Ciencia de
DATOS

Conocer y aplicar los elementos básicos de Estadística Descriptiva y Estadística Inferencial, en la extracción de información significativa de los datos disponibles, identificando variables y sus posibles relaciones o tendencias que permitan tomar decisiones con un nivel de confianza aceptable.

1. Introducción: Estadística y Ciencia de Datos
   • Ramas de la Estadística
   • Software R
2. Estadística Descriptiva
   • Recopilación y procesamiento de datos.
   • Tipos de datos
   • Tipos de medidas (tendencia central, dispersión, posición, sesgo, curtosis).
   • Gráficos
3. Fundamentos de probabilidad
   • Teoría de Probabilidad
   • Distribuciones de Probabilidad
4. Estadística Inferencial
   • Distribuciones muestrales.
   • Estimación.
   • Prueba de Hipótesis.
5. Regresión
   • Regresión lineal simple y múltiple.
   • Otros modelos de regresión.
6. Series de Tiempo
   • Descomposición de series de tiempo.
   • Modelos de pronósticos.

Identificar los principales componentes de una base de datos para analizar información en modelos estándares para instrumentar esquemas de formato, acceso y búsqueda.

1. Introducción
   • Conceptos básicos
   • Objetivo de la base de datos
   • Modelos de base de datos
   • Clasificación de base de datos
2. Exploración de datos.
   • Recuperación de datos
   • Expresiones Aritméticas
   • Operadores
3. Restriccion y ordenamiento de datos
   • Restringir datos
   • Ordernar datos
4. Funciones
   • Funciones para un solo dato
   • Funciones para multiples datos
   • Fechas
5. Agrupamiento de datos
   • Funciones de grupo
   • Restringir agrupamientos

Conocer los fundamentos del lenguaje de programación Python a través de la codificación de programas sobre el ambiente de programación con Notebooks, esto para cumplir con los requerimientos necesarios en la aplicación de la Ciencia de Datos.

1. Introducción y conceptos básicos
   • Introducción a la programación.
   • Introducción a Python.
   • Instalación del entorno de trabajo.
   • Variables.
   • Operadores matemáticos, lógicos y de comparación.
   • Tipos de datos y conversión de tipos.
   • Creación y uso de notebooks.
2. Estructuras de control de flujo
   • Condicionales.
   • Ciclos e iteradores.
   • Funciones.
3. Estructuras de datos
   • Colecciones.
   • Listas.
   • Tuplas.
   • Conjuntos.
   • Cadenas de caracteres.
   • Diccionarios.
   • Lectura y escritura de archivos

Conocer las librerías especializadas más comunes para el análisis y visualización de datos al implementar aplicaciones de Ciencia de Datos, sobre el ambiente de programación notebook.

1. Manipulación de datos con Pandas
   • DataFrames
   • Selección de datos en DataFrames
   • Filtros en DataFrames
   • Agrupaciones de datos
2. Introducción a NumPy
   • Arreglos en NumPy
   • Funciones universales
   • Agregaciones
   • Comparaciones y máscaras
   • Indexaciones en NumPy
   • Datos estructurados
3. Visualización con Matplotlib
   • Diagramas de barras
   • Histogramas
   • Diagramas de caja
   • Diagramas de dispersión
   • Diagramas de contorno
   • Mapas de color

Comprender y utilizar a nivel introductorio los modelos de aprendizaje automático incluidos en la librería Scikit-learn de Python identificando tareas básicas y la orientación de los modelos hacía aplicaciones específicas.

1. Introducción al aprendizaje automático y a Scikit-learn.
   • ¿Qué es al aprendizaje automático?
   • Tipos de aprendizaje
   • Tareas de aprendizaje.
   • Librería Scikit-learn
2. Aprendizaje supervisado
   • Regresión Polinomial
   • Regresión Logística.
   • Clasificación
3. Aprendizaje no supervisado
   • Agrupamiento
   • Reducción dimensional
4. Redes neuronales
   • Perceptrón
   • Estructura de redes neuronales