Módulo 1. Fundamentos de Data Science

• 1.1. Introducción.
• 1.2. Ciclo de vida.
• 1.3. Aplicaciones.

Módulo 2. Estadística

• 2.1. Conceptos básicos.
• 2.2. Probabilidad.
• 2.3. Inferencia estadística.

Módulo 3. Fuentes y tipos de datos

• 3.1. Tipologías.
• 3.2. Fuentes.
• 3.3. Tecnologías de almacenamiento.

Módulo 4. Programación para Data Science

• 4.1. Python.
• 4.2. R.

Módulo 5. Data Wrangling y preprocesamiento

• 5.1. Imputación de datos.
• 5.2. Outliers y transformación.

Módulo 6. Análisis exploratorio

• 6.1. Fundamentos de EDA.
• 6.2. Visualización de datos.

Módulo 7. IA generativa para análisis

• 7.1. Herramientas generativas.
• 7.2. Aplicaciones para extracción de insights.

Módulo 8. Machine Learning

• 8.1. Aprendizaje supervisado.
• 8.2. Aprendizaje no supervisado.
• 8.3. Algoritmos de clustering.
• 8.4. Reglas de asociación.

Módulo 9. Machine Learning avanzado

• 9.1. Ensemble Learning.
• 9.2. Reducción de dimensionalidad.
• 9.3. Optimización avanzada.

Módulo 10. Decisiones basadas en datos

• 10.1. Data-Driven Decision Making.
• 10.2. Herramientas open source.
• 10.3. Obtención de insights a partir de datos de ventas.

Módulo 11. Data Storytelling

• 11.1. Valor de la narrativa de datos.
• 11.2. Casos de uso.
• 11.3. Construcción de narrativas.
• 11.4. Visualización orientada al impacto.

Módulo 12. Proyecto: predicción de abandono de empleados

• 12.1. Problema y objetivos.
• 12.2. Recopilación y preparación.
• 12.3. Análisis y modelado.
• 12.4. Presentación mediante Data Storytelling.

Módulo opcional. Agentes para análisis de datos

• Fundamentos.
• Casos de uso.
• Práctica con agentes.