by ThePower Business School

Aprende en 16 semanas a
dominar las herramientas y
lenguajes que usan los
analistas de datos
“Es muy importante saber transformar
los datos en información para ayudar
al negocio a tomar decisiones”
Laura Sauco
Product Manager ThePower Business School

Conviértete en
un experto en... Neural Networks
Cloud Big Data

Neural Networks
La escuela

Aprende en la escuela de
negocios liderada por las
figuras de éxito más
importantes del mundo
ThePower Business School es la escuela de
negocios digital que ha revolucionado la
educación por todo el mundo, con una
metodología disruptiva (clases de 15 min)
donde aprendes con emprendedores y
expertos reconocidos mundialmente, y por
una fracción del coste de cualquier otra
escuela de negocios.

+300
eventos
+600
empresas

al año
+100k +90
países
alumnos
Syllabus

Módulo 1 Fundamentals

Bienvenid
Entorno
Diccionari
Conceptos Dat
Introducción a Excel
- Instalación Excel

- Trucos para aumentar eficiencia

- Lo que no se te puede escapar

- Lo básico de tablas dinámicas

- Trucos con tablas dinámicas

- Potenciar las tablas dinámicas

- Porcentajes con tablas dinámicas

- Tablas dinámicas desde diferentes hojas

- Elementos calculados y valores únicos en tablas dinámicas

- Cruce de tablas ¿Qué es y cómo se hace?

- Dominar BUSCARV y errores comunes

- Cómo potenciar BUSCARV con otras funciones

- El poder de BUSCARV y COINCIDIR

- Función BUSCARX

- Ejercicios prácticos
Conceptos Programació
Introducción a Power BI

Módulo 2 Data & Analytics [Visualización]

Estadística descriptiva

-Definición y uso

Diferencia entre estadística descriptiva e inferencial:

-Tipos de datos: Cualitativos y Cuantitativos

-Medidas de Tendencia Central:

-Media (promedio)

-Mediana

-Moda
Medidas de dispersión:

-Rango

-Varianza

-Desviación estándar

-Coeficiente de variación

Cuartiles y Diagrama de Caja (Boxplot):

-Definición de cuartiles y percentiles

-Interpretación del diagrama de caja

Asimetría y Curtosis:

-Definición e interpretación de la asimetría y curtosis

-Cómo afectan a la distribución de los datos

Distribuciones de frecuencia:

-Tablas de frecuencia: absoluta, relativa y acumulada

-Histogramas y polígonos de frecuencia

Gráficos de datos

-Gráficos de barras y pastel para datos cualitativos

-Histogramas y boxplots para datos cuantitativos

Correlación y covarianza
-Definición y cálculo

-Interpretación y uso en análisis de datos

-Diagramas de dispersión (scatterplots)

SQL
Introducción a SQL

-CRUD

-Creación de tablas

-Create

-Update

-Delete

-Read

-Foreign keys

-Left join

-Inner join

-Alter table

-Planteamiento ejercicios

-Resolución y Entrega de ejercicios

Excel avanzado
PowerBI: Importar y explorar datos

-Fuentes de datos

-Importación de datos

-Limpieza y transformación de datos básicas

-Proyecto: Importación y limpieza de un conjunto de datos

PowerBI: Transformación de datos con Power Query

-Introducción a Power Query

-Uso de Power Query para limpieza y transformación avanzada de datos

-Conceptos de ETL (Extract, Transform, Load)

-Proyecto: Transformación avanzada de un conjunto de datos con Power Query

PowerBI: Modelado de datos

-Creación de tablas y relaciones

-Introducción a DAX (Data Analysis Expressions)

-Creación de medidas con DAX

-Proyecto: Modelado de un conjunto de datos y creación de medidas

PowerBI: Visualización de datos

-Creación de visualizaciones: gráficos, tablas, mapas

-Personalización y diseño de las visualizaciones

-Filtrado y clasificación de datos

-Proyecto: Creación de un informe con varias visualizaciones

PowerBI: Creación y uso de Dashboards

-Creación de Dashboards

-Fijar tiles a Dashboards

-Uso de Q&A para crear visualizaciones

-Compartir Dashboards y colaboración

-Proyecto: Creación y compartición de un Dashboard

PowerBI: Publicación y consumo

-Publicar informes y dashboards en el servicio de Power BI

-Consumo de informes y dashboards a través de aplicaciones móviles y web

-Proyecto: Publicación y consumo de un informe y dashboard

PowerBI: Power BI y Excel

-Importación de datos de Excel

-Exportación de datos a Excel

-Power Pivot, Power Query, y Power View en Excel

-Proyecto: Creación de un informe en Power BI utilizando datos de Excel

 PowerBI: Power BI avanzado

-Uso de Power BI Embedded

-Trabajando con grandes volúmenes de datos

-Seguridad y administración en Power BI

-Proyecto: Creación de un informe incrustado y configuración de seguridad

Módulo 3 Data & Analytics [Transformación | Manipulación]

Introducción y Fundamentos

- ¿Qué es R y por qué es importante?

- Instalación de R y RStudio

- Conceptos básicos de la programación en R: variables, tipos de datos, operaciones

- Proyecto: Instalación de R y familiarización con la interfaz de RStudio

Manipulación de Datos
- Importar y exportar datos

- Manejo de data frames y listas

- Uso de la librería dplyr para la manipulación de datos

- Proyecto: Importación y manipulación de un conjunto de datos

Visualización de Datos

- Uso de gráficos base en R

- Creación de gráficos con ggplot2

- Personalización de gráficos

- Proyecto: Creación de un conjunto de gráficos utilizando ggplot2

Análisis Estadístico
- Estadísticas descriptivas

- Tests estadísticos

- Regresión lineal y logística

- Proyecto: Análisis estadístico de un conjunto de datos

Programación y Funciones
- Creación de funciones personalizadas

- Uso de condicionales y bucles

- Aplicar funciones a los datos

- Proyecto: Creación de funciones personalizadas para analizar un

conjunto de datos
Trabajo con Fechas y Texto

- Manipulación de fechas y horas con lubridate

- Procesamiento de texto con stringr

- Proyecto: Limpieza y manipulación de un conjunto de datos con

información de texto y fechas

Paquetes Avanzados

- Uso de tidyverse para manipulación de datos y visualización

- Introducción a Shiny para la creación de aplicaciones web

- Otras librerías útiles (caret para machine learning, forecast para

series temporales, etc.)

Proyecto: Creación de una aplicación Shiny simple

Programación Avanzada

- Uso de listas y lapply/sapply

- Debugging y manejo de errores

- Optimización del código

- Proyecto: Optimización de un script de R

Machine Learning

- Introducción al Machine Learning

- Regresión, clasificación, clustering

- Uso del paquete caret para Machine Learning

- Proyecto: Creación de un modelo de Machine Learning para un

conjunto de datos

SQL / R
- Introducción a SQL y bases de datos relacionales

- Conexión de R con bases de datos SQL: librerías RODBC, RSQLite, RMySQL, etc.

- Ejecución de consultas SQL desde R

- Uso de dbplyr para traducir código dplyr en SQL

- Proyecto: Conexión a una base de datos SQL, realización de consultas y

análisis de los resultados en R

Power BI / SQL / R

- Introducción a la integración de Power BI, SQL y R

- Conexión de Power BI a bases de datos SQL

- Importación y transformación de datos SQL en Power BI

- Uso de R dentro de Power BI para análisis avanzados y visualizaciones

personalizadas

- Proyecto: Conexión a una base de datos SQL desde Power BI, importación
y transformación de los datos, y realización de un análisis utilizando R
Módulo 4 Data & Analytics [Strategy]

Gobierno del dato

- ¿Qué es el gobierno de datos y por qué es importante?

- Marco de trabajo del gobierno de datos: políticas, procedimientos, y

estándares

- Calidad de los datos: aseguramiento, mejora y gestión de la calidad

de los datos

- Privacidad y seguridad de los datos: cumplimiento de las

regulaciones de privacidad y mejores prácticas para la seguridad de
los datos

- Roles y responsabilidades en el gobierno de datos: dueños de los

datos, administradores de los datos, usuarios de los datos

- Metadatos, taxonomía y catálogo de datos

- Proyecto: Crear un plan para el gobierno de datos para una

organización hipotética, incluyendo políticas, roles, y planes para la
gestión de la calidad y seguridad de los datos

Arquitectura
Tipos de arquitectura y principio
Arquitectura de referenci
Arquitectura de referencia: integration data inpu
Arquitectura de referencia: data hu
Arquitectura de referencia: data output, presentation & analytic
Arquitectura de referencia: Governanc
Patrón de diseño y caso práctico

Plataformas de Cloud: Despliegue y Gestión de Datos

- Introducción a las plataformas de cloud computing

- Descripción general de las principales plataformas de cloud: AWS,

Google Cloud, Azure

- Creación y gestión de bases de datos en la nube

- Almacenamiento y procesamiento de datos en la nube

- Integración de servicios de nube con R, SQL y Power BI

- Consideraciones de seguridad y privacidad en la nube

- Proyecto: Creación de una base de datos en una plataforma de

cloud, conexión a esta base de datos desde R o Power BI, y realización
de un análico de los datos
 ETL/ ELT
Introducción a los conceptos de ETL (Extracción, Transformación,
Carga) y ELT (Extracción, Carga, Transformación
Herramientas para ETL y ELT: Comparación y contrast
Diseño y desarrollo de procesos ETL: desde la extracción y limpieza
hasta la carg
ETL versus ELT: Cuándo usar qu
La importancia de ETL y ELT en Big Dat
Prácticas recomendadas y patrones comunes en ETL/EL
Proyecto: Diseño y desarrollo de un proceso ETL o ELT para un
conjunto de datos específico

Data Storytelling: Comunicando con Datos

Introducción al data storytelling y su importanci
Componentes de una buena historia de datos: contexto, clímax, resolució
Técnicas de visualización de datos para la narración de historia
Principios de diseño de informes y dashboards: claridad, coherencia,
interactivida
Creación de narraciones de datos en Power B
Uso de R para crear visualizaciones centradas en la narració
Proyecto: Creación de una historia de datos a partir de un conjunto de datos,
utilizando visualizaciones y técnicas de diseño para comunicar
efectivamente los insights encontrados

Módulo 5 Empleabilidad

Technical Proof [Visualización

Technical Proof [Transformación | Manipulación
Technical Proof [Strategy
Mejora tu perfi
Freelance
Módulo 6 Python [Cum Laude]

Introducción a Python
Python vs Otros lenguajes en Dat
Variable
Comentario
Tipos de básicos - Intege
Tipos de básicos - Floa
Tipos de básicos - Decima
Tipos de básicos - Strin
Tipos de básicos - Boolea
Tipos de datos compuestos - Listas Parte
Tipos de datos compuestos - Listas Parte I
Tipos de datos compuestos - Sets Parte
Tipos de datos compuestos - Sets Parte I
Tipos de datos compuestos - Diccionarios Parte
Tipos de datos compuestos - Diccionarios Parte I
Tipos de datos compuestos - Diccionarios Parte II
Tipos de datos compuestos - Diccionarios Parte I
Tipos de datos compuestos - Tupla Parte
Tipos de datos compuestos - Tupla Parte I
Operaciones aritméticas - Sum
Operaciones aritméticas - Rest
Operaciones aritméticas - Multiplicació
Operaciones aritméticas - Divisió
Operaciones aritméticas - Truncad
Operaciones aritméticas - Módulo Parte
Operaciones aritméticas - Módulo Parte
Comparación - Igua
Comparación - Distint
Comparación - Más grande/pequeñ
Toma de decisiones - i
Toma de decisiones - if múltiples condicione
Toma de decisiones - whil
Toma de decisiones - fo
Funcione
Módulos y librería
Módulo - JSO
Módulo - DateTime - Parte
Módulo - DateTime - Parte 2 - Timezon
Módulo - O
Módulo - Subproces
Trabajo con fichero
Caso práctic
Planteamiento ejercici
Resolución y entrega de ejercicio
 Python for Data & Analytics
NumPy - NumPy vs listas. Instalación y us
NumPy - Objetos ndarray - Copias y vistas. Dimensiones: cálculo y conversione
NumPy - Objetos ndarray - Creación, acceso mediante índices y creación de
subarrays. Tipos de datos en ndarrays de NumP
NumPy - Objetos ndarray - Operaciones tipicas II: ordenación de ndarrays y
ndarrays estructurado
NumPy - Objetos ndarray - Operaciones tipicas III: búsquedas y filtrado de
ndarray
NumPy - Números aleatorios con NumP
NumPy - Funciones universales - Uso de ufuncs sobre ndarrays I: funciones
aritméticas simple
Pandas - ¿Qué aporta la librería Pandas? Instalación y us
Pandas - Series en Pandas y uso de etiqueta
Pandas - Series - ¿Qué puedo hacer con ellas
Pandas - DataFrames - ¿Qué es un DataFrame? Etiquetas de columna
Pandas - DataFrames - Acceso a las filas de un DataFrame. Etiquetas de fila
Pandas - DataFrames - Cargar datos en un DataFrame I: desde ficheros JSO
Pandas - DataFrames - Cargar datos en un Dataframe II: desde ficheros CS
Pandas - DataFrames - Análisis exploratorio de datos con Pandas: información
general sobre un DataFrame; primeros y últimos elementos de un DataFram
Pandas - DataFrames - Limpieza de datos - Corregir valores vacíos o nulo
Pandas - DataFrames - Limpieza de datos - Corregir valores con formato
incorrect
Pandas - DataFrames - Limpieza de datos - Corregir valores incorrecto
Pandas - DataFrames - Limpieza de datos - Corregir duplicado
Algunas librerías gráficas - Matplotlib - ¿Qué aporta? Instalación y us
Algunas librerías gráficas - Matplotlib - Ejemplos básico
Caso práctic
Planteamiento ejercici
Resolución y entrega de ejercicio

Repositorios & Business Intelligence

Sistemas OLTP y OLA
Datalake, datamart y datawarehous
DatastoresModelos de procesamiento: OLAP/MOLAP/ROLA
Dimensiones y hecho
Esquemas: estrella, Copo de Nieve, Constelació
Caso práctico
 Visualización Básica
- Conceptos básicos: data, tables, gráficos

- Conceptos básicos: kpi, reporting, dashboards, cubos

- Visualización de tus datos sin herramientas especializadas

- Visualización en python: matplotlib parte 1

- Visualización en python: matplotlib parte 2

- Visualización en python: seaborn

- Visualización en python: plotly

Módulo 7 Data & Analytics [Cum Laude]

SQL /Pytho
Power BI/ SQL / Pytho
Tablea
Tableau SQL / Pytho
Clic
Click / SQL / Python

Módulo 8 Introducción a IA

- ¿Qué es la Inteligencia Artificial (IA)?

- Breve historia de la IA

- Inteligencia Artificial vs. Machine Learning vs. Deep Learning

- Aplicaciones comunes de IA: procesamiento del lenguaje natural, reconocimiento de

imágenes, sistemas de recomendación, etc.

- Conceptos clave de IA: algoritmos, redes neuronales, aprendizaje supervisado y no

supervisado, refuerzo de aprendizaje

- Introducción a las herramientas y librerías de IA: scikit-learn, TensorFlow, Keras

- Etapas en el desarrollo de un proyecto de IA: recopilación de datos,

preprocesamiento, modelado, evaluación, implementación

- Consideraciones éticas en IA

- Proyecto: Diseño de un proyecto de IA sencillo utilizando una librería de IA en R o

Python
Metodología

Hemos creado el programa más flexible que

se adapta a tu ritmo, nivel y ambición
...con acompañamiento muy cercano