Analiza las técnicas más apropiadas para cada conjunto de datos, examinando los resultados obtenidos” 

Esta Experto universitario ha sido desarrollado con la intensión de brindarle a los ingenieros informáticos todos los conocimientos que necesitan para análisis los datos de una empresa. Esto es fundamental para el perfil de cualquier profesional que se dedique a este campo, ya que cada año, el volumen de la información aumenta, provocando que su análisis e interpretación se dificulte.  

Por ello, hay que capacitarse en un conocimiento especializado que permita la correcta gestión de los datos, enfocándose en todo momento en su tipología y ciclo de vida y aproximación practica a través de los recursos disponibles. En la ciencia de datos el conocimiento de la estadística es indispensable, de ahí la importancia de este módulo en el programa. 

Finalizando el programa, el ingeniero informático desarrollará una actitud crítica frente a las estrategias aplicadas, siendo capaz de discernir en cada caso la solución más apropiada y explicando de forma razonada los resultados obtenidos en las distintas métricas. 

Todo lo anterior se complementa con un programa 100% online, aportando la facilidad de poder cursarlo cómodamente, donde y cuando quiera. Solo necesitará un dispositivo con acceso a internet para lanzar su carrera un paso más allá. Una modalidad acorde al tiempo actual con todas las garantías para posicionar al ingeniero en un sector altamente demandado. 

Genera hipótesis que permitan resolver casos prácticos, validándolos a través de métricas de forma crítica y razonada” 

Esta Experto universitario en Análisis Exploratorio de Datos contiene el programa educativo más completo y actualizado del panorama universitario. Las características más destacadas de la capacitación son:

• El desarrollo de casos prácticos presentados por expertos en Ingeniería enfocada en el análisis del dato 
• Los contenidos gráficos, esquemáticos y eminentemente prácticos con los que está concebido recogen una información científica y práctica sobre aquellas disciplinas indispensables para el ejercicio profesional  
• Los ejercicios prácticos donde realizar el proceso de autoevaluación para mejorar el aprendizaje  
• Su especial hincapié en metodologías innovadoras   
• Las lecciones teóricas, preguntas al experto, foros de discusión de temas controvertidos y trabajos de reflexión individual  
• La disponibilidad de acceso a los contenidos desde cualquier dispositivo fijo o portátil con conexión a internet 

Analiza las diferentes herramientas software para graficado y análisis exploratorio de datos con un programa ideado de manera 100% online” 

El programa incluye, en su cuadro docente, a profesionales del sector que vierten en esta capacitación la experiencia de su trabajo, además de reconocidos especialistas de sociedades de referencia y universidades de prestigio.   

Su contenido multimedia, elaborado con la última tecnología educativa, permitirá al profesional un aprendizaje situado y contextual, es decir, un entorno simulado que proporcionará una capacitación inmersiva programada para entrenarse ante situaciones reales.   

El diseño de este programa se centra en el Aprendizaje Basado en Problemas, mediante el cual el profesional deberá tratar de resolver las distintas situaciones de práctica profesional que se le planteen a lo largo del curso académico. Para ello, contará con la ayuda de un novedoso sistema de vídeos interactivos realizados por reconocidos expertos.  

Produce información relevante, eficaz para la toma de decisiones, desarrollando un pensamiento crítico"

Desarrolla las habilidades para resolver casos prácticos haciendo uso de técnicas de ciencia de datos"

Comprender la enorme masa de información que se genera diariamente en una empresa, requiere de profesionales capacitados en las diferentes herramientas software para graficado y análisis exploratorio de datos. Por ello, el programa de esta Experto universitario guiará el aprendizaje de los estudiantes en este y otros puntos relaciónalos, los cuales le permitirán despertar su pensamiento crítico para tomar decisiones acordes a la situación que se presente en su ambiente laboral.  

Transforma los datos en información, añadiendo valor y propiciando la generación de conocimiento nuevo” 

Módulo 1. Gestión, manipulación de datos e información para ciencia de datos    

1.1. Estadística. Variables, índices y ratios  

1.1.1. La estadística 
1.1.2. Dimensiones estadísticas 
1.1.3. Variables, índices y ratios 

1.2. Tipología del dato 

1.2.1. Cualitativos 
1.2.2. Cuantitativos 
1.2.3. Caracterización y categorías 

1.3. Conocimiento de los datos a partir de medidas  

1.3.1. Medidas de centralización 
1.3.2. Medidas de dispersión
1.3.3. Correlación 

1.4. Conocimiento de los datos a partir de gráficos

1.4.1. Visualización según el tipo de dato 
1.4.2. Interpretación de información gráfica 
1.4.3. Customización de gráficos con R 

1.5. Probabilidad  

1.5.1. Probabilidad 
1.5.2. Función de probabilidad 
1.5.3. Distribuciones 

1.6. Recolección de datos 

1.6.1. Metodología de recolección 
1.6.2. Herramientas de recolección 
1.6.3. Canales de recolección 

1.7. Limpieza del dato 

1.7.1. Fases de la limpieza de datos 
1.7.2. Calidad del dato  
1.7.3. Manipulación de datos (con R) 

1.8. Análisis de datos, interpretación y valoración de resultados  

1.8.1. Medidas estadísticas 
1.8.2. Índices de relación 
1.8.3. Minería de datos 

1.9. Almacén del dato (Data warehouse) 

1.9.1. Elementos  
1.9.2. Diseño 

1.10. Disponibilidad del dato 

1.10.1. Acceso 
1.10.2. Utilidad 
1.10.3. Seguridad      

Módulo 2. Representación gráfica para análisis de datos        

2.1. Análisis exploratorio 

2.1.1. Representación para análisis de información
2.1.2. El valor de la representación gráfica
2.1.3. Nuevos paradigmas de la representación gráfica

2.2. Optimización para ciencia de datos 

2.2.1. La gama cromática y el diseño
2.2.2. La Gestalt en la representación gráfica
2.2.3. Errores a evitar y consejos  

2.3. Fuentes de datos básicos

2.3.1. Para representación de calidad
2.3.2. Para representación de cantidad
2.3.3. Para representación de tiempo

2.4. Fuentes de datos complejos

2.4.1. Archivos, listados y BBDD 
2.4.2. Datos abiertos
2.4.3. Datos de generación continua

2.5. Tipos de gráficas 

2.5.1. Representaciones básicas
2.5.2. Representación de bloques 
2.5.3. Representación para análisis de dispersión
2.5.4. Representaciones circulares
2.5.5. Representaciones burbujas
2.5.6. Representaciones geográficas 

2.6. Tipos de visualización

2.6.1. Comparativas y relacional
2.6.2. Distribución
2.6.3. Jerárquica

2.7. Diseño de informes con representación gráfica 

2.7.1. Aplicación de gráficas en informes de Marketing
2.7.2. Aplicación de gráficas en cuadros de mando y KPI´s
2.7.3. Aplicación de gráficas en planes estratégicos
2.7.4. Otros usos: ciencia, salud, negocio 

2.8. Narración gráfica

2.8.1. La narración gráfica
2.8.2. Evolución 
2.8.3. Utilidad

2.9. Herramientas orientadas a visualización 

2.9.1. Herramientas avanzadas
2.9.2. Software en línea
2.9.3. Open Source

2.10. Nuevas tecnologías en la visualización de datos 

2.10.1. Sistemas para virtualización de la realidad
2.10.2. Sistemas para aumento y mejora de la realidad
2.10.3. Sistemas inteligentes

Módulo 3. Herramientas de ciencia de datos            

3.1. Ciencia de datos

3.1.1. La ciencia de datos
3.1.2. Herramientas avanzadas para el científico de datos  

3.2. Datos, información y conocimiento

3.2.1. Datos, información y conocimiento 
3.2.2. Tipos de datos
3.2.3. Fuentes de datos

3.3. De los datos a la información 

3.3.1. Análisis de Datos
3.3.2. Tipos de análisis
3.3.3. Extracción de Información de un Dataset 

3.4. Extracción de información mediante visualización

3.4.1. La visualización como herramienta de análisis
3.4.2. Métodos de visualización 
3.4.3. Visualización de un conjunto de datos

3.5. Calidad de los datos

3.5.1. Datos de calidad
3.5.2. Limpieza de datos 
3.5.3. Preprocesamiento básico de datos

3.6. Dataset

3.6.1. Enriquecimiento del Dataset
3.6.2. La maldición de la dimensionalidad
3.6.3. Modificación de nuestro conjunto de datos

3.7. Desbalanceo 

3.7.1. Desbalanceo de clases
3.7.2. Técnicas de mitigación del desbalanceo
3.7.3. Balanceo de un Dataset

3.8. Modelos no supervisados 

3.8.1. Modelo no supervisado
3.8.2. Métodos
3.8.3. Clasificación con modelos no supervisados

3.9. Modelos supervisados

3.9.1. Modelo supervisado
3.9.2. Métodos
3.9.3. Clasificación con modelos supervisados

3.10. Herramientas y buenas prácticas

3.10.1. Buenas prácticas para un científico de datos
3.10.2. El mejor modelo 
3.10.3. Herramientas útiles

Genera hipótesis que permitan resolver casos prácticos, validándolos a través de métricas de forma crítica y razonada”