Objetivo General

Desarrollar competencias para analizar, procesar y visualizar datos utilizando Python, aplicando técnicas de Data Science para la toma de decisiones basada en datos.

Descargar Ficha PDF Cotizar

Objetivos Específicos

         Utilizar Python y sus principales librerías para el análisis de datos.
         Manipular, limpiar y preparar datos provenientes de distintas fuentes.
         Aplicar técnicas básicas de análisis exploratorio y visualización de datos.
         Introducir conceptos fundamentales de Data Science y modelos predictivos simples.

Módulo 1:

        Introducción al Análisis de Datos y Data Science
        Duración: 3 horas
        Contenidos:
        ¿Qué es el análisis de datos y la ciencia de datos?
        Casos de uso en empresas y organizaciones
        Flujo de trabajo en Data Science
        Instalación y entorno de trabajo (Anaconda, Jupyter Notebook)
        Actividad práctica: Configuración del entorno y primer notebook en Python.

Módulo 2:

        Fundamentos de Python para Análisis de Datos
        Duración: 5 horas
        Contenidos:
        Sintaxis básica de Python
        Variables, tipos de datos y estructuras (listas, diccionarios)
        Condicionales y bucles
        Funciones básicas
        Actividad práctica: Ejercicios guiados de programación orientados a datos reales.

Módulo 3:

        Manipulación y Limpieza de Datos con Pandas y NumPy
        Duración: 6 horas
        Contenidos:
        Introducción a NumPy
        DataFrames y Series con Pandas
        Importación de datos (CSV, Excel)
        Limpieza de datos: valores nulos, duplicados, formatos
        Transformación y filtrado de datos
        Actividad práctica: Limpieza y preparación de un dataset real para análisis.

Módulo 4:

        Análisis Exploratorio y Visualización de Datos
        Duración: 5 horas
        Contenidos:
        Estadística descriptiva básica
        Análisis exploratorio de datos (EDA)
        Visualización con Matplotlib y Seaborn
        Gráficos para la toma de decisiones
        Actividad práctica: Creación de dashboards simples y análisis de patrones en los datos.

Módulo 5:

        Introducción a Machine Learning con Python
        Duración: 5 horas
        Contenidos:
        ¿Qué es Machine Learning?
        Tipos de modelos: supervisado y no supervisado
        Introducción a Scikit-learn
        Modelos básicos: regresión lineal y clasificación simple
        Evaluación básica de modelos
        Actividad práctica: Construcción de un modelo predictivo simple a partir de un dataset.