Diplomatura en Data Analytics con R y Python

Aprende a analizar datos, programar en R y Python, optimizar la eficiencia operativa de las organizaciones y tomar decisiones estratégicas, incorporando técnicas avanzadas de Data Analytics para lograr un crecimiento rentable y sostenible.
🟢 Inscripción abierta

Inscripción + Cuota 1

$ 278.046

+5 pagos mensuales de $ 194.098

También podés optar por:

Abono total tarjeta en 6 c/sint. de $ 166.394

Abono total transf.: $ 798.690 Ahorrás un 20%

Duración
7 meses
Dedicación
4 a 6 hs semanales
Clases en vivo
Semanales por Zoom
Dificultad
Principiante
Requisitos previos
Ninguno
Programa

Explorá todo el trayecto de aprendizaje

Descargar programa
Módulo 1: Definición de Conceptos
  • Unidad 1 Introducción a la Ciencia de Datos
  • Unidad 2 Niveles a los que Opera la Ciencia de Datos
  • Unidad 3 Introducción a Data Warehouse
  • Unidad 4 Introducción a Data Mining
  • Unidad 5 Introducción a Knowledge Discovery
  • Unidad 6 Introducción a Herramientas OLAP y Tableros de Comando
  • Unidad 7 Repaso de Herramientas Disponibles
  • Unidad 8 Taxonomía de las Competencias de un Científico de Datos
  • Unidad 9 Primeros Pasos en R
  • Unidad 10 Instalando y Cargando Paquetes en R
Módulo 2: Introducción a R
  • Unidad 1 Variables, Vectores y Matrices
  • Unidad 2 Dataframes
  • Unidad 3 Paquetes y Librerías
  • Unidad 4 Manejo de Archivos csv
  • Unidad 5 Conversiones de Tipos
  • Unidad 6 Conexión a Bases de Datos
  • Unidad 7 Ejecución Condicional
  • Unidad 8 Bucles
  • Unidad 9 Funciones en R
  • Unidad 10 Medidas Estadísticas
  • Unidad 11 Correlaciones
  • Unidad 12 Funciones Estadísticas
Módulo 3: Introducción a Python
  • Unidad 1 Descarga e Instalación
  • Unidad 2 Principales Librerías
  • Unidad 3 Variables y Tipos de Datos
  • Unidad 4 Listas, Tuplas y Diccionarios
  • Unidad 5 Ejecución Condicional
  • Unidad 6 Ciclos Definidos e Indefinidos
  • Unidad 7 Manejo de Excepciones
  • Unidad 8 Funciones y Generadores
  • Unidad 9 Clases y Objetos
  • Unidad 10 Manejo de Archivos y Directorios
  • Unidad 11 Conexión a Archivos Planos
  • Unidad 12 Conexión a Excel
  • Unidad 13 Conexión a Bases de Datos
Módulo 4: Repaso de Probabilidad y Estadística
  • Unidad 1 Repaso de Conceptos de Probabilidad y Estadística
  • Unidad 2 Test de Hipótesis
  • Unidad 3 Correlaciones
  • Unidad 4 AB Test
Módulo 5: Arboles de Decisión
  • Unidad 1 Algoritmo Básico en Excel
  • Unidad 2 División en Entrenamiento y Prueba
  • Unidad 3 Uso de Rpart y Cp
  • Unidad 4 Predicción y Valoración de la Solución
  • Unidad 5 Uso de Party
  • Unidad 6 Aplicación al Problema del Call Center
  • Unidad 7 Instalación y Uso del Paquete en Python
  • Unidad 8 Ejemplo en Python
  • Unidad 9 Principales Parámetros de Ajuste y Control
Módulo 6: Clusters
  • Unidad 1 Algoritmo Básico en Excel
  • Unidad 2 Uso de Kmeans en R
  • Unidad 3 Ejemplo de Aplicación Real en R
  • Unidad 4 Otros Algoritmos de Agrupamiento en R
  • Unidad 5 Ejercicio de Aplicación de Agrupamiento de Mascotas
  • Unidad 6 Uso de Scikit-learn en Python
  • Unidad 7 Análisis de Componentes Principales en Python
  • Unidad 8 K-Medias en Python
  • Unidad 9 Clustering Jerárquico en Python
Módulo 7: Reglas de Asociación
  • Unidad 1 Algoritmo Básico en Access
  • Unidad 2 División en Entrenamiento y Prueba en R
  • Unidad 3 Uso de Arules en R
  • Unidad 4 Ejemplo de una Aplicación Real Votación de Reglas en R
  • Unidad 5 Ejemplo de una Aplicación Real a Datos de Ventas en Supermercados en R
  • Unidad 6 Instalación y Uso del Paquete en Python
  • Unidad 7 Ejemplo en Python
  • Unidad 8 Principales Parámetros de Ajuste y Control
  • Unidad 9 Esquema de Votación de Reglas en Python
Módulo 8: Redes Neuronales
  • Unidad 1 Algoritmo Básico en Excel
  • Unidad 2 División en Entrenamiento y Prueba en R
  • Unidad 3 Uso de Neuralnet
  • Unidad 4 Predicción y Valoración de la Solución en R
  • Unidad 5 Discusión del Problema de Legibilidad de los Resultados desde el Negocio
  • Unidad 6 Competencia entre Árboles y Redes en un Caso Concreto en R
  • Unidad 7 Instalación y Uso del Paquete en Python
  • Unidad 8 Ejemplo en Python
  • Unidad 9 Principales Parámetros de Ajuste y Control en Python
  • Unidad 10 Problema Concreto en Python
Módulo 9: Series Temporales
  • Unidad 1 Taxonomía
  • Unidad 2 Separación de Componentes
  • Unidad 3 Predicciones
  • Unidad 4 ARIMA Implementado en R
  • Unidad 5 Predicción en Series con un Único Período
  • Unidad 6 Predicción en Series con Múltiples Períodos
  • Unidad 7 Predicción en Series con Períodos Variables: Renormalización
  • Unidad 8 Implementación en Python
  • Unidad 9 Agregar Unidad
Módulo 10: Minería de Textos
  • Unidad 1 Clasificación Supervisada de Piezas de Texto
  • Unidad 2 Construcción de una Red Semántica
  • Unidad 3 Discusión de las Posibilidades de Reconocimiento de Voz
  • Unidad 4 Ejemplos de Aplicación Real del Algoritmo de Clasificación
  • Unidad 5 Aplicación a la Detección de Sentimientos
  • Unidad 6 Ejemplo de Implementación en Python
Módulo 11: Vecinos Cercanos (Knn)
  • Unidad 1 Instalación y Uso del Paquete en R
  • Unidad 2 Ejemplo Conceptual en Excel
  • Unidad 3 Ejemplo en R
  • Unidad 4 Instalación y Uso del Paquete en Python
  • Unidad 5 Ejemplo en Python
  • Unidad 6 Principales Parámetros de Ajuste y Control
Módulo 12: Bayes Ingenuo
  • Unidad 1 Implementación en Excel
  • Unidad 2 Ejemplo de Aplicación en R
  • Unidad 3 Comparación de 4 Algoritmos Predictivos (Bayes Ingenuo, Árboles, Redes Neuronales y Regression Logística)
  • Unidad 4 Ejemplo de Aplicación en Python
Módulo 13: Random Forest
  • Unidad 1 Bootstrap y Bagging
  • Unidad 2 Descripción Conceptual del Método Random Forest
  • Unidad 3 Paquete Randomforest para R
  • Unidad 4 Ejemplo de Aplicación
  • Unidad 5 Comparación con Otras Técnicas
  • Unidad 6 Implementación en Python
Módulo 14: Métodos Bayesianos Avanzados
  • Unidad 1 Regresión Lineal Bayesiana
  • Unidad 2 Regresión Logística Bayesiana
  • Unidad 3 Inferencia Bayesiana
  • Unidad 4 Red Bayesiana
  • Unidad 5 Ejemplos de Aplicación en R
  • Unidad 6 Comparación con Otras Técnicas
  • Unidad 7 Ejemplos de Aplicación en Python
Módulo 15: Máquina de Soporte Vectorial
  • Unidad 1 Descripción Conceptual del Método
  • Unidad 2 Paquete e1071 para R
  • Unidad 3 Ejemplo de Aplicación en R
  • Unidad 4 Ejemplo de Aplicación en Python
  • Unidad 5 Comparación con Otras Técnicas
Módulo 16: Discriminante Lineal y Cuadrático
  • Unidad 1 Instalación y Uso del Paquete
  • Unidad 2 Ejemplo Conceptual en Excel
  • Unidad 3 Ejemplo en R
  • Unidad 4 Ejemplo en Python
  • Unidad 5 Principales Parámetros de Ajuste y Control en R
  • Unidad 6 Principales Parámetros de Ajuste y Control en Python
  • Unidad 7 Problema Concreto
Módulo 17: Diseño de Datawarehouses
  • Unidad 1 Diferencias entre los DW y los OLTP
  • Unidad 2 Tipos de Datos y Soportes
  • Unidad 3 Dimensiones y Jerarquías
  • Unidad 4 Estimación de Recursos y Tiempos según Tipos de Datos
  • Unidad 5 Ejemplos de Staging
  • Unidad 6 Interacción entre Equipos (Db-etl-soporte-frontend-usuarios)
  • Unidad 7 Ejercicios de Diseño de DW
Módulo 18: Diseño y Construcción de ETL
  • Unidad 1 Procesos ETL: Generalidades, Buenas Prácticas, Esquemas de ETL
  • Unidad 2 Detalles de Cada Etapa: Extracción, Limpieza, Normalización, Transformación, Carga
  • Unidad 3 Estrategias de Update
  • Unidad 4 Ejercicios de Diseño de ETL para la Carga Inicial
  • Unidad 5 Ejercicios de Diseño de ETL para la Actualización
  • Unidad 6 Licencia, Descarga e Instalación de Open Refine
  • Unidad 7 Uso General Como Herramienta de Limpieza de Datos
  • Unidad 8 Pre-procesado de los Datos
  • Unidad 9 Casos de Interés y Ejemplos
  • Unidad 10 Licencias, Descarga e Instalación de Pentaho-kettle
  • Unidad 11 Pentaho Kettle: Funciones, Características, Utilización
  • Unidad 12 Auditoría y Documentación
  • Unidad 13 Ejemplos de Uso

Objetivos

La Diplomatura en Data Analytics con R y Python tiene el objetivo de formar Analistas de datos.El Data analytics implica el análisis de datos para mejorar la eficiencia operativa de las organizaciones y perfeccionarsu modelo de negocio. Permitiendo tomar las mejores decisiones al gestionar los riesgos y lograr un crecimiento rentabley sostenible.

Modalidad de cursada

Diplomatura en Data Analytics con R y Python a distancia de forma Online.

  • Dos clases semanales por videoconferencias interactivas, una teórica y una práctica. La duración de cada clase es de 30 a 60 minutos dependiendo del tema, la cantidad de participantes y el nivel de intervenciones conseguido.
  • El estudiante tiene actividad complementaria con material de soporte de las clases, material teórico para estudiar, ejercicios resueltos y para resolver, corrección de ejercicios y autoevaluaciones.
  • La dedicación recomendada a estas actividades es de ocho horas semanales.
  • Soporte docente por Grupo de WhatsApp, email y foro.

Fechas y horarios

16 de Febrero 2026
  • Clases en vivo: Lunes 21:30 Horas
  • Martes 19:30 Horas
  • Miércoles 21:00 Horas y Jueves 19:30 Horas
02 de Marzo 2026
  • Clases en vivo: Lunes 19:00 Horas
  • Lunes 21:30 Horas
  • Martes 18:45 Horas y Jueves 18:45 Horas
16 de Marzo 2026
  • Clases en vivo: Lunes 21:30 Horas
  • Martes 19:30 Horas
  • Miércoles 21:00 Horas y Jueves 19:30 Horas

Solicitar más información

Inscripción + Cuota 1

$ 278.046

+5 pagos mensuales de $ 194.098

También podés optar por:

Abono total tarjeta en 6 c/sint. de $ 166.394

Abono total transf.: $ 798.690 Ahorrás un 20%

Inscribite vía Whatsapp

Hablá con uno de nuestros agentes de atención online que te guiarán paso a paso para que puedas continuar con la inscripción.

Puedes estudiar y obtener tu Certificación Universitaria UTN con nosotros en:

🇦🇷Argentina 🇲🇽México 🇨🇴Colombia 🇵🇪Perú 🇪🇨Ecuador 🇭🇳Honduras 🇧🇴Bolivia 🇬🇹Guatemala 🇨🇷Costa Rica 🇻🇪Venezuela 🇵🇾Paraguay 🇺🇾Uruguay 🇨🇺Cuba 🇵🇷Puerto Rico 🇸🇻El Salvador 🇩🇴República Dominicana 🇪🇸España 🇵🇦Panamá 🇺🇸Estados Unidos