Programa de Especialización en

Análisis de Datos con Python

 ¿Quiénes somos?

Somos una organización educativa que nace

para difundir, descentralizar y democratizar la
educación en ciencia de datos e inteligencia ar-
tificial en el país. Hoy el mundo ha cambiado y
la transformación digital juega un rol importan-
te en las organizaciones, los datos son la nueva
mina de oro y la ciencia de datos es la profesión
del futuro.

¿Cómo lo hacemos?

Difundir Democratizar Descentralizar

Los conocimientos de Ciencias de Datos e Inteligencia Artificial en

favor de las personas, para desarrollar sus talentos y maximizar sus
oportunidades, contribuyendo con la construcción de sociedades
más justas.
 Programa de Especialización
en Análisis de Datos con Python

Aprenda a implementar un proyecto de análisis de datos con técnicas es-

tadísticas y de Machine Learning utilizando Python.

El presente programa de especialización en análisis de datos con Python

busca introducir a profesionales de distintos perfiles al mundo de la ana-
lítica de datos desde cero. Al final del programa adquirirá habilidades que
podrán verse reflejadas en un proyecto final que sumará a su portafolio
personal.

En cada curso realizado, se tendrá un incremental mínimo viable del pro-

yecto personal que desees proponer, además de la asesoría constante de
los docentes. Se explora desde los fundamentos y propuestas de proyectos
de análisis de datos, el aprendizaje básico a intermedio de un lenguaje de
programación demandado en puestos de analítica como es Python, apren-
dizaje del análisis estadístico de los datos hasta los modelos estadísticos
más utilizados y por último las técnicas más fundamentales de Machine
Learning para potenciar tu solución.

Modalidad Duración
6 meses
Online en vivo 144 horas lectivas
192 horas académicas

Pre-requisitos Aprendizaje Flexible

Nociones elementales en Las clases serán grabadas
programación, Cálculo en nuestra plataforma
diferencial e integral y SQL. con disponibilidad 24/7.
Fundamentos para el
Análisis de Datos

El presente curso, de naturaleza teórico-práctica, tiene como

propósito brindar las metodologías y conocimientos sobre
las herramientas existentes para que los estudiantes puedan
implementar a futuro proyectos de analítica de datos en su
entorno laboral o académico. Comprende temas como: meto-
dología de proyectos de análisis de datos y ciencia de datos,
tecnologías y herramientas existentes para el análisis de datos
y nociones de vectores y matrices.

Modalidad Duración
24 horas lectivas
Online en vivo 32 horas académicas

Pre-requisitos Aprendizaje Flexible

Las clases serán grabadas
Ninguno en nuestra plataforma
con disponibilidad 24/7.
 Módulos

1.- Introducción al análisis de datos 2.- Introducción al álgebra lineal

(6h) (6h)

Evolución del valor de los datos. Big Vectores, matrices, arreglos, indepen-
Data: conceptos y herramientas. Inter- dencia lineal, sistemas de ecuaciones
net de las cosas: conceptos y herramien- lineales. Rango, traza, traspuesta, inver-
tas. Inteligencia artificial: conceptos y sa de una matriz. Determinante. Matriz
herramientas. Ciencia de datos: concep- identidad, simétrica, triangular. Autova-
tos y herramientas. Perspectiva laboral. lores, autovectores.
Metodología CRISP-DM (Cross Indus-
try Standard Process for Data Mining).
Cultura de datos en las organizaciones:
como implementarla. Conceptos clave
para el trabajo con datos: Tidy data, ETL
(Extract, Transform, Load). Selección de
un proyecto individual.

3.- El flujo de los datos (4h) 4.- Analítica descriptiva y predictiva

(8h)

Datos versus Información. Tipología de Analítica descriptiva vs. predictiva. Vi-

los datos. Visualización de datos. Análi-
sis de datos. Productos basados en da-
tos: Definición de producto basado en
datos. Flujo de trabajo (workflow). Per-
sonas, procesos y productos basados en
datos. Metodología de proyectos de da-
tos. Herramientas para la construcción
del producto. Aportes económicos de
un proyecto de análisis de datos. Meto-
dología del proyecto individual.
sualización de datos. La estadística y el
aprendizaje de máquina. Aprendizaje
supervisado y no supervisado. Identifi-
cación de problemas de clasificación,
regresión y segmentación. Enfoque del
proyecto individual.
Python para el Análisis
de Datos

El presente curso, de naturaleza teórico-práctica, tiene como

propósito brindar los conocimientos esenciales de las librerías
utilizadas para el lenguaje de programación Python. Se estu-
dian las librerías Numpy y Pandas a profundidad, junto con las
librerías de visualización. Finalmente, se presentan casos de
uso donde el alumno aprenderá las estrategias para la limpie-
za y transformación de sus datos.

Modalidad Duración
24 horas lectivas
Online en vivo 32 horas académicas

Pre-requisitos Aprendizaje Flexible

Nociones elementales de Las clases serán grabadas
programación y Álgebra en nuestra plataforma
Lineal con disponibilidad 24/7.
 Módulos
1.- Introducción a Numpy (6h)
Creación y tratamiento de arrays en Numpy.
Operadores aritméticos en Numpy. Funcio-
nes universales en Numpy. Indexing, Slicing
e Iterating. Funciones y métodos de Numpy.
Trucos de indexación en Numpy. Operado-
res de Álgebra Lineal. Generación de núme-
ros aleatorios en Numpy.
3.- Visualización en Python (4h)
Elementos de un gráfico. Visualización
de datos univariados y multivariados.
Gráficos para visualizar relaciones en-
tre categorías. Gráficos para visualizar
comparaciones. Gráficos para visualizar
composiciones. Gráficos para visualizar
distribuciones. Gráficos compuestos.
2.- Introducción a Pandas (8h)
Series y dataframes. Indexado y manejo de
archivos separados por comas (Comma Se-
parated Values - CSV). Formato de lectura
para cargar y guardar dataframes. Manipu-
lación de dataframes. Seleccionar columnas.
Seleccionar filas por valor. Seleccionar filas
por índice. Cambiar tipos de columnas. Con-
catenar dataframes. Agregar, eliminar, edi-
tar filas y columnas. Funciones matemáticas
en Pandas. Operadores en Pandas. Group by.
4.- Limpieza y preparación de datos
(6h)
Búsqueda y eliminación de datos du-
plicados por filas y columnas. Transfor-
mación de Datos. Preprocesamiento de
datos con Python. Formato y normaliza-
ción de datos. Casos de uso.
Estadística Descriptiva
e Inferencial

Este curso está diseñado para el aprendizaje de los principales

conceptos de la Estadística desde la noción de probabilidad
hasta el desarrollo de pruebas de hipótesis.

Tiene una naturaleza teórico-práctica con énfasis en la

implementación de las soluciones en Python.

Modalidad Duración
24 horas lectivas
Online en vivo 32 horas académicas

Pre-requisitos Aprendizaje Flexible

Análisis de datos con Las clases serán grabadas
Python y nociones básicas en nuestra plataforma
de cálculo diferencial e
integral con disponibilidad 24/7.
 Módulos
1.- Probabilidad y variables aleato-
rias (8h)
Probabilidades, espacio muestral, even-
tos, operaciones de conjuntos, diagra-
mas de Venn. Teorema de Bayes y de-
más teoremas sencillos de probabilidad.
Variables aleatorias. Esperanza y varian-
za. Distribuciones de probabilidad dis-
cretas. Distribuciones de probabilidad
continuas.
3.- Estimación (6h)
Universo, población y muestra. Distri-
bución conjunta, marginal, condicional.
Vector de esperanzas, matriz de cova-
rianzas, correlaciones. Muestreo aleato-
rio. Función de verosimilitud. Teorema
del límite central. Distribuciones deri-
vadas de la normal. Estimación de pará-
metros. Intervalos de confianza.
2.- Medidas de resumen y represen-
tación de datos (4h)
Medidas de tendencia central, media,
moda, mediana y cuantiles. Medidas de
dispersión, rango, varianza, desviación
estándar. Tabla de datos. Tabla de fre-
cuencias. Gráficos de barras, proporcio-
nes y líneas. Histograma. Gráfico de dis-
persión y de cajas.
4.- Pruebas de hipótesis (6h)
Sistema de hipótesis. Tipos de error,
nivel de significación. Estadístico de
prueba, regla de decisión. Relación en-
tre la prueba de hipótesis y el intervalo
de confianza. Pruebas sobre la media.
Prueba sobre la varianza. Prueba de la
diferencia de medias. Prueba de inde-
pendencia Chi-cuadrado.
Modelos
Estadísticos

Este curso está diseñado para el aprendizaje de cinco de

las principales técnicas estadísticas de aplicación práctica
sobre conjuntos multivariados de datos, a saber: el modelo
de regresión lineal múltiple, el modelo de regresión logís-
tica, el análisis discriminante, el análisis de componentes
principales y el análisis de series temporales.

Tiene una naturaleza teórico-práctica con énfasis en la

implementación de las soluciones en Python.

Modalidad Duración
36 horas lectivas
Online en vivo 48 horas académicas

Pre-requisitos Aprendizaje Flexible

Nociones de estadística des- Las clases serán grabadas
criptiva e inferencial. Análisis en nuestra plataforma
de datos con Python. con disponibilidad 24/7.
 Módulos
1.- Regresión Lineal (12h)
Repaso del álgebra lineal. Formas linea-
les, cuadráticas y bilineales. Formulación
del modelo, principales supuestos, esti-
mación de los parámetros, pruebas de
hipótesis sobre los parámetros, interpre-
tación, pruebas de bondad del ajuste,
diagnóstico. Regresión lineal en Python.
3.- Análisis Multivariante (10h)
Análisis Discriminante. Pruebas de hipó-
tesis. Interpretación. Selección de varia-
bles. Clasificación. Comparación con la
regresión logística. Análisis de Compo-
nentes Principales (PCA). Aproximación
geométrica. Aproximación algebraica.
Componentes principales. Decisión so-
bre cuáles retener. Interpretación. Se-
lección de variables. PCA y Discriminan-
te en Python.
2.- Regresión Logística (8h)
Formulación a partir del Modelo Lineal
Generalizado. Estimación de paráme-
tros. Pruebas de hipótesis. Diagnósti-
co. Curvas ROC. Regresión logística en
Python.
4.- Series de Tiempo (6h)
Notación. Media móvil. Estacionarie-
dad: autocovarianza, autocorrelación.
Variograma. Transformación de Box-
Cox. Tendencia y Estacionalidad. Regre-
sión para retirarlas. Metodología para
el modelado. Métodos de suavización
exponencial. Modelo autorregresivo de
media móvil integrado (ARIMA). Series
de tiempo en Python.
Machine Learning

El presente curso, de naturaleza teórico-práctica, tiene como

propósito brindar los conocimientos básicos de Machine
Learning para proyectos analíticos.

Contempla las técnicas de Machine Learning, métricas para

evaluar la performance de modelos analíticos, aprendizaje
supervisado y no supervisado.

Modalidad Duración
36 horas lectivas
Online en vivo 48 horas académicas

Pre-requisitos Aprendizaje Flexible

Las clases serán grabadas
Análisis de datos con
Python y modelos estadísti- en nuestra plataforma
cos básicos. con disponibilidad 24/7.
 Módulos
1.- Introducción a Machine Learning
(3h)
Definición. Historia. Aplicaciones. Tipos
de aprendizaje. Argot de Aprendizaje de
Máquina. Áreas Relacionadas. Limitacio-
nes. Bibliotecas. Principales Conferen-
cias.
3.- Aprendizaje Supervisado (12h)
Introducción. Técnicas para Regresión.
Técnicas para Clasificación. Evaluación
de Desempeño. Overfitting y underfit-
ting. Métricas de evaluación. Teoría de
Decisión.
2.- Fases en Machine Learning (8h)
Fases en Aprendizaje de Máquina. Reco-
lección de datos. Preparación de datos.
Extracción de características. Selección
de un modelo. Entrenamiento y Evalua-
ción. Ajuste de hiperparámetros. Predic-
ción.
4.- Aprendizaje no Supervisado (13h)
Introducción. Técnicas de Agrupamien-
to: Algoritmos de particionamiento
(K-means, K-means++, K-medoides),
CLARA (Agrupación de aplicaciones
grandes), Algoritmos de jerarquía (Aglo-
merativo y Divisivo), Basado en densi-
dad (DBScan). Evaluación de Desempe-
ño. Métricas de evaluación.
 Evaluación
El sistema de evaluación del curso está dirigido a valorar el nivel de competencias
alcanzado para cumplir los objetivos educativos mediante la evaluación de:

1. Evaluación continua: 40%

2. Proyecto final: 60%

La evaluación continua se puede componer de

laboratorios, controles de lectura, prácticas
calificadas, casos de estudio, problemas guiados,
controles orales y evaluaciones durante el curso
según disponga el docente.

El proyecto final debe reflejar todo lo aprendido

en el curso, este se puede componer de un código
ejecutable, presentación frente a clase, informe,
diapositivas, póster, artículo de difusión y artículo
de investigación según disponga el docente.

Certificación
Al finalizar el programa, el alumno recibirá certificado por cada curso y un diploma
por el Programa de Especialización de Análisis de Datos con Python que será emitido
como “Especialista en Análisis de Datos con Python” (192 horas académicas).
 Estrategias didácticas
El curso tiene la intención de generar espacios de discusión donde puedan
compartirse los beneficios de la experiencia y conocimiento individual. Las
estrategias didácticas que se desarrollarán durante el curso son:

1. Casos de estudio
2. Aprendizaje orientado a proyectos
3. Aprendizaje colaborativo
4. Enseñanza problemática

Nuestras Herramientas

Plataforma de desarrollo
Plataforma en donde
con Python
se coordina e informa
sobre la capacitación al
alumno

Plataforma interactiva
para el aprendizaje

Plataforma en donde se
gestiona el aprendizaje

Plataforma interactiva
para el aprendizaje

Plataforma en donde se
Plataforma interactiva realiza las clases Online
para el aprendizaje en vivo

Plataforma web en donde

todos los vídeos son Plataforma que sirve
grabados y guardados como repositorio
 Horarios

Inicio: Lunes 20 de Setiembre

Días: Lunes, Miércoles y Viernes

Hora:
19:00 - 21:00
20:00 - 22:00
21:00 - 23:00
22:00 - 24:00

Inicio: Sábado 25 de Setiembre

Días: Sábado y Domingo

Hora:
09:00 - 12:00
10:00 - 13:00
11:00 - 14:00
12:00 - 15:00

Costo regular del Programa

Público en general 2 800 Soles

830 USD

Descuento por referido: 50 soles o 15 dólares.

Contáctanos para ventas corporativas o
conocer nuestras ofertas (Whatsapp +51 977
468 023).
 Métodos de pago

Puedes pagar con Tarjeta de crédito, Transferencia

bancaria o Paypal.

Cuenta de Ahorros Soles : 2003131111482

Cuenta Interbancario : 00320001313111148234

BBVA Cuenta sueldo : 0011-0057-0239209883

BBVA Cuenta interbancario : 011-057-000239209883-72

BCP Ahorros soles : 19101387048057

BCP Cuenta interbancario : 00219110138704805753
En caso de encontrarse en provincia adicionar S/ 7.50 por comisión del BCP.

https://www.paypal.me/DataScienceResearch
En caso de pagar en dólares con Paypal adicionar el 10% de valor de la cuota.

DNI: 47487919
Propietario: Javier Cuicapuza (CEO DSRP)

Contacto: informes@datascience.pe
informes@datascience.pe