Data Science I – Introducción a la Ciencia de Datos

1. Introducción a la Ciencia de Datos
1.1. Definición
1.2. Data Scientist vs Data Analyst vs Data Engineer
1.3. Inteligencia Artificial
1.4. Aprendizaje Supervisado vs No Supervisado
1.5. Machine Learning vs Data Science

Lab 1. Introducción al lenguaje R

1.6. Big Data vs Data Science
1.8. Metodologías para Data Science
1.9. Los super problemas de minería de datos.
1.10. Python vs R

Lab 2. Introducción al lenguaje R

2. Obtención y preparación de los datos
2.1. Tipos de datos
2.2. Métodos de portabilidad entre tipos de datos.
2.3. Medidas de tendencia central, dispersión y posición.

Lab 3. Análisis exploratorio de datos en R.

2.4. Introducción a la identificación y tratamiento de datos faltantes.
2.5. Resumen de 5 puntos: El diagrama de caja y bigotes.
2.6. Introducción a la identificación y tratamiento de datos atípicos.

Lab 4. Limpieza de datos en R

2.7. Medidas de asociación entre dos variables.
2.8. Normalización

Lab 5. Limpieza de datos en R.

3. Visualización de Datos
3.1. Mejores prácticas en la creación de gráficos y tablas.
3.2. Gráficos para variables cualitativas.
3.3. Gráficos para variables cuantitativas.

Lab 6. Visualización de datos con ggplot2

3.4. Visualización de datos multidimensionales.
3.5. Gráficos especiales.

Lab 7. Visualización de datos con ggplot2

3.6. Diseño y elaboración de tableros de control interactivos.

Lab 8. Introducción a Shiny con R

Proyecto final: Hackathon: Shiny Dashboard

Los estudiantes al finalizar la asignatura serán capaces de importar, manipular, procesar y extraer información de valor a partir de un conjunto de datos utilizando distintas herramientas de análisis de datos.