Vicerrectoría Académica

Profesionales y cualquier persona interesada en desarrollar competencias técnicas y estratégicas para transformar datos en decisiones de impacto organizacional.

Desarrollar competencias técnicas y estratégicas para transformar datos en decisiones de impacto organizacional.

Metodología teórico-práctica con énfasis en el desarrollo de competencias, incluyendo el uso de herramientas de análisis y modelado como Python, Power BI y técnicas de Machine Learning.

Diplomado 100% virtual, haciendo uso de Moodle, repositorio GitHub oficial y cargue de información a Google Drive.

01 Ciencia de Datos y Contexto Organizacional (30 horas):

1. Ciencia de Datos en las organizaciones
2. Ciclo de vida de la ciencia de datos
3. Modelo CRISP-DM aplicado al contexto organizacional
4. Gobernanza de datos y roles organizacionales
5. Activos de información

02 Preparación, Arquitectura y Gestión de Datos (30 horas):

1. Introducción al proceso ETL (Extract, Transform, Load)
2. Extracción de datos
3. Transformación de datos
4. Carga de datos y persistencia
5. Arquitecturas de datos: Data Warehouse
6. Arquitecturas de datos: Data Lake
7. Evolución hacia el Data Lakehouse
8. Fundamentos de Python para ciencia de datos
9. Estructuras de datos en Python
10. Librerías principales para análisis de datos
11.  Limpieza, organización y transformación de datos en Python
    

03 Análisis Exploratorio y Visualización de Datos (30 horas):

1. Introducción al Análisis Exploratorio de Datos (EDA)
2. Estadística descriptiva aplicada
3. Distribuciones y análisis univariado
4. Análisis bivariado y multivariado
5. Correlaciones y relaciones entre variables
6. Visualización de datos para exploración
7. Introducción al análisis de hipótesis
8. Reducción de dimensionalidad y detección de patrones
9. EDA con Python
10. Visualización y análisis descriptivo con Power BI
11. Integración EDA – toma de decisiones

04 Modelado Analítico, Machine Learning y Deep Learning (30 horas):

1. Introducción al modelado en ciencia de datos
2. Aprendizaje supervisado
3. Modelos supervisados clásicos
4. Aprendizaje no supervisado
5. Modelos no supervisados
6. Preparación de datos para modelado
7. Entrenamiento, validación y prueba de modelos
8. Métricas de evaluación de modelos
9. Introducción a redes neuronales
10. Fundamentos de Deep Learning
11. Implementación práctica con Python
12. Interpretabilidad y uso responsable de modelos

Docentes

• M.Sc. Andrés Felipe Flórez Olivera (Gestor)
• M.Sc. Juan Felipe Contreras
• M.Sc. Alex Mauricio Rodríguez