en un caso de estudio
  • Tema 3. Métricas para evaluar un modelo de detección
Encuentro 26. Modelos de Procesamiento del lenguaje natural (NLP) 
  • Tema 1. Tratamiento de textos. Modelización del lenguaje y vectores de palabras
  • Tema 2. Procesamiento de lenguaje natural con GPT-3 de OpenAI
Encuentro 27. Introducción a GIT 
  • Tema 1. Control de versiones. Colaborar utilizando GitHub.
  • Tema 2. Repositorios locales y remotos, directorio de trabajo y commit
  • Tema 3. Comandos básicos (clone, branch, add, commit, push, pull)
Encuentro 28 y 29
  • Hackatón

Certificación

Certificación en "DATA SCIENCE" otorgada por la Universidad Nacional de Córdoba (FCEFyN), en conjunto con la Escuela de Negocios Mundos E.

Director

Compartir:

Data Science

Alumnos

Valoraciones

Solicitá información

*Todos los campos son obligatorios.

Lecciones

29 Encuentros


Fecha de Inicio

Miércoles 17 de Noviembre

Horario

7:00 pm a 10:00 pm


Modalidad

online


Certificación

UNC y mE

Encuentros

29 Encuentros

¡Pongámonos en contacto!

Déjanos tus datos y te contactaremos enseguida






* Todos los campos nos ayudan a conocerte mejor