Python es reconocido por su capacidad de adaptación, siendo utilizado en aplicaciones, desde desarrollo web hasta Inteligencia Artificial. ¿A qué esperas para matricularte?” 

Python es un lenguaje de alto nivel de Programación, muy utilizado entre los informáticos, pues cuenta con una amplia gama de bibliotecas y marcos de trabajo que simplifican tareas comunes, permitiendo a los desarrolladores enfocarse en la lógica de sus aplicaciones en lugar de perder tiempo en detalles técnicos. Además, su versatilidad es otra de sus ventajas significativas, ya que se puede utilizar en una variedad de entornos, desde desarrollo web hasta análisis de datos y aprendizaje automático. 

Así nace este Máster de Formación Permanente en Desarrollo en Python, un programa que abarcará el manejo avanzado de datos y tipos en Python, explorando identificadores, palabras clave, tipos integrales y booleanos, así como el formateo avanzado de strings y codificaciones. Adicionalmente, se examinarán colecciones como tuplas, listas y diccionarios, junto con técnicas de iteración y funciones lambda, proporcionando una base sólida en los fundamentos del lenguaje. 

Asimismo, se profundizará en el desarrollo de aplicaciones en Python, haciendo énfasis en mejores prácticas y metodologías modernas. Desde la arquitectura de aplicaciones, hasta el despliegue y mantenimiento, se tocarán aspectos como el diseño y modelado avanzado, la gestión de dependencias, los patrones de diseño, testing y debugging, la optimización de rendimiento las y estrategias de despliegue y distribución. 

De igual forma, el informático ahondará en el desarrollo web y móvil con Python, cubriendo frameworks, como Django y Flask, así como el desarrollo de APIs y servicios web. Además, se enfocará en el diseño de interfaz y experiencia de usuario (UI/UX), desde el uso de herramientas de diseño, hasta la mejora de la accesibilidad y usabilidad. Finalmente, se abordará el manejo y análisis de datos, utilizando Python y herramientas como NumPy, Pandas y Matplotlib. 

Así, esta titulación se presenta como una oportunidad única, mediante una propuesta académica totalmente en línea y adaptable. Con este enfoque, los profesionales disfrutarán de una mayor libertad para gestionar su tiempo de acceso, permitiéndoles armonizar sus compromisos personales y laborales diarios.

Una capacitación integral y especializada en el Desarrollo en Python, que te prepararé para enfrentar desafíos reales en el mundo del desarrollo de Software”   

Este Máster de Formación Permanente en Desarrollo en Python contiene el programa educativo más completo y actualizado del mercado. Sus características más destacadas son: 

• El desarrollo de casos prácticos presentados por expertos en Desarrollo en Python 
• Los contenidos gráficos, esquemáticos y eminentemente prácticos con los que está concebido recogen una información teórica 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 

A través de este Máster de Formación Permanente, 100% online, profundizarás en el diseño Frontend y Backend, la gestión de bases de datos y las estrategias de publicación en tiendas de aplicaciones”   

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 vídeo interactivo realizado por reconocidos expertos.   

Cubrirás, desde loa fundamentos como variables y tipos de datos, hasta las técnicas más avanzadas de visualización de datos y estrategias de optimización de rendimiento y almacenamiento. ¡Inscríbete ahora!"

Indagarás en la Programación Orientada a Objetos (POO), además de en temas como clases, herencia, polimorfismo, creación de clases abstractas y excepciones personalizadas"

El temario ha sido meticulosamente diseñado para ofrecer una experiencia integral para los egresados. Desde la inmersión profunda en la sintaxis y funcionalidades avanzadas de Python, hasta la especialización en Programación Orientada a Objetos (POO), diseño de aplicaciones web y móviles, y el manejo experto de datos con bibliotecas como NumPy y Pandas, cada módulo estará cuidadosamente estructurado para proporcionar conocimientos sólidos y habilidades prácticas. Además, se indagará temas cruciales, como el diseño de interfaces de usuario y experiencia de usuario (UI/UX), el manejo avanzado de datos y la optimización de rendimiento y almacenamiento. 

No solo adquirirás un dominio completo en Python, sino que también te prepararás para enfrentar con confianza los desafíos dinámicos y de la industria tecnológica”  

Módulo 1. Programación en Python

1.1. Creación y ejecución de programas en Python

1.1.1. Configuración del entorno de desarrollo
1.1.2. Ejecución scripts en Python
1.1.3. Herramientas de Desarrollo Integrado (IDEs)

1.2. Datos en Python

1.2.1. Tipos primitivos (int, float, str)
1.2.2. Conversión y casting de tipos de datos en Python
1.2.3. Inmutabilidad y almacenamiento de datos en Python

1.3. Referencias a objetos en Python

1.3.1. Referencias en memoria
1.3.2. Identidad vs. igualdad
1.3.3. Gestión de referencias y recolección de basura

1.4. Datos de colección en Python

1.4.1. Listas y operaciones comunes
1.4.2. Tuplas y su inmutabilidad
1.4.3. Diccionarios y acceso a datos

1.5. Operaciones lógicas en Python

1.5.1. Operadores booleanos
1.5.2. Expresiones condicionales
1.5.3. Short-Circuit Evaluation

1.6. Operadores aritméticos en Python

1.6.1. Operaciones aritméticas en Python
1.6.2. Operadores de división
1.6.3. Precedencia y asociatividad

1.7. Entrada/salida en Python

1.7.1. Lectura de datos desde la entrada estándar
1.7.2. Escritura de datos a la salida estándar
1.7.3. Manejo de archivos

1.8. Creación y llamada de funciones en Python

1.8.1. Sintaxis de funciones
1.8.2. Parámetros y argumentos
1.8.3. Valores de retorno y funciones anónimas

1.9. Uso de strings en Python

1.9.1. Manipulación y formateo de strings
1.9.2. Métodos comunes de strings
1.9.3. Interpolación y F-strings

1.10. Gestión de errores y excepciones en Python

1.10.1. Tipos comunes de excepciones
1.10.2. Bloques try-except
1.10.3. Creación de excepciones personalizadas

Módulo 2. Datos avanzados y control del flujo con Python

2.1. Identificadores y palabras clave en Python

2.1.1. Reglas para nombres de variables
2.1.2. Palabras reservadas en Python
2.1.3. Convenciones de nomenclatura

2.2. Tipos integrales y booleanos en Python

2.2.1. Tipos integrales
2.2.2. Operaciones específicas de booleanos
2.2.3. Conversiones y representaciones

2.3. Tipos de punto flotante y números complejos en Python

2.3.1. Precisión y representación
2.3.2. Operaciones con punto flotante
2.3.3. Uso de números complejos en cálculos

2.4. Formateo de strings y codificaciones en Python

2.4.1. Métodos avanzados de formateo
2.4.2. Codificaciones Unicode y UTF-8
2.4.3. Trabajo con caracteres especiales

2.5. Colecciones: Tuplas, Listas y Diccionarios en Python

2.5.1. Comparación y contraste entre tipos
2.5.2. Métodos específicos de cada tipo
2.5.3. Eficiencia y selección de tipo adecuado

2.6. Sets y Frozen Sets en Python

2.6.1. Creación y operaciones en Sets
2.6.2. Frozen Sets
2.6.3. Aplicaciones prácticas y rendimiento

2.7. Iteración y copiado de colecciones en Python

2.7.1. Bucles for y comprensiones de lista
2.7.2. Copia superficial vs. profunda
2.7.3. Iteradores y generadores

2.8. Uso de funciones Lambda en Python

2.8.1. Sintaxis y creación de funciones Lambda
2.8.2. Aplicaciones en filtros y mapas
2.8.3. Limitaciones y buenas prácticas

2.9. Estructuras de control: Condicionales y bucles en Python

2.9.1. Estructuras if-else y elif
2.9.2. Bucles while y for
2.9.3. Control de flujo con break, continue y else

2.10. Funciones y métodos avanzados en Python

2.10.1. Funciones recursivas
2.10.2. Funciones de orden superior
2.10.3. Decoradores de funciones

Módulo 3. Programación Orientada a Objetos (POO) en Python

3.1. Programación Orientada a Objetos (POO) en Python

3.1.1. Clases y objetos
3.1.2. Encapsulación y abstracción
3.1.3. Programación Orientada a Objetos (POO)en Python

3.2. Creación de clases y objetos en Python

3.2.1. Clases en POO en Python
3.2.2. Instanciación y métodos de inicialización
3.2.3. Atributos y métodos

3.3. Atributos y métodos en Python

3.3.1. Atributos de instancia vs. Clase
3.3.2. Métodos de instancia, clase y estáticos
3.3.3. Encapsulación y ocultamiento de información

3.4. Herencia y polimorfismo en Python

3.4.1. Herencia simple y múltiple
3.4.2. Sobreescritura y extensión de métodos
3.4.3. Polimorfismo y Duck Typing

3.5. Propiedades y acceso a atributos en Python

3.5.1. Getters y Setters
3.5.2. Decorador @property
3.5.3. Control de acceso y validación

3.6. Clases y colecciones personalizadas en Python

3.6.1. Creación de tipos de colección
3.6.2. Métodos especiales (__len__, __getitem_,)
3.6.3. Iteradores personalizados

3.7. Agregación y composición en clases en Python

3.7.1. Relaciones entre clases
3.7.2. Agregación vs composición
3.7.3. Gestión del ciclo de vida de objetos

3.8. Uso de decoradores en clases en Python

3.8.1. Decoradores para métodos
3.8.2. Decoradores de clases
3.8.3. Aplicaciones y casos de uso

3.9. Clases abstractas y métodos en Python

3.9.1. Clases abstractas
3.9.2. Métodos abstractos e implementación
3.9.3. Uso de ABC (Abstract Base Class)

3.10. Excepciones y manejo de errores en POO en Python

3.10.1. Excepciones personalizadas en clases
3.10.2. Manejo de excepciones en métodos
3.10.3. Buenas prácticas en excepciones y POO

Módulo 4. Desarrollo de aplicaciones en Python

4.1. Arquitectura de aplicaciones en Python

4.1.1. Diseño de Software
4.1.2. Patrones arquitectónicos comunes
4.1.3. Evaluación de requerimientos y necesidades

4.2. Diseño y modelado de aplicaciones en Python

4.2.1. Uso de UML y diagramas
4.2.2. Modelado de datos y flujo de información
4.2.3. Principios SOLID y diseño modular

4.3. Gestión de dependencias y librerías en Python

4.3.1. Manejo de paquetes con Pip
4.3.2. Uso de entornos virtuales
4.3.3. Resolución de conflictos de dependencias

4.4. Patrones de diseño en desarrollo en Python

4.4.1. Patrones creacionales, estructurales y de comportamiento
4.4.2. Aplicación práctica de patrones
4.4.3. Refactorización y patrones

4.5. Pruebas y Debugging en aplicaciones en Python

4.5.1. Estrategias de Testing (Unitario, Integración)
4.5.2. Uso de Frameworks de pruebas
4.5.3. Técnicas de Debugging y herramientas

4.6. Seguridad y autenticación en Python

4.6.1. Seguridad en aplicaciones
4.6.2. Implementación de autenticación y autorización
4.6.3. Prevención de vulnerabilidades

4.7. Optimización y rendimiento de aplicaciones en Python

4.7.1. Análisis de rendimiento
4.7.2. Técnicas de optimización de código
4.7.3. Manejo eficiente de recursos y datos

4.8. Despliegue y distribución de aplicaciones en Python

4.8.1. Estrategias de despliegue
4.8.2. Uso de contenedores y orquestadores
4.8.3. Distribución y actualizaciones continuas

4.9. Mantenimiento y actualización en Python

4.9.1. Gestión del ciclo de vida del Software
4.9.2. Estrategias de mantenimiento y refactorización
4.9.3. Actualización y migración de sistemas

4.10. Documentación y soporte técnico en Python

4.10.1. Creación de documentación efectiva
4.10.2. Herramientas para la documentación
4.10.3. Estrategias de soporte y comunicación con usuarios

Módulo 5. Desarrollo web y móvil con Python

5.1. Desarrollo web con Python

5.1.1. Estructura y componentes de una web
5.1.2. Tecnologías en desarrollo web
5.1.3. Tendencias en desarrollo web

5.2. Frameworks web populares con Python

5.2.1. Django, Flask y otras opciones
5.2.2. Comparativa y selección de Frameworks
5.2.3. Integración con Frontend

5.3. Desarrollo Frontend: HTML, CSS y JavaScript con Python

5.3.1. HTML y CSS
5.3.2. JavaScript y manipulación del DOM
5.3.3. Frameworks y librerías Frontend

5.4. Backend y bases de datos con Python

5.4.1. Desarrollo Backend con Python
5.4.2. Gestión de bases de datos relacionales y no relacionales
5.4.3. Integración Backend-Frontend

5.5. APIs y servicios web con Python

5.5.1. Diseño de APIs RESTful
5.5.2. Implementación y documentación de APIs
5.5.3. Consumo y seguridad en APIs

5.6. Desarrollo móvil con Python

5.6.1. Plataformas de desarrollo móvil (Nativas, Híbridas)
5.6.2. Herramientas y entornos de desarrollo
5.6.3. Adaptación de aplicaciones para dispositivos móviles

5.7. Plataformas de desarrollo móvil con Python

5.7.1. Android y IOS
5.7.2. Frameworks para desarrollo cruzado
5.7.3. Pruebas y Deployment en dispositivos móviles

5.8. Diseño y UX en aplicaciones móviles con Python

5.8.1. Diseño de interfaces móviles
5.8.2. Usabilidad y experiencia de usuario con Python
5.8.3. Herramientas de prototipado y diseño

5.9. Pruebas y depuración en móviles con Python

5.9.1. Estrategias de Testing en dispositivos móviles
5.9.2. Herramientas de depuración y monitoreo
5.9.3. Automatización de pruebas

5.10. Publicación en tiendas de aplicaciones con Python

5.10.1. Proceso de publicación en App Store y Google Play
5.10.2. Cumplimiento y políticas de las aplicaciones
5.10.3. Estrategias de Marketing y promoción

Módulo 6. Interfaz y experiencia de usuario con Python

6.1. Diseño de interfaz de usuario con Python

6.1.1. Diseño UI con Python
6.1.2. Interacción usuario-computadora con Python
6.1.3. Diseño centrado en el usuario con Python

6.2. Herramientas de diseño UI/UX con Python

6.2.1. Software de diseño y prototipado
6.2.2. Herramientas de colaboración y Feedback
6.2.3. Integración de diseño en el proceso de desarrollo

6.3. Diseño responsivo y adaptativo con Python

6.3.1. Técnicas de diseño responsivo
6.3.2. Adaptación a diferentes dispositivos y pantallas
6.3.3. Testing y aseguramiento de la calidad

6.4. Animaciones y transiciones con Python

6.4.1. Creación de animaciones efectivas con Python
6.4.2. Herramientas y librerías para animaciones
6.4.3. Impacto en la UX y rendimiento

6.5. Accesibilidad y usabilidad con Python

6.5.1. Accesibilidad web
6.5.2. Herramientas y técnicas de evaluación
6.5.3. Implementación de mejores prácticas

6.6. Prototipado y Wireframes con Python

6.6.1. Creación de Wireframes y Mockups
6.6.2. Herramientas de prototipado rápido
6.6.3. Tests de usabilidad y Feedback

6.7. Pruebas de usabilidad con Python

6.7.1. Métodos y técnicas de testeo de usabilidad
6.7.2. Análisis y mejoras basados en resultados
6.7.3. Herramientas para pruebas de usabilidad

6.8. Análisis de comportamiento del usuario con Python

6.8.1. Técnicas de análisis y Tracking
6.8.2. Interpretación de datos y métricas
6.8.3. Mejora continua basada en datos

6.9. Mejoras basadas en Feedback con Python

6.9.1. Gestión y análisis de Feedback
6.9.2. Ciclos de Feedback y mejora continua
6.9.3. Estrategias para implementar cambios efectivos

6.10. Tendencias futuras en UI/UX con Python

6.10.1. Innovaciones y tendencias emergentes
6.10.2. Impacto de nuevas tecnologías en UI/UX
6.10.3. Preparación para el futuro del diseño

Módulo 7. Procesamiento de datos y Big Data con Python

7.1. Uso de Python en datos

7.1.1. Python en ciencia de datos y análisis
7.1.2. Bibliotecas esenciales para datos
7.1.3. Aplicaciones y ejemplos

7.2. Configuración del entorno de desarrollo con Python

7.2.1. Instalación de Python y herramientas
7.2.2. Configuración de entornos virtuales
7.2.3. Herramientas de Desarrollo Integrado (IDE)

7.3. Variables, tipos de datos y operadores en Python

7.3.1. Variables y tipos de datos primitivos
7.3.2. Estructuras de datos
7.3.3. Operadores aritméticos y lógicos

7.4. Control de Flujo: Condicionales y bucles

7.4.1. Estructuras de control condicionales (if, else, elif)
7.4.2. Bucles (for, while) y control de flujo
7.4.3. Comprensiones de lista y expresiones generadoras

7.5. Funciones y modularidad con Python

7.5.1. Uso de funciones
7.5.2. Parámetros, argumentos y valores de retorno
7.5.3. Modularidad y reutilización de código

7.6. Manejo de errores y excepciones con Python

7.6.1. errores y excepciones
7.6.2. Manejo de excepciones con try-except
7.6.3. Creación de excepciones personalizadas

7.7. Herramienta IPython

7.7.1. Herramienta IPython
7.7.2. Uso de IPython para análisis de datos
7.7.3. Diferencias con el intérprete estándar de Python

7.8. Jupyter Notebooks

7.8.1. Jupyter Notebooks
7.8.2. Uso de cuadernos para análisis de datos
7.8.3. Publicación de cuadernos Jupyter

7.9. Mejores prácticas de codificación en Python

7.9.1. Estilo y convenciones (PEP 8)
7.9.2. Documentación y comentarios
7.9.3. Estrategias de pruebas y depuración

7.10. Recursos y comunidades de Python

7.10.1. Recursos en línea y documentación
7.10.2. Comunidades y foros
7.10.3. Aprendizaje y actualización en Python

Módulo 8. Estructuras de datos y funciones en Python

8.1. Conjuntos en Python

8.1.1. Operaciones y métodos
8.1.2. Diferencias y aplicación práctica
8.1.3. Iteración y comprensiones

8.2. Diccionarios y su uso en Python

8.2.1. Creación y manipulación de diccionarios
8.2.2. Acceso y gestión de datos
8.2.3. Patrones y técnicas avanzadas

8.3. Comprensiones de listas y diccionarios en Python

8.3.1. Sintaxis y ejemplos
8.3.2. Eficiencia y legibilidad
8.3.3. Aplicaciones prácticas

8.4. Funciones en datos en Python

8.4.1. Creación de funciones
8.4.2. Ámbito y espacio de nombres
8.4.3. Funciones anónimas y Lambda

8.5. Argumentos de funciones y retorno de valores en Python

8.5.1. Argumentos posicionales y nombrados
8.5.2. Valores de retorno múltiples
8.5.3. Argumentos variables y palabras clave

8.6. Funciones Lambda y funciones de orden superior en Python

8.6.1. Uso de funciones Lambda
8.6.2. Funciones Map, Filter y Reduce
8.6.3. Aplicaciones en procesamiento de datos

8.7. Manejo de archivos en Python

8.7.1. Lectura y escritura de archivos
8.7.2. Manejo de archivos binarios y de texto
8.7.3. Buenas prácticas y manejo de excepciones

8.8. Lectura y escritura de archivos de texto y binarios en Python

8.8.1. Formatos de archivo y codificación
8.8.2. Manejo de archivos grandes
8.8.3. Serialización y deserialización (JSON, pickle)

8.9. Contextos y operaciones con archivos

8.9.1. Uso del administrador de contexto (with)
8.9.2. Técnicas de procesamiento de archivos
8.9.3. Seguridad y manejo de errores

8.10. Bibliotecas de modelado en Python

8.10.1. Scikit-learn
8.10.2. TensorFlow
8.10.3. PyTorch

Módulo 9. Manejo de datos en Python con NumPy y Pandas

9.1. Creación y manipulación de Arrays en NumPy

9.1.1. NumPy
9.1.2. Operaciones básicas con Arrays
9.1.3. Manipulación y transformación de Arrays

9.2. Operaciones vectorizadas con Arrays

9.2.1. Vectorización
9.2.2. Funciones universales (ufunc)
9.2.3. Eficiencia y rendimiento

9.3. Indexación y segmentación en NumPy

9.3.1. Acceso a elementos y Slicing
9.3.2. Indexación avanzada y booleana
9.3.3. Reordenamiento y selección

9.4. Pandas series y DataFrames

9.4.1. Pandas
9.4.2. Estructuras de datos en Pandas
9.4.3. Manipulación de DataFrames

9.5. Indexación y selección en Pandas

9.5.1. Acceso a datos en series y DataFrames
9.5.2. Métodos de selección y filtrado
9.5.3. Uso de loc e iloc

9.6. Operaciones con Pandas

9.6.1. Operaciones aritméticas y alineación
9.6.2. Funciones de agregación y estadísticas
9.6.3. Transformaciones y aplicación de funciones

9.7. Manejo de datos incompletos en Pandas

9.7.1. Detección y manejo de valores nulos
9.7.2. Llenado y eliminación de datos incompletos
9.7.3. Estrategias para el manejo de datos incompletos

9.8. Funciones y aplicaciones en Pandas

9.8.1. Concatenación y fusión de datos
9.8.2. Agrupación y agregación (groupby)
9.8.3. Pivot Tables y Crosstabs

9.9. Visualización con Matplotlib

9.9.1. Matplotlib
9.9.2. Creación de gráficos y personalización
9.9.3. Integración con Pandas

9.10. Personalización de gráficos en Matplotlib

9.10.1. Estilos y configuraciones
9.10.2. Gráficos avanzados (scatter, bar, etc.)
9.10.3. Creación de visualizaciones complejas

Módulo 10. Técnicas avanzadas y aplicaciones prácticas en NumPy y Pandas

10.1. Carga de datos desde diferentes fuentes

10.1.1. Importación desde CSV, Excel y bases de datos
10.1.2. Lectura de datos de APIs y web
10.1.3. Estrategias de manejo de datos grandes

10.2. Almacenamiento de datos en Python

10.2.1. Exportación a diferentes formatos
10.2.2. Eficiencia en almacenamiento
10.2.3. Seguridad y privacidad de datos

10.3. Estrategias de limpieza de datos en Python

10.3.1. Identificación y corrección de inconsistencias
10.3.2. Normalización y transformación de datos
10.3.3. Automatización de procesos de limpieza

10.4. Transformación avanzada de datos en Pandas

10.4.1. Técnicas de manipulación y transformación
10.4.2. Combinación y reestructuración de DataFrames
10.4.3. Uso de expresiones regulares en Pandas

10.5. Combinación de DataFrames en Pandas

10.5.1. Merge, Join y concatenación
10.5.2. Manejo de conflictos y claves
10.5.3. Estrategias de combinación eficiente

10.6. Transformación avanzada y pivotado de datos en Pandas

10.6.1. Pivot y Melt
10.6.2. Técnicas de Reshape y transposición
10.6.3. Aplicaciones en análisis de datos

10.7. Series temporales en Pandas

10.7.1. Manejo de fechas y tiempos
10.7.2. Resampling y Window Functions
10.7.3. Análisis de tendencias y estacionalidad

10.8. Manejo avanzado de índices en Pandas

10.8.1. Índices multinivel y jerárquicos
10.8.2. Selección y manipulación avanzada
10.8.3. Optimización de consultas

10.9. Estrategias de optimización de rendimiento

10.9.1. Mejoras en velocidad y eficiencia
10.9.2. Uso de Cython y Numba
10.9.3. Paralelización y procesamiento distribuido

10.10. Proyectos prácticos de manipulación de datos

10.10.1. Desarrollo de ejemplos de uso reales
10.10.2. Integración de técnicas de Python
10.10.3. Estrategias para la solución de problemas de datos complejos

Este innovador programa se adaptará a ti para que te mantengas al día con las últimas tendencias y tecnologías, garantizándote estar a la vanguardia de la innovación en el desarrollo de Software”