Editor

Primer parcial

  1. Introducción a la Ciencia de datos y Análisis de datos
    • Definición de Ciencia de datos
    • ¿Qué es el Análisis de datos?
    • Diferencias entre Científicos de datos, Analistas de datos e Ingenieros de datos
    • El ciclo de vida de los datos
  2. Fundamentos de Ingeniería de datos
    • ¿Qué es la Ingeniería de datos?
    • Roles y responsabilidades de un Ingeniero de datos
    • Procesos ETL (Extracción, Transformación y Carga)
    • Arquitectura de datos y almacenamiento
    • Calidad y gobernanza de datos
  3. Fundamentos de Big Data
    • Características de Big Data (Volumen, Variedad, Velocidad, Veracidad)
    • Diferencias entre Big Data y datos tradicionales
    • Ejemplos de aplicaciones de Big Data
    • Herramientas y tecnologías de Big Data: Hadoop, Spark, NoSQL
    • Procesamiento en tiempo real vs procesamiento por lotes
  4. Consultas básicas de SQL

Segundo parcial

  1. Análisis de datos y Business Intelligence
    • Introducción a Business Intelligence (BI)
    • Conceptos clave de BI: ¿Qué es y por qué es importante?
    • Diseño de dashboards efectivos y selección de KPIs
    • Comparativa de herramientas BI: Power BI, Tableau, QlikView
    • El rol de BI en la toma de decisiones
  2. Análisis de datos con Excel
    • Uso de tablas dinámicas para análisis de datos
    • Visualización de datos en Excel (gráficos y tablas)
    • Análisis estadístico en Excel
    • Transformación de datos con Power Query

Tercer parcial

  1. Análisis de datos con Power BI
    • Modelado de datos en Power BI: Relaciones, jerarquías y optimización
    • Informes y dashboards en Power BI
    • Gráficos interactivos y mapas en Power BI
    • Creación de dashboards interactivos: Mejores prácticas
  2. Soluciones BI
    • Integración de Power BI con Excel, SQL Server, y otras bases de datos
    • Planificación e Identificación de KPIs (Key Performance Indicators), o Indicadores Clave de Desempeño
    • Creación de medidas y columnas calculadas usando DAX
  3. IA para el Análisis de datos (Idealmente)
    • Modelos de predicción con IA (Machine Learning) Algoritmos supervisados y no supervisados
    • Deep Learning: Conceptos básicos y aplicaciones en análisis de datos