Data Science

Comprender el rol del Data Scientist, el ciclo de vida de un proyecto de datos y las herramientas del ecosistema.

• Clase 1 Introducción a Data Science y casos de uso en la industria
• Clase 2 El proceso CRISP-DM: del problema al modelo
• Clase 3 Entorno de trabajo: Jupyter, VS Code, Git y buenas prácticas
• Clase 4 Ética de datos, privacidad y sesgos algorítmicos

Proyecto: Definir un caso de negocio y armar el dataset inicial del proyecto final.

Dominar Python como lenguaje principal para manipulación, análisis y automatización de datos.

• Clase 5 Sintaxis, tipos de datos, estructuras y funciones
• Clase 6 NumPy: arrays, operaciones vectorizadas y álgebra básica
• Clase 7 pandas I: Series, DataFrames, lectura de CSV/Excel/JSON
• Clase 8 pandas II: filtrado, groupby, merge y pivot tables
• Clase 9 Limpieza de datos: valores nulos, duplicados y outliers
• Clase 10 Automatización con scripts y manejo de errores

Proyecto: Pipeline de limpieza y transformación sobre un dataset de e-commerce.

Aplicar estadística descriptiva e inferencial para tomar decisiones basadas en evidencia.

• Clase 11 Estadística descriptiva: medidas de tendencia central y dispersión
• Clase 12 Distribuciones, probabilidad y teorema de Bayes
• Clase 13 Muestreo, intervalos de confianza y pruebas de hipótesis
• Clase 14 Correlación, causalidad y experimentos A/B
• Clase 15 Regresión lineal simple y múltiple con interpretación

Proyecto: Análisis estadístico de una campaña de marketing con conclusiones accionables.

Descubrir patrones, anomalías y relaciones en los datos mediante visualización efectiva.

• Clase 16 EDA sistemático: preguntas, hipótesis y validación
• Clase 17 Visualización con Matplotlib y Seaborn
• Clase 18 Feature engineering: variables categóricas, fechas y encoding
• Clase 19 SQL para extracción y agregación de datos
• Clase 20 Dashboards con Power BI / Streamlit

Proyecto: Dashboard interactivo con KPIs para un negocio real o simulado.

Construir, evaluar y optimizar modelos predictivos para clasificación y regresión.

• Clase 21 Introducción al ML: train/test split y métricas de evaluación
• Clase 22 Regresión: Linear, Ridge, Lasso y Random Forest
• Clase 23 Clasificación: Logistic Regression, SVM y árboles de decisión
• Clase 24 Ensemble methods: Bagging, Boosting (XGBoost)
• Clase 25 Validación cruzada, Grid Search y prevención de overfitting
• Clase 26 Interpretabilidad: feature importance y SHAP básico
• Clase 27 Despliegue de un modelo con pickle y API REST simple

Proyecto: Modelo de churn o scoring de crédito con reporte de métricas y recomendaciones.

Segmentar clientes, detectar anomalías y reducir dimensionalidad sin etiquetas.

• Clase 28 Clustering: K-Means, DBSCAN y evaluación de clusters
• Clase 29 PCA y reducción de dimensionalidad
• Clase 30 Detección de anomalías para fraude y calidad
• Clase 31 Sistemas de recomendación: filtrado colaborativo básico

Proyecto: Segmentación de clientes con perfilado y estrategia de negocio por cluster.

Introducir técnicas modernas para texto, pronósticos y automatización inteligente.

• Clase 32 NLP: tokenización, TF-IDF y análisis de sentimiento
• Clase 33 Introducción a embeddings y modelos de lenguaje (LLMs)
• Clase 34 Series temporales: tendencia, estacionalidad y ARIMA
• Clase 35 Forecasting con Prophet y evaluación de pronósticos
• Clase 36 Automatización de reportes y agentes de datos con IA

Proyecto: Clasificador de reviews o forecast de demanda con informe ejecutivo.

Consolidar todo el aprendizaje en un proyecto de portfolio y prepararte para entrevistas técnicas.

• Clase 37 Definición del problema y arquitectura de la solución
• Clase 38 Desarrollo del pipeline end-to-end (datos → modelo → visualización)
• Clase 39 Documentación, README profesional y GitHub portfolio
• Clase 40 Presentación de resultados: storytelling para stakeholders
• Clase 41 Simulacros de entrevista técnica y case studies
• Clase 42 Demo Day: presentación ante mentores y empresas aliadas

Proyecto final: Solución completa de Data Science publicada en GitHub con dashboard y modelo desplegado.