DATA
ANALYTICS
Modalidad Online 24 Semanas
Diplomatura en Data
Analytics Con R y Python
¡Bienvenidos al viaje que transformará tu carrera! Es mucho
más que un programa académico de primer nivel; es tu
puerta de entrada a un universo de posibilidades.
Contacto
Email: aprender.online@frrq.utn.edu.ar
WhatsApp: +54 9 3482 631110
Web: www.aprenderonline.frrq.utn.edu.ar
2 Aprender Online Argentina
Diplomatura en Data
Analytics con R y Python
Duración: 24 Semanas.
Carga Horaria: 2 clases por semana.
Modalidad: A distancia, en vivo.
¿Por qué aprender Data Analytics?
La analítica de datos es el pro- la eficiencia operativa de las
ceso de extraer información organizaciones y perfeccionar
de los datos para tomar deci- su modelo de negocio. Permi-
siones. Se utiliza en una varie- tiendo tomar las mejores de-
dad de industrias, tales como cisiones al gestionar los ries-
las finanzas, la salud y el gobi- gos y lograr un crecimiento
erno. Data analytics implica el rentable y sostenible.
análisis de datos para mejorar
LA CALIDAD Clases personalizadas live online
ACADÉMICA DE LA Todas las clases en vivo se dictan por Zoom. Quedan
DIPLOMATURA EN grabadas a disposición de los estudiantes y no se
CIENCIA DE DATOS exige asistencia a clases. También se dis- pone de
CON R Y PYTHON clases de ediciones anteriores para que puedan
HA SIDO AVALADA reforzar los conocimientos.
POR LA RESOLUCIÓN
NRO 290/20 DE Consultas online
LA UNIVERSIDAD Acceso a los profesores, tutores por chat grupal. Se
TECNOLÓGICA coordinan videollamadas.
NACIONAL UTN FRRQ.
Aprende haciendo
Un fuerte componente práctico orientado a proyectos
para que aprendas haciendo. Al final de la cursada
puedes realizar tus propios proyectos.
Diplomatura en Ciencia de Datos con R y Python 3
Modalidad Online
LA DIPLOMATURA HA SIDO DISEÑADA Y DESARROLLADA POR UN EQUIPO DE
PROFESIONALES CON AMPLIA EXPERIENCIA, TE PROPORCIONARÁ LAS PRINCIPALES
HERRAMIENTAS ACTUALES DE LOS LENGUAJES DE PROGRAMACIÓN.
Data Analyitcs para Todos
La cursada contiene tres positiva en Programación y
etapas. Cada etapa es acom- Bases de Datos.
pañada con clases en vivo Introducción a los conceptos
personalizadas, materiales y de data science y sus herra-
prácticas. mientas.
Dependiendo de la experien- La tercer etapa es de apli-
cia previa de cada estudiante cación de los algoritmos. Du-
es la etapa por la que debe rante la cursada también se
iniciar su cursada. ven conceptos de Estadística
Las etapas son: Nivelación y Oratoria.
OBJETIVOS
a. Entiendan los conceptos del campo.
b. Manejen los principales algoritmos.
c. Sepan medir con criterio del negocio los resultados de sus modelos.
d. Participen de las experiencias aportadas por los instructores.
e. Realicen proyectos enfocados a sus áreas de interés.
4 Aprender Online Argentina
Programa Académico
1 Introducción Conceptual
Introducción a Data Analytics. 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.
2 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 es- tadísticas. Correlaciones.
Funciones estadísticas.
3 Introducción a Python
Descarga e instalación. Principales librerías. Variables y tipos de da- tos.
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.
4 Análisis Exploratorio
Uso de NumPy. Uso de Pandas. Uso de MatPlotLib. Módulo matplot- lib.
Módulo math. Módulo numpy. Librería Mito. Librería SweetViz.
5 Test básicos
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.
Diplomatura en Ciencia de Datos con R y Python 5
6 Árboles 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.
7 Clusters
Algoritmo básico en Excel. Uso de kmeans en R. Ejemplo de apli- cación
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.
8 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.
9 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.
1 Algoritmos genéticos
Algoritmo básico en Excel. Discusión del tipo de problemas en los
1
6 Aprender Online Argentina
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.
10 Series temporales
Taxonomía. Separación de componentes. Predicciones. ARIMA im-
plementado 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.
11 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.
12 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.
13 Bayes Ingenuo
Implementación en Excel. Ejemplo de aplicación en R. Comparación de 4
algoritmos predictivos (Bayes ingenuo, árboles, redes neuronales y
regresión logística). Ejemplo de aplicación en Python.
14 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.
Diplomatura en Ciencia de Datos con R y Python 7
15 Métodos bayesianos avanzados
Descripción conceptual del método. Regresión lineal bayesiana. Re-
gresión logística bayesiana. Inferencia bayesiana. Red bayesiana. Ejemplos
de aplicación en R. Paquete BAS. Paquete brms. Paquete arm. Paquete
bnlearnd. Comparación con otras técnicas. Ejemplos de aplicación en
Python.
16 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.
17 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.
18 Diseño de Datawarehouses
Diferencias entre los DW y los OLTP. Tipos de datos y soportes. Di-
mensiones 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.
19 Diseño y construcción de ETL
Procesos ETL: generalidades, buenas prácticas, esquemas de ETL.
Detalles de cada etapa: extracción, limpieza, normalización, trans-
formación, 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 Penta- ho-Kettle. Pentaho
Kettle: funciones, características, utilización. Auditoría y documentación.
Ejemplos de uso.
8 Aprender Online Argentina
Proyecto de Cursada
Selección de prospectos
Aprenderás a seleccionar los prospectos de venta que tengan la máxima
rentabilidad o máxima ganancia.
Selección de personal
Aprenderás a seleccionar personal dependiendo de ciertos factores.
Cartera de Acciones
Distribuir la cartera de acciones de manera de maximizar la rentabilidad y
minimizar la variabilidad.
Optimización de Cajas
Cómo optimizamos la cantidad de cajas que tiene que haber en un
supermercado para controlar la demora.
Muchos más proyectos
Durante tu cursada seguirás viendo más proyectos que te permitirán
preparar el camino para tu proyecto final de cursada.
Proyecto final de cursada
Como condición de aprobación el estudiante debe presentar su propio
proyecto final que realizará con tutoría docente.
Diplomatura en Ciencia de Datos con R y Python 9
Instancias de Evalución
Autoevaluación recursos de nivelación positiva (opcional). Presentación aprobada
del proyecto final de cursada. Examen final de la diplomatura (Mínimo 60 % de
respuestas correctas).
Equipo Docente
Ignacio Urteaga Nicolás del Frate Anahí Romo
Cesar Procopio Claudia Piaggio Jerónimo Pardo
MUCHAS
GRACIAS
aprenderonline.frrq.utn.edu.ar
