PROGRAMA INTEGRAL DE CIENCIA DE DATOS CON PYTHON

Fecha de Inicio: 6 de marzo de 2026 (5 viernes, 12 sábados)

Duración: 85 Horas / ML: Otorga 20 HECSE CONAC

Modalidades: Live Stream / Presencial C. de México

Inversión: $12,799.00 + I.V.A. / $14,799.00 + I.V.A.

Promoción: Hasta 20% de Descuento

MÓDULO I: PYTHON BÁSICO

• Introducción a Python
  
  • Introducción: AnacondaPrompt y Jupyter Notebook
  • Tipos de Datos
  • Estructuras de Datos: Listas, Tuplas y Diccionarios
  • Flujos de Control: If-Else, For, While
  • Definición y Uso de Librerías
• Manejo y Visualización de Datos con Python
• Lectura y Escritura de Archivos con PANDAS
  
  • Manipulación de Bases con PANDAS
  • Visualización de Datos con SEABORN
  • Creación de Funciones

MÓDULO II: ANÁLISIS DE DATOS CON PYTHON

• Limpieza de Datos
  
  • Manejo de Fechas y Horas
  • Funciones para Manejo de Texto
  • Manejo de Datos Faltantes
  • Detección de Outliers
• Análisis Bivariados
  
  • Índices, Pruebas y Métodos de Correlación para Variables Continuas
  • Índices, Pruebas y Métodos de Correlación para Variables Discretas

MÓDULO III: MACHINE LEARNING CON PYTHON

• Modelos Supervisados
  
  • Algoritmos de ML
  • Regresión Lineal, Regresión Logística y Stochastic Gradient Descent
  • Regresión con Árboles de Decisión y Bosques Aleatorios
  • Clasificación con Árboles de Decisión y Bosques Aleatorios
  • K-Nearest-Neighbor (KNN)
  • Support Vector Machine
• Modelos No Supervisados
  
  • Hierarchical Clustering
  • K-Means
  • Principal Component Analysis
• Optimización de Parámetros

MÓDULO IV: REDES NEURONALES CON TENSORFLOW Y KERAS
INTRODUCCION A KERAS Y TF

• Introducción a Keras y TF
  
  • Redes Neuronales
  • Tensorflow y Keras
  • Tipos de Capas Básicas
  • Regresión Lineal con Redes Neuronales
  • Regresión Logística con Redes Neuronales
• Redes Neuronales Convolucionales
  
  • Como Interpreta una Computadora las Imágenes
  • Capas Convolucionales
  • Capas MaxPooling
  • Técnicas de Aumento de Datos
  • Predicción de Números por sus Imágenes
• Redes Neuronales Recurrentes
  
  • Redes Recurrentes
  • Capas LSTM
  • Predicción del Clima
  • Predicción del Precio de una Acción
• Autoencoders
  
  • Autoencoders
  • Varational Autoencoders
  • Detección de Fraudes
  • Visualización del DataSet de Números
• Transfer Learning

Emmanuel Valadez

Actuario, estudia la maestría de Ciencia de Datos (University of Adelaide), tiene las Certificaciones SOA: Probability (P) / Financial Mathematics (FM) / Statistics for Risk Models (SRM). Hizo una Pasantía Internacional en Matemáticas con Ciencias Actuariales: Universidad de Southampton, Cuenta con experiencia en Riesgos Financieros, principlamente riesgo de crédito y requerimientos de capital.

Andrés Octavio

Actuario, científico de datos en BBVA: forma parte de un grupo de Científicos de Datos en el área de ingeniería con tareas de desarrollar modelos predictivos para las diferentes Subdirecciones. Trabaja y explota la volumetría de las bases con Spark y modelos en Pyspark, Python y R (Árboles y Bosques de decisión, regresión logística, Perceptrón Multicapa, Cluster y Análisis de componentes principales, entre otros). Cuenta con amplia experiencia docente, dirigiendo cursos exitosamente en RHCECAM División Capacitación.