Cursos del Centro de Graduados de la Facultad de Ingeniería UBA

CURSO 1 - Fundamentos de la Ciencia de Datos

Aprenderás a:

- Comprender carreras e industrias comunes que utilizan análisis de datos avanzados.

- Investigar el impacto que el análisis de datos puede tener en la toma de decisiones.

- Explicar cómo los profesionales de datos preservan la privacidad y la ética de los datos.

- Desarrollar un plan de proyecto considerando los roles y responsabilidades de los miembros del equipo.

MÓDULO 1 - Introducción a los conceptos de ciencia de datos

Comenzarás con una introducción al Certificado Avanzado en Análisis de Datos de Google. Luego, explorarás la historia de la ciencia de datos y las formas en que la ciencia de datos ayuda a resolver problemas en la actualidad.

-El discurso de los datos a lo largo de los años

-Explora tu caja de herramientas de datos

-Términos del glosario del módulo 1

MÓDULO 2 - El impacto de los datos hoy en día

Ahora que estás más familiarizado con la historia de la ciencia de datos, estás listo para explorar el espacio laboral en el campo de los datos en la actualidad. Aprenderás más sobre cómo los profesionales de datos gestionan y analizan sus datos, así como cómo las ideas basadas en datos pueden ayudar a las organizaciones.

-Las carreras impulsadas por datos impulsan los negocios modernos

-Aprovecha el análisis de datos en organizaciones sin fines de lucro

-Las principales habilidades necesarias para una carrera en datos

-Consideraciones éticas importantes para los profesionales de datos

-El espacio de carrera para los profesionales de datos

MÓDULO 3 - Tu carrera como profesional de datos

Identificarás las habilidades que los profesionales de datos utilizan para analizar datos. También explorarás cómo los profesionales de datos colaboran con sus compañeros de equipo.

-Las principales habilidades necesarias para una carrera en datos

-Qué hacen los profesionales de datos

-El espacio de la carrera en datos

-Construye una presencia profesional en línea

-Fortalece las relaciones profesionales

MÓDULO 4 - Aplicaciones de datos y flujo de trabajo

-Introducción a PACE

-Elementos clave de la comunicación

-Comunicación exitosa

-La comunicación impulsa PACE

-Conecta PACE con los temas del curso próximos

MÓDULO 5 - Proyecto final del curso 1

-El valor de un portafolio

-Introducción al proyecto de portafolio de fin de curso 1

CURSO 2 - Empieza con Python

Comenzarás explorando los conceptos básicos de la programación en Python y por qué Python es una herramienta tan poderosa para el análisis de datos. Aprenderás sobre Jupyter Notebooks, un entorno interactivo para la codificación y el trabajo con datos. Investigarás cómo usar variables..

Aprenderás a:

- Explicar cómo los profesionales de datos utilizan Python.

- Explorar los bloques básicos de construcción de Python, incluyendo sintaxis y semántica.

- Comprender bucles, declaraciones de control y manipulación de cadenas.

- Usar estructuras de datos para almacenar y organizar información.

MÓDULO 1 - ¡Hola, Python!

-Descubre más sobre Python

-Jupyter Notebooks

-Programación orientada a objetos

-Variables y tipos de datos

-Crea nombres de variables precisos

-Tipos de datos y conversiones

MÓDULO 2 - Funciones y declaraciones condicionales

-Definir funciones y devolver valores

-Escribe código limpio

-Usa comentarios para estructurar tu código

-Haz comparaciones usando operadores

-Usa declaraciones if, elif, else para tomar decisiones

MÓDULO 3 - Bucles y cadenas de texto

-Introducción a los bucles while

-Introducción a los bucles for

-Bucles con múltiples parámetros en range()

-Trabajar con cadenas

-Corte de cadenas (String slicing)

-Formatear cadenas

MÓDULO 4 - Estructuras de datos en Python

-Introducción a las listas

-Modificar el contenido de una lista

-Introducción a las tuplas

-Más sobre bucles, listas y tuplas

-Introducción a los diccionarios

-Métodos de diccionarios

-Introducción a los conjuntos (sets)

-El poder de los paquetes

-Introducción a NumPy

-Operaciones básicas con arrays

-Introducción a pandas

-Conceptos básicos de pandas

-Enmascaramiento booleano

-Agrupación y agregación

-Fusión y unión de datos

MÓDULO 5 - Proyecto de fin de curso 2

-Introducción a tu proyecto de portafolio de fin de curso 2

-Resumen del proyecto de portafolio de fin de curso 2: Automatidata

CURSO 3 - Más allá de los números: Traduciendo datos en ideas

Aprenderás a:

- Aplicar el proceso de análisis exploratorio de datos (EDA).

- Explorar los beneficios de estructurar y limpiar datos.

- Investigar datos en bruto utilizando Python.

- Crear visualizaciones de datos con Tableau.

MÓDULO 1 - Encuentra y comparte historias usando datos

Encuentra historias usando las seis prácticas de análisis exploratorio de datos

Estudio de caso: Deloitte

Usa PACE para informar el EDA y las visualizaciones de datos

Combina la guía PACE y las prácticas de EDA

PACE con visualizaciones de datos

Categorización: Mejores prácticas de EDA

Revisión: Encuentra y comparte historias usando datos

MÓDULO 2 - Explora datos en bruto

Descubrir datos: El comienzo de una investigación

Dónde comienzan los datos

Asignación interactiva: Exploración de datos con Python

Aprendizaje aplicado: Aplicando las prácticas de EDA para el descubrimiento de conjuntos de datos

Exploración y manejo de datos: Explorando datos con Python

Referencia: Exploración y manejo de datos con Python

Entender los datos formateados

Descubre lo que falta en tu conjunto de datos

Asignación interactiva: Prácticas críticas de manipulación de datos con Python

Crear estructuras a partir de nuevos datos

Usar prácticas de EDA para construir órdenes en tu conjunto de datos

Asignación interactiva: Prácticas críticas de estructuración de datos con Python

Ordenar datos con Python

Aplicar EDA para estructurar un conjunto de datos

Revisión: Explora nuevos datos

MÓDULO 3 - Limpia tus datos

Descubrir datos: El comienzo de una investigación

Dónde comienzan los datos

Asignación interactiva: Exploración de datos con Python

Aprendizaje aplicado: Aplicando las prácticas de EDA para el descubrimiento de conjuntos de datos

Exploración y manejo de datos: Explorando datos con Python

Referencia: Exploración y manejo de datos con Python

Entender los datos formateados

Descubre lo que falta en tu conjunto de datos

Asignación interactiva: Prácticas críticas de manipulación de datos con Python

Crear estructuras a partir de nuevos datos

Usar prácticas de EDA para construir órdenes en tu conjunto de datos

Asignación interactiva: Prácticas críticas de estructuración de datos con Python

Ordenar datos con Python

Aplicar EDA para estructurar un conjunto de datos

Revisión: Explora nuevos datos

MÓDULO 4 - Visualización de datos y presentaciones

Limpia tus datos

Explorarás tres prácticas más de EDA: limpieza, unión y validación. Descubrirás la importancia de estas prácticas para el análisis de datos, y usarás Python para limpiar, validar y unir datos.

El desafío de los datos faltantes o duplicados

Métodos para manejar datos faltantes

Desduplicación de datos con Python

Guía de aprendizaje anotada: Trabajar con datos faltantes en un cuaderno de Python

Trabajar con datos faltantes en un cuaderno de Python

Actividad: Abordar los datos faltantes

Los pros y los contras de los valores atípicos en los datos

Proteger a las personas detrás de los datos

Identificar y tratar con valores atípicos en Python

Cambiar datos categóricos a datos numéricos

Codificación de etiquetas en Python

Otras aproximaciones a la transformación de datos

Guía de referencia: Codificación de datos en Python

MÓDULO 5 - Proyecto final del curso 3

Visualización de datos y presentaciones

Practicarás crear y presentar visualizaciones de datos de manera clara, accesible y profesional. También explorarás técnicas avanzadas de visualización de datos utilizando Tableau.

Tableau: Publicar con Tableau

Navegando en la interfaz de Tableau

Guía de instalación de Tableau

Crear una visualización con Tableau

Descarga y carga un proyecto simple con Tableau

Trabajar con Tableau

Temas avanzados

Tableau avanzado: Trabajar con Tableau, Parte 2

Identificar limitaciones de la visualización

Optimizar la disponibilidad de los datos

Actividad: Crear un proyecto simple en Tableau Public, Parte 2

Actividad: Comparte y publica un proyecto en Tableau Public

Ejemplo: Creación de un proyecto simple en Tableau

Presentar una historia con Tableau

Actividad: Comparte y publica un proyecto avanzado en Tableau Public

CURSO 4 - El Poder de la Estadística

Aprenderás a:

- Explorar y resumir un conjunto de datos.

- Utilizar distribuciones de probabilidad para modelar datos.

- Realizar una prueba de hipótesis para obtener ideas sobre los datos.

- Realizar análisis estadísticos utilizando Python.

MÓDULO 1 - Introducción a la estadística

-El papel de la estadística en la ciencia de datos

-Estadísticas en acción: Pruebas A/B

-Estadísticas descriptivas versus estadísticas inferenciales

-Medidas de tendencia central

-Medidas de dispersión

-Medidas de posición

-Calcular estadísticas descriptivas con Python

MÓDULO 2 - Probabilidad

-Probabilidad objetiva versus subjetiva

-Los principios de la probabilidad

-Las reglas básicas de la probabilidad y los eventos

-Probabilidad condicional

-Descubre el teorema de Bayes

-La versión ampliada del teorema de Bayes

-Introducción a las distribuciones de probabilidad

-La distribución binomial

-La distribución de Poisson

-La distribución normal

-Estandarizar datos usando puntuaciones z

-Trabajar con distribuciones de probabilidad en Python

MÓDULO 3 - Muestreo

-Cliff: Valora las contribuciones de todos

-Introducción al muestreo

-El proceso de muestreo

-Comparar métodos de muestreo

-El impacto del sesgo en el muestreo

-Cómo el muestreo afecta tus datos

-El teorema del límite central

-La distribución muestral de la proporción

-Distribuciones muestrales con PythoN

MÓDULO 4 - Intervalos de confianza

-Introducción a los intervalos de confianza

-Interpretar intervalos de confianza

-Construir un intervalo de confianza para una proporción

-Construir un intervalo de confianza para una media

-Intervalos de confianza con Python

MÓDULO 5 - Introducción a las pruebas de hipótesis

-Elea: Sigue aprendiendo en el espacio de datos en constante cambio

-Introducción a las pruebas de hipótesis

-Prueba de una muestra para medias

-Pruebas de dos muestras: Medias

-Pruebas de dos muestras: Proporciones

-Usar Python para realizar una prueba de hipótesis

MÓDULO 6 - Proyecto de fin de curso 4

-Introducción a tu proyecto de portafolio de fin de curso 4

CURSO 5 - Análisis de regresión: Simplifica relaciones de datos complejas

Aprenderás a:

Investigar relaciones en conjuntos de datos.

Identificar las suposiciones de los modelos de regresión.

Realizar regresión lineal y logística utilizando Python.

Practicar la evaluación e interpretación de modelos.

MÓDULO 1 - Introducción a las relaciones de datos complejas

Aprenderás a aplicar análisis de regresión para construir modelos de regresión, desde la preparación de tus datos hasta la interpretación de los resultados. Explorarás dos tipos principales de regresión: lineal y logística. También aprenderás cómo los profesionales de datos utilizan el análisis de regresión para resolver diferentes tipos de problemas empresariales.

Preguntas sobre la regresión

Tablero: Procesar datos utilizando modelos de regresión simple

Cálculo del análisis de regresión (parece que el texto no coincide, pero es lo que aparece en la imagen)

Regresión lineal

Matemáticas detrás de la regresión lineal

Variables de entrada y salida en la regresión lineal

Regresión logística

Introducción a la regresión logística

Comparación: Regresión lineal vs. regresión logística

Desarrollar un modelo de regresión logística

Revisión: Introducción a las relaciones de datos complejas

MÓDULO 2 - Regresión lineal simple

Aprenderás cómo construir modelos para describir relaciones de datos complejas. Comenzarás con una regresión lineal simple, luego aplicarás modelos de regresión lineal en Python e interpretarás tus resultados.

Fundamentos de la regresión lineal

Cálculo: El valor esperado de la regresión

Modelo de mínimos cuadrados ordinarios

Asignación de ejemplos prácticos: Mínimos cuadrados ordinarios

Configurar y ejecutar la regresión lineal simple

Suposiciones y construcción en Python

Hacer suposiciones de regresión lineal

Las cinco suposiciones de la regresión lineal simple

Guía de aprendizaje anotada: Antes de la regresión lineal con Python

Construir un modelo de regresión lineal con Python

Aplicar regresión lineal simple en Python

Diagnóstico de modelo de regresión lineal simple

Visualización de resultados

Ejemplo: Diagnóstico de un modelo de regresión lineal simple

Aplicar un modelo de regresión lineal simple en Python

Interpretar los resultados de la regresión lineal

Comparar resultados de la regresión lineal

Ejemplo: Interpretación de un modelo de regresión lineal

MÓDULO 3 - Regresión lineal múltiple

Después de aprender regresión lineal simple, avanzarás a modelos de regresión más complejos, como la regresión lineal múltiple. Considerarás cómo se ajustan los modelos de regresión lineal múltiple durante cada etapa del proceso de modelado. También obtendrás una vista previa de cómo los profesionales de datos validan modelos, verifican el sobreajuste y evalúan el rendimiento del modelo.

Entender la regresión lineal múltiple

Introducción a la regresión lineal múltiple

Regresión lineal múltiple en acción

Validación del modelo y sobreajuste

Reconocer el sobreajuste en los modelos

Guía de referencia: Modelos sobreajustados

Pasos para mitigar el sobreajuste en la regresión lineal múltiple

Identificar sobreajustes en la regresión lineal múltiple

Interpretación del modelo

Interpretar los coeficientes de la regresión múltiple

Guía de referencia anotada: Interpretar resultados de regresión múltiple con Python

Interpretar resultados de regresión múltiple con Python

Validación del modelo y evaluación

El problema del sobreajuste

Métodos de validación

Validación: Dividir, seleccionar y evaluar

Métodos de evaluación del modelo

Aplicación: Realizar regresión lineal múltiple

Revisión: Regresión lineal múltiple

MÓDULO 4 - Pruebas de hipótesis avanzadas

Ampliarás tu conocimiento de las pruebas de hipótesis al explorar más pruebas estadísticas. Revisarás y aplicarás pruebas en Python. También realizarás análisis de varianza (ANOVA) para explorar diferentes grupos de datos. Finalmente, conectarás estas pruebas con otros tipos de análisis como t-tests, chi-cuadrado y pruebas ANOVA.

La prueba chi-cuadrado

Pruebas t: Una visión general

Prueba chi-cuadrado: Bondad de ajuste vs. independencia

Análisis de varianza

Introducción al análisis de varianza

ANOVA de una vía

Guía de aprendizaje anotada: Exploración de ANOVA de una vía en Python

Aplicar pruebas ANOVA de una vía con Python

Pruebas post hoc en Python

Exploración del análisis de varianza en Python

Ejemplo: Pruebas de hipótesis con Python

ANOVA, MANOVA y MANCOVA

ANOVA: Análisis de varianza

ANOVA de dos vías: MANOVA y MANCOVA

Revisión: Pruebas de hipótesis avanzadas

MÓDULO 5 - Regresión logística

Aprenderás sobre la regresión logística, un tipo de modelo de regresión que clasifica los datos en dos categorías. Aprenderás a construir un modelo de regresión logística en Python y cómo los profesionales utilizan este tipo de modelo para obtener información de los datos.

Fundamentos de la regresión logística

Cómo se construye un modelo de regresión logística en Python

Regresión logística con Python

Construir un modelo de regresión logística con Python

Interpretar los resultados de la regresión logística

Evaluar un modelo de regresión logística

Ver los resultados de un modelo de regresión logística

Comparar modelos de regresión logística en Python

Aplicar un modelo de regresión logística

Ejemplar: Evaluar un modelo de regresión logística

Comparar modelos

Documentar un modelo de regresión logística

Retroalimentación sobre diferentes modelos de regresión

Revisión: Regresión logística

MÓDULO 6 - Proyecto final del curso 5

Completarás un proyecto final, obteniendo la oportunidad de aplicar tus nuevas habilidades y el conocimiento adquirido de los cursos anteriores para resolver un problema empresarial utilizando datos.

Comienza a construir tu portafolio

Introducción al proyecto final del curso 5

Instrucciones del proyecto final

Antecedentes del proyecto del curso 5: Servicios financieros

Servicios financieros automatizados

Proyecto de construcción de portafolio del curso 5: Servicios financieros automatizados

Tecnología

Proyecto de construcción de portafolio del curso 5: Venta minorista

Finalización del proyecto del portafolio y resumen

CURSO 6 - Los Fundamentos del Aprendizaje Automático

Aprenderás a:

- Identificar las características de los diferentes tipos de aprendizaje automático.

- Preparar datos para modelos de machine learning.

- Construir y evaluar modelos de aprendizaje supervisado y no supervisado utilizando Python.

- Demostrar la selección adecuada de modelos y métricas para un algoritmo de machine learning.

MÓDULO 1 - Los diferentes tipos de aprendizaje automático

Comenzarás explorando los conceptos básicos del aprendizaje automático y el papel del aprendizaje automático en la ciencia de datos. Luego, revisarás los cuatro tipos principales de aprendizaje automático: supervisado, no supervisado, por refuerzo y aprendizaje profundo.

-Los principales tipos de aprendizaje automático

-Determinar cuándo las características son infinitas

-Características categóricas y modelos de clasificación

-Guía para captar el interés del usuario con sistemas de recomendación

-Equidad e imparcialidad en el aprendizaje automático

-Construir modelos éticos

-Python para el aprendizaje automático

-Diferentes tipos de entornos de desarrollo integrado (IDEs) de Python

-Más sobre paquetes de Python

-Recursos para responder preguntas de programación

-Tu equipo de aprendizaje automático

MÓDULO 2 - Flujo de trabajo para construir modelos complejos

Aprenderás cómo los profesionales de datos utilizan un flujo de trabajo estructurado para el aprendizaje automático. Identificarás los principales pasos del flujo de trabajo y la importancia de cada paso en el proceso general. Luego, aprenderás cómo aplicar modelos específicos de aprendizaje automático a problemas empresariales

-PACE en el aprendizaje automático

-Planificar un proyecto de aprendizaje automático

-Analizar datos para un modelo de aprendizaje automático

-Introducción a la ingeniería de características (feature engineering)

-Resolver problemas que surgen con conjuntos de datos desequilibrados

-Ingeniería de características y balanceo de clases

-Introducción a Naive Bayes

-Construir un modelo de Naive Bayes con Python

-Métricas clave de evaluación para modelos de clasificación

MÓDULO 3 -Técnicas de aprendizaje no supervisado

Aprenderás más sobre uno de los principales tipos de aprendizaje automático: el aprendizaje no supervisado. Comenzarás explorando la diferencia entre las técnicas supervisadas y no supervisadas, así como los beneficios y usos de cada enfoque. Luego, aprenderás cómo aplicar dos modelos de aprendizaje automático no supervisado: el clustering y K-means.

-Introducción a K-means

-Usar K-means para compresión de color con Python

-Métricas clave para representar la agrupación K-means

-Métricas de inercia y coeficiente de silueta

-Aplicar inercia y coeficiente de silueta con Python

MÓDULO 4 - Modelado basado en árboles

A continuación, te centrarás en el aprendizaje supervisado. Aprenderás cómo probar y validar el rendimiento de modelos de aprendizaje automático supervisado, como el árbol de decisión, el bosque aleatorio y el gradient boosting.

-Modelado basado en árboles

-Construir un árbol de decisión con Python

-Ajustar un árbol de decisión

-Verificar el rendimiento usando validación

-Ajustar y validar árboles de decisión con Python

-Agregación bootstrap

-Explorar un bosque aleatorio

-Ajuste de un bosque aleatorio

-Construir y validar un modelo de bosque aleatorio con Python

-Construir y validar un modelo de bosque aleatorio usando un conjunto de datos de validación

-Introducción al boosting: AdaBoost

-Máquinas de boosting de gradiente

-Ajustar un modelo GBM

-Construir un modelo XGBoost con Python

MÓDULO 5 - Proyecto de fin de curso 6

-Introducción a tu proyecto de portafolio de fin de curso 6

CURSO 7 - Proyecto Final de Análisis de Datos Avanzado de Google

Aprenderás a:

- Examinar datos para identificar patrones y tendencias.

- Construir modelos utilizando técnicas de aprendizaje automático.

- Crear visualizaciones de datos.

- Explorar recursos para el desarrollo profesional.

MÓDULO 1 - Proyecto Capstone

Introducción al curso capstone

Qué esperar en el proyecto capstone

Introducción al proyecto capstone

Completar el proyecto capstone

Crear tu proyecto capstone

Actividad: Laboratorio del proyecto de motores Traillfort

Ejemplo del proyecto capstone

del curso 7

¿Completaste el proyecto capstone?

Cierre del proyecto capstone

Conclusión del proyecto capstone y consejos para el éxito continuo en tu carrera

Incorporar tu proyecto en un portafolio

Reflexionar sobre tu proyecto capstone

MÓDULO 2 - Recursos de carrera enfocados en datos

Proyectos y portfolios

El proceso de contratación de profesionales de datos.

Comunica tus habilidades y activos.

Incorpora trabajos de proyectos en tu portafolio de análisis de datos.

Currículum para lanzar tu carrera en datos

Refina tu currículum.

Taller de redacción de currículums.

Actividad: Optimiza tu currículum.

Ejemplo de actividad: Optimiza tu currículum.

Éxito en entrevistas

Prepárate para entrevistas.

Enfoques proactivos para el proceso de entrevista.

Prepárate para entrevistas con Interview Warmup.

MÓDULO 3 - Ponte a trabajar con tu Certificado en Análisis de Datos Avanzado

¡Felicitaciones por completar el Certificado de Análisis de Datos Avanzados de Google!

Muestra tu trabajo Reclama tu insignia del Certificado de Análisis de Datos Avanzados de Google

Explorando oportunidades profesionales

Recursos para graduados del Certificado de Análisis de Datos Avanzados de Google