Especialización en Análisis Exploratorio de Datos

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