Programa

 

Applied

Data Science

Los mejores Docentes. Consultá ahora.

PRÓXIMO INICIO

Inscripciones Febrero 2026

CURSADA

Online

MODALIDAD

E-Learning – Moodle
Sincrónicas y Asincrónicas

DURACIÓN

Programa Modular
4 Meses

Applied Data Science

Reunión informativa

Agosto

Inscríbete Ahora

Descarga el folleto

p

Solicita más Información

Experiencia internacional

Los programas académicos y convenios internacionales ofrecen a los estudiantes de grado y postgrado la posibilidad de continuar su formación en universidades de prestigio a nivel mundial, fortaleciendo su desarrollo académico y profesional.

Mediante la formación continua y ejecutiva, los estudiantes acceden a programas especializados en el extranjero, lo que enriquece su perfil en contextos académicos exigentes y diversos.

Entre las alianzas destacadas se encuentra la colaboración entre UCEMA y la Universidad de Chicago en economía experimental para América Latina, así como vínculos con la Universidad Austral en Buenos Aires, que promueven el intercambio cultural y científico.

JDEconomy E- learning Argentina

En un mundo que está cada vez más impulsado por los datos, la capacidad de extraer información significativa y tomar decisiones fundamentadas se ha convertido en un activo invaluable tanto para individuos como para organizaciones. Este curso está diseñado para equiparte con las habilidades
y conocimientos necesarios para que inicies tu camino por el vasto y emocionante campo de la ciencia de datos.

Plan de Estudios Modular

El programa se estructura en tres cursos progresivos: Introducción a Power BI, Modelado de datos, publicación y uso de datos, y Prácticas aplicadas. Cada uno de estos módulos ha sido diseñado para guiar al participante en un proceso formativo gradual y coherente, combinando clases teóricas, prácticas integradoras, actividades evaluativas recuperatorias y la corrección personalizada de trabajos prácticos. Esta metodología garantiza una experiencia de aprendizaje completa, orientada al desarrollo de competencias técnicas y analíticas, alineadas con los estándares internacionales de Microsoft Power BI.

Curso I – Introducción – Programación en Python

  • El entorno y las variables
  • Estructuras de control
  • Estructuras de datos
  • Programación orientada a objetos
  • Python para el análisis de datos
  • Visualización de datos. 
  • Testeo y Debuggeo de programas
  • Introducción a la complejidad de algoritmos

Curso II – Intermedio – Ciencia de Datos

  • Elementos de Cálculo y Algebra.

  • Análisis Exploratorio de Datos

  • Introducción al Aprendizaje automático

Curso III – Avanzado – Aprendizaje Automático

  • Algoritmos de aprendizaje automático

  • Redes neuronales

  • Deep Learning y Aplicacioness

Bibliografía e Idiomas

Autores: Norteamericanos, Europeos, Asiáticos y Latinoamericanos. Plataforma Moodle JDeconomy – Biblioteca Especializada – ONLINE. Idiomas: Inglés y Español

Audiencia

Este curso está diseñado tanto para aquellos que buscan ingresar al campo de la ciencia de datos como para profesionales que desean mejorar sus habilidades y avanzar en sus carreras. No se requieren conocimientos previos de programación o estadística, solo curiosidad y entusiasmo por aprender.

Plan de Estudios por Modulo


CURSO I – INTRODUCCIÓN – PROGRAMACIÓN EN PYTHON

CURSO I – INTRODUCCIÓN - PROGRAMACIÓN EN PYTHON

Orientada a la ciencia de datos y el aprendizaje automático

El entorno y las variables
  • Diferentes entornos de programación Python (consola, IDE, notebooks). Sintaxis del lenguaje. Tipos de datos básicos. Funciones y su documentación.
Estructuras de control

  • Condicionales. Iteraciones. Comprehensión de listas. Recursión.

  • Estructuras de datos: Diccionarios, listas, tuplas, vectores, matrices y árboles.

Estructuras de datos
  • Diccionarios, listas, tuplas, vectores, matrices y árboles.
Programación orientada a objetos
  • Concepto de objeto, métodos y herencia.
Python para el análisis de datos

  • Archivos de entrada/salida. Cómputo de estadísticos. Regresión lineal.

Visualización de datos

  • Aplicaciones con Numpy, Pandas, SciPy y Matplotlib.

Testeo y Debuggeo de programas

  • Diseño de experimentos. Manejos de excepciones. Control de flujos.

Introducción a la complejidad de algoritmos

  • Concepto de complejidad. Algoritmos de búsqueda. Algoritmos de ordenamiento.

Curso II – Modelado de Datos y Publicación

CURSO II - INTERMEDIO - CIENCIA DE DATOS

Introducción a Ciencia de datos, Análisis exploratorio de datos, introducción a aprendizaje automático.(overfitting, cross-validation, K-folding y leave-one-out CV).Regresión Lineal-Polinómica.

Elementos de Cálculo y Algebra. Funciones. Vectores y Matrices. Nociones de derivadas e integrales.
  • Definición de probabilidad. Probabilidad conjunta, marginal y condicional. Leyes de la probabilidad.
  • La interpretación frecuentista y bayesiana de la probabilidad.
  • Distribuciones especiales: Binomial, Poisson, Gaussiana.
  • Estimadores, estimación de máxima verosimilitud.
Análisis Exploratorio de Datos

  • Programación, exploración y visualización de datos: histogramas, gráficos de caja, gráficos QQ, gráficos de dispersión. Librerías de Python.

  • Preparación de datos; imputación de valores perdidos; codificación de variables categóricas.

  • Técnicas de reducción de la dimensionalidad. Análisis de componentes principales.

  • Algoritmos de clustering (aprendizaje no supervisado): K- means, K-vecinos más cercanos.

Introducción al Aprendizaje automático

  • Fundamentos del aprendizaje automático.

  • Entrenamiento, validación y prueba. Selección, extraccióne ingeniería de características.

  • Overfitting y Cross-validation. K-folding y leave-one-out CV.

  • Modelos de regresión. Regresión lineal y regresiónpolinómica.

  • Modelos de regresión regularizada.

  • Modelos de clasificación. Perceptrón, regresión logística yárboles de decisión.

Curso III – Publicación, uso de datos y prácticas

CURSO III - AVANZADO - APRENDIZAJE AUTOMÁTICO

Aprendizaje automático avanzado, algoritmos de aprendizaje automático. Redes neuronales, Deep learning  applications. (GANs, Reintorcemet Learning). Procesamiento de Texto y lenguaje Natural.

Algoritmos de aprendizaje automático

  • Support Vector Machines.

  • Equilibrio sesgo-varianza.

  • Métodos de ensamble. Bagging y stacking. Random Forest.

  • Métodos de Boosting. Métodos de árboles. Gradient Boosting.

Redes neuronales

  • Redes neuronales feed-forward. Métodos de Deep Learning.

  • Entrenamiento de redes. Regularización.

  • Redes neuronales convolucionales en aprendizaje de imágenes.

  • Interpretabilidad. Aprendizaje por transferencia.

Deep Learning y Aplicaciones

  • Autoenconders. Autoenconders variacionales. Redes Generativas Antagónicas (GANs).

  • Redes neuronales recurrentes.

  • Reinforcement Learning.

  • Procesamiento de Texto y Lenguaje Natural.