¿Cómo logramos convertir la data en estrategias de negocios? En esta Academia de Crehana exploramos las metodologías, técnicas y tecnologías que te permitirán hacerlo de forma estructurada y consistente.
Rutas de aprendizaje
Fundamentos de Data Science
Conoce el proceso para transformar los datos en información valiosa para la toma de decisiones. Descubre las tecnologías disponibles de la ciencia de datos y los roles demandados en el mercado.
| Fundamentos de Data Science |
| Introducción al pensamiento analítico |
| Data Driven mindset: Toma decisiones con data |
| Introducción a Behavioral Economics |
Habilidades
- Comprender cuáles son las aplicaciones y herramientas más comunes para el procesamiento de datos.
- Utilizar las bases de la lógica, el razonamiento y la argumentación para definir preguntas e hipótesis.
- Descubrir y analizar patrones de conducta mediante bases de datos.
- Resolver problemas de negocio mediante el análisis de patrones de comportamiento.
- Conocer e identificar los sesgos de comportamiento más comunes.
Duración
6h 29m
Programación para Data Science con Python
Domina las técnicas y estrategias de programación con Python enfocadas al análisis de datos.
| Fundamentos de Python |
| Python intermedio: funciones y algoritmos |
| Importación de datos en Python |
- Aprenderás los conceptos básicos de Python, como las variables, tipos de datos y los operadores principales.
- Aprender a importar datos en Python desde distintas fuentes de información.
- Procesar diferentes tipos de datos como diccionarios o listas a través de la librería pandas.
- Entender los procesos que se realizan en la ciencia de datos y los tipos de datos con los que se trabaja.
4h 19m
Matemática y estadística para Data Science
Resuelve problemas de análisis de datos, para comprender el comportamiento de tus usuarios, aplicando la lógica y conceptos matemáticos-estadísticos.
| Matemática para el análisis de datos |
| Fundamentos estadísticos para análisis de datos |
| Interpretando datos con modelos estadísticos |
| Resumiendo data y deduciendo probabilidades |
| Data Science: Introducción al cálculo diferencial e integral |
- Entender la importancia de la estadística y la probabilidad en el análisis de datos.
- Conocer y crear los principales gráficos para el análisis y visualización de datos, así como el uso de tablas de frecuencias.
- Comprender la importancia del análisis exploratorio de datos con modelos estadísticos.
- Conocer propiedades del cálculo integral y diferencial para su uso en la Ciencia de Datos.
- Revisar los elementos necesarios para plantear, entrenar y evaluar modelos de Machine Learning.
6h 9m
Habilidades y herramientas de Excel para Data Science
Domina Excel de forma avanzada para construír herramientas que faciliten el procesamiento y lectura de los datos, para la resolución de problemas de Data Science
| Excel: Análisis de data y tablas dinámicas |
| Automatización y modelado de datos en Excel |
| Excel para Business Intelligence |
| Excel avanzado para expertos |
| Análisis de negocio con Excel y Python |
- Mejorar la toma de decisiones a partir del procesamiento y análisis de datos con Excel.
- Aprender a usar los complementos Power de Excel: Power Query, Power Pivot, Power View y Power Map.
- Comprender como enlazar todos los tipos de análisis (predictivo, prescriptivo y descriptivo) en un solo lugar para encontrar insights que mejoren tus decisiones.
- Practicar cómo implementar el modelo relacional mediante tablas y gráficos dinámicos y cómo crear tus primeros reportes.
- Conocer el lenguaje DAX y sus ventajas en los tiempos de procesamiento para lograr mayor eficiencia.
8h 22m
Bibliotecas para programación de Data Science
Domina las bibliotecas de programación más utilizadas en Python y R para implementar funcionalidades específicas para Ciencia de Datos.
| Análisis exploratorio de datos con Python y Pandas |
| Manipulación de data con pandas |
| Combinar data con pandas |
| Python: Visualización de Data con Matplotlib |
| Python: Visualización de Data con Seaborn |
| Manipulación de Datos en R |
- Realizar distintos tipos de análisis de datos con librerías especiales para Python y R.
- Practicar ejercicios de importación, preparación y manipulación de datos.
- Dominar la librería Pandas para manipulación de datos en Python.
- Practicar técnicas de visualización de datos con programación con Matplotlib y Seaborn.
7h 4m