Data Scientist (TLG) | Tec de Monterrey

Modulo 1 -Onboarding: Empieza tu Trayectoria al Éxito en The Learning Gate

Identificar el ecosistema de aprendizaje de la plataforma The Learning Gate con la finalidad de sacar el mayor provecho alcanzando el éxito en tu nuevo viaje de aprendizaje.

Modulo 2 -Estadística para la Ciencia de Datos

1. Explicar las medidas estadísticas; el nivel de confianza; las pruebas de hipótesis para un análisis descriptivo e inferencial. 2. Utilizar las medidas estadísticas; nivel de confianza; y pruebas de hipótesis en el análisis descriptivo e inferencial en un conjunto de datos.

Modulo 3 -Procesamiento Matemático para Ciencia de Datos

1. Describir las operaciones y aplicaciones del álgebra lineal en en análisis de datos. 2. Utilizar operaciones de álgebra lineal para un conjunto de datos de dos o tres dimensiones.

Modulo 4 -Conceptos de Analíticas de Redes

1. Explicar el uso de medidas de grafos en el análisis de redes datos. 2. Utilizar las medidas de grafos en el análisis de una red de menos de 10 nodos.

Modulo 5 -Programación en Python

1. Interpretar programas en lenguaje de programación Python desarrollados sobre el ambiente de programación Notebook, para que se cumpla con los requerimientos de la aplicación de ciencia de datos. 2. Diseñar programas en lenguaje de programación Python desarrollados sobre el ambiente de programación Notebook, para que se cumpla con los requerimientos de la aplicación de ciencia de datos.

Modulo 6 -Panda y Numpy en Python

1. Interpretar programas en las plataformas Panda y Numpy de Python desarrollados sobre el ambiente de programación Notebook, para que se cumpla con los requerimientos de la aplicación de ciencia de datos requerida. 2. Crear programas en Phython sobre ambiente Notebook, y utilizando las plataformas Panda y Numpy, para que se cumpla con los requerimientos de la aplicación de ciencia de datos.

Modulo 7 -Manipulación de Datos en Python

1. Interpretar programas en lenguaje Python que involucren llamadas (queries) a las bases de datos y estatutos para concatenación y unión bases de datos. 2. Manipular una base de datos en la plataforma de Panda de Python que involucre llamadas (queries) a las bases de datos y estatutos para concatenar y unir bases de datos, para que se cumpla con los requerimientos de la aplicación de Ciencia de Datos.

Modulo 8 -Visualización de Datos con Python

1. Explicar las ventajas y desventajas de Python y de las plataformas de visualización Matplotlib y Seaborn, para la generación de gráficas con eje horizontal (x) compartido y el eje vertical (y) puede ser compartidos o no, para que se cumpla con los requerimientos de interfaz de la visualización requerida. 2. Utilizar las ventajas y desventajas de Python y de las plataformas de visualización Matplotlib y Seaborn, para la generación de gráficas con eje horizontal (x) compartido y el eje vertical (y) puede ser compartidos o no, para que se cumpla con los requerimientos de interfaz de la visualización requerida.

Modulo 9 -Geovisualización

1. Interpretar visualizaciones geográficas utilizando la plataforma Geopandas en lenguaje Python. 2. Crear visualizaciones geográficas utilizando la plataforma Geopandas en lenguaje Python

Modulo 10 -Data storytelling

1. Distingue los principios de la narrativa visual, los reportes y la visualización de datos, para la generación narrativas convincentes, que generan sentido a públicos específicos a partir de macro datos. 2. Aplica herramientas innovadoras para crear narrativas visuales convincentes basadas en macro datos que generan sentido a públicos específicos.

Modulo 11 -UX/UI (User Experience/User Interface)

1. Identificar las características de un buen diseño de UX/UI para desplegar los indicadores en un Dashboard. 2. Diseñar un Dashboard que cumpla con las características de un buen diseño de UX/UI para desplegar indicadores

Modulo 12 -Aplicación Web de Ciencia de Datos

1. Identificar los estatutos del lenguaje Python en la plataforma Streamlit para el desarrollo de dashboard para visualización de datos interactivos, requeridos por la organización para presentar KPIs o para toma de decisiones. 2. Crear programas en lenguaje Python y la plataforma Streamlit para el desarrollo de dashboard para visualización de datos interactivos, requeridos por la organización para presentar KPIs o para toma de decisiones.

Modulo 13 -Visualización del Análisis Descriptivo

1. Interpretar visualizaciones en lenguaje Python de medidas estadísticas de un conjunto de datos unidimensionales y bidimensionales para las plataformas Matplotlib y Seaborn. 2. Utilizar herramientas del lenguaje Python para visualizar medidas estadísticas de un conjunto de datos unidimensionales y bidimensionales para las plataformas Matplotlib y Seaborn.

Modulo 14 -Análisis Inferencial

1. Interpretar herramientas visuales con medidas estadísticas; nivel de confianza; pruebas de hipótesis de un conjunto de datos unidemensionales y bidimensionales con el propósito de inferir el comportamiento de un población y el nivel de dependencia de las variables. 2. Utilizar herramientas para visualizar medidas estadísticas; nivel de confianza; pruebas de hipótesis de un conjunto de datos unidimensionales y bidimensionales con el propósito de inferir el comportamiento de un población y el nivel de dependencia de las variables.

Modulo 15 -Análisis Causal y Predictivo Utilizando Regresión

1. Interpretar visualizaciones en lenguaje Python de un modelo de regresión de un conjunto de datos unidimensionales y bidimensionales con el propósito de hacer predicciones futuras y encontrar las variables que causan el mayor impacto en la variable de estudio. 2. Utilizar herramientas visuales del lenguaje Python para generar un modelo de regresión de un conjunto de datos unidimensionales y bidimensionales con el propósito de hacer predicciones futuras y encontrar las variables que causan el mayor impacto en la variable de estudio.

Modulo 16 -Ingeniería de Características

1. Identificar las metodologías para la selección de características observables más relevantes para la visualización o para el mejoramiento de la exactitud y/o precisión de un modelo de datos. 2. Diseñar las características observables más relevantes para la visualización o para el mejoramiento de la exactitud y/o precisión de un modelo de datos.

Modulo 17 -Aprendizaje No Supervisado

1. Interpretar la configuración que se ha utilizado para el desarrollo de modelos inteligentes no supervisado de datos utilizando scikit-learn de Python, poniendo especial atención en la selección adecuada del número de agrupaciones, que cumplan lo mejor posible con los requerimientos de la tarea requerida. 2. Crear modelos inteligentes no supervisado de datos utilizando scikit-learn de Python, seleccionando el número de agrupaciones adecuadas y analizando la efectividad del modelo utilizando medidas de calidad, que cumplan lo mejor posible con los requerimientos de la tarea requerida.

Modulo 18 -Aprendizaje Supervisado

1. Interpreta la configuración utilizada en el desarrollo de los modelos inteligentes supervisado de datos utilizando scikit-learn de Python; poniendo especial atención en la selección adecuada del modelo inteligente, precisión del modelo, que cumplan lo mejor posible con los requerimientos de la tarea requerida. 2. Crear modelos inteligentes supervisado de datos utilizando scikit-learn de Python; seleccionando el modelo adecuado y analizando la exactitud, precisión del modelo, que cumplan lo mejor posible con los requerimientos de la tarea requerida.

Modulo 19 -Visualización con Machine Learning

1. Examinar los resultados de las visualizaciones de modelos inteligentes para el desarrollo de modelos de datos más exactos y/o precisos, que cumplan con los requerimientos de la necesidad del problema a resolver. 2. Utilizar herramientas visuales de máquinas inteligentes para el desarrollo de modelos de datos más exactos y/o precisos, que cumplan con los requerimientos de la necesidad del problema a resolver

Modulo 20 -Analítica de Texto

1. Interpreta la configuración utilizada en el desarrollo de los modelos inteligentes supervisado de texto utilizando Python; poniendo especial atención en la selección adecuada del modelo inteligente, precisión del modelo, que cumplan lo mejor posible con los requerimientos de la tarea requerida. 2. Crear modelos inteligentes supervisado de datos de texto utilizando la plataforma máquinas inteligentes en Python; seleccionando el modelo adecuado y analizando la exactitud o precisión del modelo, que cumplan lo mejor posible con los requerimientos de la tarea requerida.

Modulo 21 -Analítica de Redes Sociales

1. Interpretar modelos de redes sociales utilizando la NetworkX en Python; analizando su robustez, encontrando las personas que más se comunican, así como los líderes de las conversaciones en una red social. 2. Crear modelos de redes de sociales utilizando la NetworkX en Python; analizar la robustez de las redes, encontrar las personas que mas se comunican, así como los líderes de las conversaciones en una red social.

Modulo 22 -Machine Learning con pySpark

1. Interpretar la configuración de los estatutos de pySpark de Python en la modelación inteligente de grandes volúmenes de datos utilizada para cumplir lo mejor posible con los requerimientos de la tarea requerida. 2. Crear modelos inteligentes supervisados de grandes volúmenes de datos utilizando pySpark de Python; seleccionando el modelo adecuado y analizar la exactitud, precisión del modelo, que cumplan lo mejor posible con los requerimientos de la tarea requerida.

Modulo 23 -Deep Learning Utilizando Tensor Flow

1. Interpreta la configuración utilizada en modelos de datos DNN (Deep Neural Networks) utilizando en Tensor Flow en Python; poniendo especial atención en la selección adecuada del modelo inteligente, precisión del modelo, que cumplan lo mejor posible con los requerimientos de la tarea requerida. 2. Crear modelos de datos DNN (Deep Neural Networks) utilizando Tensor Flow en Python; seleccionando el modelo adecuado y analizando la exactitud, precisión del modelo, que cumplan lo mejor posible con los requerimientos de la tarea requerida.

Modulo 24 -Deep Learning Utilizando Pytorch

1. Interpreta la configuración utilizada en modelos de datos DNN (Deep Neural Networks) en Pytorch en Python; poniendo especial atención en la selección adecuada del modelo inteligente, precisión del modelo, que cumplan lo mejor posible con los requerimientos de la tarea requerida. 2. Crear modelos de datos DNN (Deep Neural Networks) utilizando Pytorch en Python; seleccionando el modelo adecuado y analizando la exactitud, precisión del modelo, que cumplan lo mejor posible con los requerimientos de la tarea requerida.

Trayectoria flexibleData Scientist (TLG)

Inicio

Duración

Modalidad

Inicio

Duración

Modalidad

Conoce tu programa

Explorarás lo mas relevante

Para llevar tus conocimientos a la práctica

Este programa es para ti

Competencias que desarrollarás

Abordarás cada tema de manera versátil y ágil

mediante un modelo de aprendizaje Learning Gate

Conoce más sobre las temáticas de tu plan de estudio

Onboarding: Empieza tu Trayectoria al Éxito en The Learning Gate

Modulo 1 -Onboarding: Empieza tu Trayectoria al Éxito en The Learning Gate

Estadística para la Ciencia de Datos

Modulo 2 -Estadística para la Ciencia de Datos

Procesamiento Matemático para Ciencia de Datos

Modulo 3 -Procesamiento Matemático para Ciencia de Datos

Conceptos de Analíticas de Redes

Modulo 4 -Conceptos de Analíticas de Redes

Programación en Python

Modulo 5 -Programación en Python

Panda y Numpy en Python

Modulo 6 -Panda y Numpy en Python

Manipulación de Datos en Python

Modulo 7 -Manipulación de Datos en Python

Visualización de Datos con Python

Modulo 8 -Visualización de Datos con Python

Geovisualización

Modulo 9 -Geovisualización

Data storytelling

Modulo 10 -Data storytelling

UX/UI (User Experience/User Interface)

Modulo 11 -UX/UI (User Experience/User Interface)

Aplicación Web de Ciencia de Datos

Modulo 12 -Aplicación Web de Ciencia de Datos

Visualización del Análisis Descriptivo

Modulo 13 -Visualización del Análisis Descriptivo

Análisis Inferencial

Modulo 14 -Análisis Inferencial

Análisis Causal y Predictivo Utilizando Regresión

Modulo 15 -Análisis Causal y Predictivo Utilizando Regresión

Ingeniería de Características

Modulo 16 -Ingeniería de Características

Aprendizaje No Supervisado

Modulo 17 -Aprendizaje No Supervisado

Aprendizaje Supervisado

Modulo 18 -Aprendizaje Supervisado

Visualización con Machine Learning

Modulo 19 -Visualización con Machine Learning

Analítica de Texto

Modulo 20 -Analítica de Texto

Analítica de Redes Sociales

Modulo 21 -Analítica de Redes Sociales

Machine Learning con pySpark

Modulo 22 -Machine Learning con pySpark

Deep Learning Utilizando Tensor Flow

Modulo 23 -Deep Learning Utilizando Tensor Flow

Deep Learning Utilizando Pytorch

Modulo 24 -Deep Learning Utilizando Pytorch

No te pierdas el inicio de tu programa

Inversión

Apoyos Financieros

Comparte en redes sociales

Solícita asesoría personalizada

Solicita asesoría personalizada

Quiero Que Me Contacten

Trayectoria flexible
Data Scientist (TLG)