TEMARIO Inicio < Previo | Próximo >
El Diplomado en Ciencia de Datos, Estadística y Programación con Python ofrece una formación especializada en el procesamiento, análisis, interpretación y modelamiento de datos mediante herramientas computacionales y métodos estadísticos.
El programa integra fundamentos de programación con Python, matemática aplicada, estadística descriptiva e inferencial, manipulación de bases de datos, visualización de información, aprendizaje automático y desarrollo de soluciones analíticas.
A través de una metodología progresiva, los participantes aprenderán a utilizar bibliotecas como NumPy, pandas, Matplotlib, Seaborn y scikit-learn para transformar datos en información útil, identificar patrones, construir modelos predictivos y comunicar resultados.
Asimismo, se abordarán principios de calidad de datos, reproducibilidad, ética y protección de la información, promoviendo el desarrollo de soluciones técnicamente fundamentadas y responsables.
El diplomado está orientado a aplicaciones en administración, economía, finanzas, salud, educación, ingeniería, investigación científica y gestión pública.
La creciente disponibilidad de información digital ha incrementado la necesidad de profesionales capaces de analizar datos mediante herramientas estadísticas y computacionales.
Python se ha consolidado como uno de los lenguajes utilizados en ciencia de datos por su versatilidad, su ecosistema de bibliotecas y sus posibilidades de automatización.
La combinación de programación, estadística y análisis de datos permite abordar problemas que van desde la elaboración de informes hasta la construcción de modelos predictivos.
Este diplomado proporciona una formación integral para comprender el ciclo de vida de los datos, seleccionar procedimientos analíticos, evaluar resultados y desarrollar soluciones aplicables a diferentes contextos profesionales.
Desarrollar competencias técnicas, estadísticas y computacionales para recopilar, preparar, analizar, visualizar y modelar datos mediante el lenguaje Python, aplicando métodos de estadística, programación y aprendizaje automático que permitan resolver problemas, generar conocimiento y apoyar la toma de decisiones basada en evidencia.
Dirigido a profesionales y estudiantes de informática, ingeniería, estadística, economía, administración, contabilidad, finanzas, educación, salud, investigación científica y otras disciplinas interesadas en el análisis computacional de datos.
También está orientado a analistas de información, investigadores, responsables de indicadores, profesionales de gestión pública y personas interesadas en iniciarse en ciencia de datos.
No se requiere experiencia avanzada en programación, debido a que el diplomado desarrolla sus contenidos desde los fundamentos de Python.
Al finalizar el diplomado, el participante estará en condiciones de:
Comprender los fundamentos y aplicaciones de la ciencia de datos.
Desarrollar programas básicos e intermedios en Python.
Utilizar estructuras de datos, funciones y bibliotecas especializadas.
Importar, limpiar y transformar conjuntos de datos.
Aplicar técnicas de estadística descriptiva e inferencial.
Construir visualizaciones para explorar y comunicar información.
Consultar bases de datos mediante SQL y Python.
Analizar relaciones entre variables y construir modelos estadísticos.
Implementar modelos básicos de aprendizaje automático.
Evaluar el desempeño y las limitaciones de modelos predictivos.
Automatizar procesos de análisis y generación de reportes.
Desarrollar proyectos integrales de ciencia de datos.
CAPÍTULO 1. INTRODUCCIÓN A LA CIENCIA DE DATOS
1.1.1. Concepto, evolución e importancia de la ciencia de datos
1.1.2. Diferencias entre estadística, analítica de datos e inteligencia artificial
1.1.3. Aplicaciones de ciencia de datos en organizaciones e investigación
CAPÍTULO 2. FUNDAMENTOS DEL LENGUAJE PYTHON
1.2.1. Características y aplicaciones del lenguaje Python
1.2.2. Instalación y configuración del entorno de programación
1.2.3. Uso de Jupyter Notebook y entornos de desarrollo
CAPÍTULO 3. ELEMENTOS BÁSICOS DE PROGRAMACIÓN
1.3.1. Variables, constantes y tipos de datos
1.3.2. Operadores aritméticos, lógicos y de comparación
1.3.3. Entrada, salida y conversión de datos
CAPÍTULO 4. DESARROLLO DE PROGRAMAS BÁSICOS
1.4.1. Estructuras condicionales y toma de decisiones
1.4.2. Estructuras repetitivas y control de iteraciones
1.4.3. Resolución de problemas mediante algoritmos en Python
CAPÍTULO 1. ESTRUCTURAS DE DATOS FUNDAMENTALES
2.1.1. Listas y operaciones con secuencias
2.1.2. Tuplas y conjuntos de datos
2.1.3. Diccionarios y estructuras clave-valor
CAPÍTULO 2. FUNCIONES Y MODULARIDAD
2.2.1. Definición y ejecución de funciones
2.2.2. Parámetros, argumentos y valores de retorno
2.2.3. Organización del código mediante módulos y paquetes
CAPÍTULO 3. MANIPULACIÓN DE ARCHIVOS
2.3.1. Lectura y escritura de archivos de texto
2.3.2. Procesamiento de archivos CSV y JSON
2.3.3. Administración de rutas y directorios
CAPÍTULO 4. BUENAS PRÁCTICAS DE PROGRAMACIÓN
2.4.1. Manejo de errores y excepciones
2.4.2. Depuración y pruebas básicas de programas
2.4.3. Documentación y reutilización de código Python
CAPÍTULO 1. FUNDAMENTOS MATEMÁTICOS
3.1.1. Funciones matemáticas y representación de relaciones
3.1.2. Vectores, matrices y operaciones básicas
3.1.3. Introducción a derivadas y optimización de funciones
CAPÍTULO 2. ESTADÍSTICA DESCRIPTIVA
3.2.1. Variables estadísticas y escalas de medición
3.2.2. Medidas de tendencia central y posición
3.2.3. Medidas de dispersión y forma de distribuciones
CAPÍTULO 3. FUNDAMENTOS DE PROBABILIDAD
3.3.1. Experimentos aleatorios y eventos
3.3.2. Probabilidad condicional y teorema de Bayes
3.3.3. Variables aleatorias y distribuciones de probabilidad
CAPÍTULO 4. ESTADÍSTICA COMPUTACIONAL CON PYTHON
3.4.1. Cálculo de indicadores estadísticos mediante Python
3.4.2. Simulación de experimentos probabilísticos
3.4.3. Interpretación de resultados estadísticos computacionales
CAPÍTULO 1. INTRODUCCIÓN A NUMPY
4.1.1. Características y aplicaciones de la biblioteca NumPy
4.1.2. Creación y manipulación de arreglos multidimensionales
4.1.3. Tipos de datos y propiedades de los arreglos
CAPÍTULO 2. OPERACIONES CON ARREGLOS
4.2.1. Indexación y segmentación de arreglos
4.2.2. Operaciones vectorizadas y broadcasting
4.2.3. Transformación y combinación de arreglos
CAPÍTULO 3. FUNCIONES MATEMÁTICAS Y ESTADÍSTICAS
4.3.1. Operaciones algebraicas y funciones universales
4.3.2. Cálculo de estadísticas sobre arreglos
4.3.3. Generación de números aleatorios y simulaciones
CAPÍTULO 4. APLICACIONES NUMÉRICAS
4.4.1. Operaciones básicas de álgebra lineal con NumPy
4.4.2. Procesamiento eficiente de conjuntos numéricos
4.4.3. Resolución de problemas cuantitativos mediante arreglos
CAPÍTULO 1. FUNDAMENTOS DE PANDAS
5.1.1. Características y aplicaciones de la biblioteca pandas
5.1.2. Estructuras Series y DataFrame
5.1.3. Importación de archivos CSV, Excel y JSON
CAPÍTULO 2. EXPLORACIÓN Y SELECCIÓN DE DATOS
5.2.1. Inspección de estructuras y tipos de variables
5.2.2. Selección de filas y columnas mediante loc e iloc
5.2.3. Filtrado de registros y consultas condicionales
CAPÍTULO 3. LIMPIEZA Y TRANSFORMACIÓN DE DATOS
5.3.1. Identificación y tratamiento de valores faltantes
5.3.2. Eliminación de duplicados y corrección de inconsistencias
5.3.3. Conversión de tipos y creación de variables derivadas
CAPÍTULO 4. INTEGRACIÓN Y AGREGACIÓN DE INFORMACIÓN
5.4.1. Agrupación y agregación mediante groupby
5.4.2. Combinación de tablas mediante merge y concat
5.4.3. Construcción de tablas dinámicas y resúmenes analíticos
CAPÍTULO 1. FUNDAMENTOS DEL ANÁLISIS EXPLORATORIO
6.1.1. Objetivos y etapas del análisis exploratorio de datos
6.1.2. Identificación de patrones, tendencias y anomalías
6.1.3. Formulación de preguntas para exploración de información
CAPÍTULO 2. VISUALIZACIÓN CON MATPLOTLIB
6.2.1. Creación de gráficos de líneas y barras
6.2.2. Construcción de histogramas y gráficos de dispersión
6.2.3. Personalización de títulos, ejes y leyendas
CAPÍTULO 3. VISUALIZACIÓN ESTADÍSTICA CON SEABORN
6.3.1. Elaboración de diagramas de caja y violín
6.3.2. Visualización de distribuciones y relaciones bivariadas
6.3.3. Construcción e interpretación de mapas de calor
CAPÍTULO 4. COMUNICACIÓN VISUAL DE RESULTADOS
6.4.1. Selección de gráficos según objetivos analíticos
6.4.2. Identificación de visualizaciones engañosas
6.4.3. Elaboración de informes exploratorios reproducibles
CAPÍTULO 1. FUNDAMENTOS DE INFERENCIA ESTADÍSTICA
7.1.1. Población, muestra y distribuciones muestrales
7.1.2. Estimación puntual e intervalos de confianza
7.1.3. Teorema central del límite y error estándar
CAPÍTULO 2. FORMULACIÓN Y EVALUACIÓN DE HIPÓTESIS
7.2.1. Hipótesis nula e hipótesis alternativa
7.2.2. Nivel de significancia, valor p y potencia estadística
7.2.3. Errores de tipo I y tipo II
CAPÍTULO 3. PRUEBAS ESTADÍSTICAS CON PYTHON
7.3.1. Pruebas t para comparación de medias
7.3.2. Análisis de varianza de un factor
7.3.3. Pruebas de chi-cuadrado y asociación categórica
CAPÍTULO 4. PROCEDIMIENTOS INFERENCIALES APLICADOS
7.4.1. Evaluación de normalidad y supuestos estadísticos
7.4.2. Aplicación de pruebas no paramétricas
7.4.3. Interpretación de resultados mediante SciPy y otras bibliotecas
CAPÍTULO 1. FUNDAMENTOS DE BASES DE DATOS
8.1.1. Concepto y clasificación de sistemas de bases de datos
8.1.2. Tablas, registros, campos y claves
8.1.3. Fundamentos del modelo relacional
CAPÍTULO 2. CONSULTAS SQL PARA ANÁLISIS DE DATOS
8.2.1. Consultas SELECT y selección de columnas
8.2.2. Filtrado, ordenamiento y agrupación de registros
8.2.3. Combinación de tablas mediante operaciones JOIN
CAPÍTULO 3. INTEGRACIÓN DE SQL Y PYTHON
8.3.1. Conexión a bases de datos desde Python
8.3.2. Ejecución de consultas y recuperación de resultados
8.3.3. Conversión de consultas SQL a estructuras pandas
CAPÍTULO 4. AUTOMATIZACIÓN DE PROCESOS DE DATOS
8.4.1. Diseño de flujos de extracción y transformación
8.4.2. Programación de tareas repetitivas de procesamiento
8.4.3. Validación de resultados y registro de errores de ejecución
CAPÍTULO 1. FUNDAMENTOS DEL MODELAMIENTO ESTADÍSTICO
9.1.1. Concepto y objetivos de los modelos estadísticos
9.1.2. Variables explicativas y variables de respuesta
9.1.3. Diferencias entre explicación, predicción y causalidad
CAPÍTULO 2. ANÁLISIS DE CORRELACIÓN
9.2.1. Coeficiente de correlación de Pearson
9.2.2. Coeficiente de correlación de Spearman
9.2.3. Visualización e interpretación de matrices de correlación
CAPÍTULO 3. MODELOS DE REGRESIÓN LINEAL
9.3.1. Regresión lineal simple y estimación de parámetros
9.3.2. Regresión lineal múltiple con Python
9.3.3. Interpretación de coeficientes y medidas de ajuste
CAPÍTULO 4. DIAGNÓSTICO Y VALIDACIÓN DE MODELOS
9.4.1. Evaluación de residuos y supuestos estadísticos
9.4.2. Detección de multicolinealidad y observaciones influyentes
9.4.3. Evaluación de errores de predicción y capacidad de generalización
CAPÍTULO 1. FUNDAMENTOS DE MACHINE LEARNING
10.1.1. Concepto y aplicaciones del aprendizaje automático
10.1.2. Aprendizaje supervisado y no supervisado
10.1.3. Etapas de desarrollo de modelos predictivos
CAPÍTULO 2. PREPARACIÓN DE DATOS PARA MODELAMIENTO
10.2.1. División de datos de entrenamiento, validación y prueba
10.2.2. Codificación de variables categóricas y escalamiento
10.2.3. Prevención de fuga de información y sobreajuste
CAPÍTULO 3. MODELOS SUPERVISADOS
10.3.1. Regresión logística para problemas de clasificación
10.3.2. Árboles de decisión y bosques aleatorios
10.3.3. Introducción a máquinas de vectores de soporte
CAPÍTULO 4. EVALUACIÓN DE MODELOS PREDICTIVOS
10.4.1. Matriz de confusión, precisión y sensibilidad
10.4.2. Métricas de regresión y clasificación
10.4.3. Validación cruzada y ajuste de hiperparámetros
CAPÍTULO 1. FUNDAMENTOS DEL APRENDIZAJE NO SUPERVISADO
11.1.1. Objetivos y aplicaciones de técnicas no supervisadas
11.1.2. Medidas de distancia y similitud entre observaciones
11.1.3. Preparación de variables para segmentación
CAPÍTULO 2. SEGMENTACIÓN Y REDUCCIÓN DE DIMENSIONALIDAD
11.2.1. Algoritmo k-means y selección de conglomerados
11.2.2. Agrupamiento jerárquico e interpretación de segmentos
11.2.3. Análisis de componentes principales con Python
CAPÍTULO 3. ÉTICA Y PROTECCIÓN DE DATOS
11.3.1. Privacidad y tratamiento responsable de información
11.3.2. Sesgos algorítmicos y equidad en modelos predictivos
11.3.3. Interpretabilidad y limitaciones de decisiones automatizadas
CAPÍTULO 4. REPRODUCIBILIDAD Y CALIDAD ANALÍTICA
11.4.1. Organización y documentación de proyectos de ciencia de datos
11.4.2. Control de versiones y administración de dependencias
11.4.3. Validación, monitoreo y comunicación de limitaciones de modelos
CAPÍTULO 1. FORMULACIÓN DEL PROYECTO ANALÍTICO
12.1.1. Identificación de un problema susceptible de análisis de datos
12.1.2. Definición de objetivos, variables e indicadores
12.1.3. Selección de fuentes y planificación metodológica
CAPÍTULO 2. PREPARACIÓN Y EXPLORACIÓN DE INFORMACIÓN
12.2.1. Importación y consolidación de conjuntos de datos
12.2.2. Limpieza, transformación y validación de información
12.2.3. Desarrollo de análisis exploratorio y visualizaciones
CAPÍTULO 3. MODELAMIENTO Y EVALUACIÓN DE RESULTADOS
12.3.1. Selección y aplicación de métodos estadísticos o predictivos
12.3.2. Evaluación del desempeño y limitaciones del modelo
12.3.3. Interpretación de hallazgos y formulación de recomendaciones
CAPÍTULO 4. PROYECTO INTEGRADOR FINAL
12.4.1. Desarrollo de una solución de ciencia de datos con Python
12.4.2. Elaboración del informe técnico y documentación del código
12.4.3. Presentación y sustentación del proyecto aplicado