Curso de Data Science para Empresas — Toma de decisiones con datos

Comprender la sintaxis de Python y trabajar con variables, asignaciones, enteros, decimales, booleanos, cadenas y conversiones de tipos.

Utilizar operadores aritméticos, relacionales y lógicos para construir expresiones y condiciones.

Manipular strings mediante indexación, slicing, métodos, concatenación y formato.

Crear y modificar listas y comprender sus principales operaciones.

Trabajar con tuplas y seleccionar la estructura apropiada según mutabilidad y finalidad.

Utilizar diccionarios y conjuntos para estructuras clave-valor, valores únicos y operaciones entre colecciones.

Controlar el flujo mediante `if`, `elif`, `else` y estructuras condicionales.

Crear iteraciones mediante `for` y `while`.

Utilizar `range`, `enumerate` y `zip` para construir iteraciones más expresivas.

Crear list comprehensions y dictionary comprehensions.

Definir funciones con parámetros, argumentos, valores de retorno, ámbitos de variables y expresiones lambda cuando resulten adecuadas.

Organizar código mediante módulos, paquetes e importación de funcionalidades externas.

Gestionar excepciones mediante `try` y `except` y depurar errores de sintaxis, ejecución y lógica.

Leer y escribir archivos y trabajar con fechas y horas.

Comprender clases y objetos a nivel básico y escribir código legible siguiendo convenciones profesionales.

Comprender el papel de NumPy y crear arrays multidimensionales analizando dimensiones, `shape`, `dtype` y estructura.

Utilizar indexación, slicing y máscaras booleanas para seleccionar información.

Aplicar operaciones vectorizadas, broadcasting y funciones estadísticas evitando iteraciones innecesarias.

Diferenciar listas Python y arrays NumPy según estructura, rendimiento y operaciones disponibles.

Comprender `Series` y `DataFrame` de pandas y crearlos desde distintas estructuras y fuentes.

Inspeccionar datasets mediante `head`, `tail`, `info`, `describe` y otras herramientas de exploración.

Seleccionar, filtrar y ordenar filas y columnas mediante operadores, condiciones, `loc` e `iloc`.

Crear y modificar columnas, transformar tipos y trabajar con información categórica.

Detectar y gestionar valores nulos y registros duplicados.

Aplicar funciones sobre filas o columnas y utilizar transformaciones vectorizadas cuando resulten más eficientes.

Agrupar información mediante `groupby`, calcular agregaciones y construir tablas dinámicas.

Combinar datasets mediante `merge`, `join` y `concat`.

Trabajar con fechas, series temporales, ventanas, desplazamientos y cálculos acumulativos.

Leer y exportar CSV, Excel, JSON y otros formatos habituales.

Procesar datasets de mayor tamaño de forma eficiente y encapsular transformaciones en funciones y pipelines reproducibles.

Comprender qué es una base de datos y diferenciar sistemas relacionales y no relacionales.

Entender tablas, filas, columnas, esquemas, claves primarias y claves foráneas.

Analizar relaciones uno a uno, uno a muchos y muchos a muchos mediante diagramas entidad-relación.

Comprender normalización, desnormalización y función de un sistema gestor de bases de datos.

Utilizar `SELECT`, selección de columnas, `DISTINCT`, `WHERE`, operadores lógicos, `ORDER BY` y límites de resultados.

Trabajar con funciones de agregación, `GROUP BY` y `HAVING`.

Comprender y utilizar `INNER JOIN`, `LEFT JOIN`, `RIGHT JOIN` y `FULL JOIN`.

Crear consultas que combinen múltiples tablas.

Utilizar subconsultas y Common Table Expressions para estructurar consultas complejas.

Trabajar con funciones de ventana para cálculos sobre grupos de filas relacionados.

Aplicar `CASE WHEN` y funciones relacionadas con fechas, strings y transformación de valores.

Comprender vistas y su utilización para encapsular consultas reutilizables.

Introducir índices, planes de acceso e identificación de consultas ineficientes.

Comprender transacciones y consistencia de los datos.

Conectar Python con bases de datos, ejecutar SQL desde notebooks, obtener DataFrames y combinar SQL y pandas dentro del mismo análisis.

Identificar las fuentes de datos de una organización y trabajar con CSV, Excel, JSON, XML y otros formatos tabulares o jerárquicos.

Procesar información almacenada en carpetas, múltiples archivos y fuentes heterogéneas.

Combinar datasets procedentes de diferentes sistemas manteniendo claves y relaciones coherentes.

Comprender qué es una API y los fundamentos de HTTP y de la arquitectura REST.

Diferenciar `GET`, `POST`, `PUT`, `PATCH` y `DELETE` e interpretar códigos de estado.

Trabajar con parámetros, headers y cuerpos de petición.

Consumir APIs desde Python y transformar respuestas JSON en estructuras analizables.

Gestionar paginación y grandes volúmenes de resultados.

Utilizar autenticación mediante tokens y otros mecanismos de acceso.

Controlar rate limits, errores, timeouts y estrategias de reintento.

Comprender webhooks y procesos orientados a eventos.

Introducir scraping, criterios de uso y limitaciones técnicas o legales.

Diferenciar ETL y ELT y diseñar procesos de extracción, transformación, carga y staging.

Crear procesos incrementales gestionando identificadores, duplicidades, errores y registros de ejecución.

Comprender data pipelines, data warehouses y data lakes y diseñar una arquitectura inicial de flujo de datos empresarial.

Comprender el papel de la estadística en Data Science y diferenciar estadística descriptiva e inferencial.

Identificar población, muestra, variables cualitativas y cuantitativas y escalas nominal, ordinal, intervalo y razón.

Calcular e interpretar media, mediana y moda.

Analizar rango, varianza, desviación estándar, percentiles y cuartiles.

Comprender distribuciones, asimetría, curtosis y detección de valores atípicos.

Analizar covarianza y correlación y diferenciar correlación de causalidad.

Comprender los fundamentos de probabilidad y probabilidad condicional.

Introducir el teorema de Bayes y su interpretación.

Comprender variables aleatorias y distribuciones normal, binomial, Poisson y otras relevantes.

Analizar técnicas de muestreo y comprender el Teorema Central del Límite.

Estimar intervalos de confianza e interpretar su significado.

Formular hipótesis nula y alternativa e interpretar correctamente los p-values.

Comprender errores de tipo I y II y potencia estadística.

Aplicar pruebas estadísticas básicas para comparar medias y proporciones e introducir ANOVA.

Diseñar pruebas A/B y diferenciar significancia estadística de relevancia empresarial.

Comprender por qué la calidad del dato condiciona cualquier análisis, visualización o modelo posterior.

Detectar datos ausentes, estudiar sus patrones y decidir entre eliminación, imputación u otras estrategias.

Aplicar métodos de imputación adecuados al tipo de variable y al contexto.

Detectar duplicados exactos y registros potencialmente duplicados.

Resolver inconsistencias de formato, categorías, tipos de datos, strings y fechas.

Detectar errores de rango, valores imposibles y problemas derivados de reglas de negocio incumplidas.

Identificar outliers y diferenciar una observación extrema válida de un error de captura.

Utilizar métodos estadísticos para apoyar la detección de anomalías.

Aplicar transformaciones logarítmicas y otras transformaciones cuando la distribución lo justifique.

Escalar variables y diferenciar normalización y estandarización.

Codificar variables categóricas mediante one-hot encoding y métodos adecuados para variables ordinales.

Evitar data leakage durante la preparación de datos y el entrenamiento.

Separar correctamente entrenamiento y test antes de aprender transformaciones dependientes de los datos.

Construir pipelines de transformación que reproduzcan exactamente el preprocesamiento.

Documentar reglas y checks de calidad sobre completitud, unicidad, validez, consistencia y actualidad para obtener datasets limpios y reproducibles.

Comprender el objetivo del análisis exploratorio y formular preguntas antes de empezar a producir visualizaciones.

Analizar distribuciones individuales, relaciones entre variables y segmentaciones por categorías relevantes.

Detectar patrones, comportamientos inesperados, anomalías y errores potenciales.

Analizar relaciones temporales, tendencias y cambios de comportamiento.

Crear histogramas, boxplots, gráficos de barras, scatter plots y series temporales.

Utilizar heatmaps, matrices de correlación y visualizaciones multivariantes.

Trabajar con Matplotlib y herramientas interactivas cuando aporten valor al análisis.

Aplicar principios de visualización efectiva evitando gráficos engañosos.

Seleccionar correctamente escalas, ejes, colores y recursos visuales según el mensaje.

Comunicar incertidumbre y evitar presentar estimaciones como valores exactos.

Diferenciar métrica y KPI y diseñar indicadores alineados con objetivos empresariales.

Crear métricas de soporte, producto, usuarios, ventas, operaciones, SLA, resolución, recurrencia y escalado.

Comprender hechos, dimensiones y esquemas estrella como fundamentos del modelado dimensional para BI.

Conectar datasets preparados con Power BI o herramientas equivalentes y diseñar dashboards orientados a decisiones.

Crear storytelling con datos y elaborar conclusiones ejecutivas fundamentadas en evidencia.

Comprender qué es una feature y diferenciar variables originales de variables derivadas.

Crear variables numéricas, categóricas y temporales a partir de información existente.

Extraer componentes de fechas como año, mes, semana, día y variables relacionadas con estacionalidad.

Generar ratios, tasas, agregados, ventanas móviles e información histórica evitando leakage.

Transformar distribuciones sesgadas y escalar variables cuando el algoritmo lo requiera.

Elegir técnicas de encoding según el tipo de variable.

Gestionar categorías de alta cardinalidad sin generar representaciones ineficientes.

Identificar interacciones entre variables y crear polynomial features cuando aporten valor.

Utilizar conocimiento del dominio para generar variables con significado real.

Detectar multicolinealidad y comprender sus consecuencias.

Analizar importancia preliminar de variables.

Aplicar técnicas de selección basadas en estadística y en modelos.

Utilizar regularización como mecanismo adicional para reducir variables irrelevantes.

Comprender PCA, interpretar componentes y analizar la proporción de información conservada.

Comparar feature selection y feature extraction e integrar todo el proceso dentro de pipelines reproducibles.

Comprender Machine Learning y diferenciar aprendizaje supervisado, no supervisado y por refuerzo.

Comprender features, target y separación entre datos de entrenamiento, validación y test.

Introducir regresión mediante regresión lineal, interpretación de coeficientes y regresión múltiple.

Comprender regularización L1 y L2 mediante Ridge y Lasso.

Utilizar árboles de decisión, Random Forest y Gradient Boosting para problemas de regresión.

Evaluar regresión mediante MAE, MSE, RMSE y R² interpretando correctamente cada métrica.

Comprender los problemas de clasificación y construir modelos de regresión logística.

Utilizar árboles de clasificación y Random Forest.

Introducir k-Nearest Neighbors y Support Vector Machines.

Aplicar Naive Bayes cuando las características del problema lo justifican.

Utilizar modelos ensemble y comprender bagging y boosting.

Trabajar con clasificación binaria, multiclase y multietiqueta.

Gestionar clases desbalanceadas mediante class weights, oversampling y undersampling.

Entrenar modelos mediante scikit-learn y comparar varios algoritmos sobre el mismo problema.

Seleccionar modelos considerando calidad predictiva, coste, interpretabilidad, robustez y necesidades empresariales.

Comprender cuándo utilizar aprendizaje no supervisado y diferenciar clustering de clasificación supervisada.

Preparar y escalar correctamente las variables antes de aplicar algoritmos sensibles a la distancia.

Aplicar K-Means y comprender centroides y asignación de observaciones a clusters.

Seleccionar el número de clusters mediante Elbow Method, Silhouette Score y análisis de utilidad.

Trabajar con clustering jerárquico e interpretar dendrogramas.

Introducir DBSCAN y comprender el clustering basado en densidad.

Detectar agrupaciones de formas no esféricas y ruido mediante métodos basados en densidad.

Combinar PCA y clustering para simplificar y visualizar estructuras complejas.

Crear perfiles de clusters y convertir resultados matemáticos en segmentos comprensibles.

Aplicar segmentación a clientes, usuarios y otros colectivos empresariales.

Utilizar clustering para organizar tickets, incidencias, consultas o eventos.

Comprender detección de anomalías y diferenciar anomalías globales y contextuales.

Combinar métodos estadísticos e Isolation Forest para identificar observaciones atípicas.

Detectar operaciones, usuarios, incidencias o comportamientos anómalos e introducir sistemas de recomendación colaborativos y basados en contenido.

Evaluar métodos no supervisados sin una respuesta correcta explícita y evitar atribuir a los clusters significados que los datos no demuestran.

Comprender por qué entrenar un modelo no garantiza generalización y diferenciar overfitting, underfitting, bias y variance.

Diseñar correctamente conjuntos de train, validation y test.

Aplicar cross-validation y validación estratificada según las características del problema.

Utilizar pipelines para impedir leakage durante preprocesamiento y validación.

Evaluar clasificación mediante accuracy, precision, recall y F1-score.

Interpretar matrices de confusión, sensibilidad y especificidad.

Analizar curvas ROC, AUC y Precision-Recall, especialmente en problemas desbalanceados.

Elegir thresholds teniendo en cuenta costes, riesgos y consecuencias empresariales.

Diseñar métricas personalizadas cuando las métricas estándar no reflejan correctamente el objetivo.

Comprender hiperparámetros y utilizar Grid Search y Random Search.

Introducir optimización bayesiana para búsquedas más eficientes.

Establecer baselines y comparar modelos mediante experimentos reproducibles.

Diferenciar mejora estadística o técnica de una mejora empresarialmente relevante.

Analizar interpretabilidad global y local mediante feature importance, permutation importance, SHAP y técnicas relacionadas.

Detectar relaciones espurias, analizar fairness entre segmentos, registrar experimentos y seleccionar el modelo final justificando sus trade-offs.

Comprender las particularidades de las series temporales e identificar tendencia, estacionalidad, ciclos y autocorrelación.

Crear lags, medias móviles y otras variables temporales evitando utilizar información futura.

Diseñar baselines de forecasting e introducir modelos clásicos como ARIMA y familias relacionadas.

Evaluar forecasting mediante métricas adecuadas y backtesting temporal.

Aplicar forecasting y detección de anomalías sobre demanda, ventas, tickets, incidencias, carga y otras series empresariales.

Comprender NLP y realizar limpieza, normalización, tokenización y análisis de frecuencia de términos.

Utilizar Bag of Words y TF-IDF como representaciones clásicas de documentos.

Aplicar clasificación de texto, análisis de sentimiento y agrupación temática de tickets o consultas.

Comprender embeddings y similitud semántica para representar significado.

Introducir redes neuronales mediante neuronas, capas, pesos, funciones de activación, entrenamiento e inferencia.

Comprender conceptualmente backpropagation y cuándo Deep Learning aporta ventajas frente a modelos tradicionales.

Identificar arquitecturas aplicables a datos tabulares, imágenes, secuencias y texto.

Comprender transformers a nivel funcional y diferenciar modelos predictivos de modelos generativos.

Comprender LLM, prompting, structured outputs, embeddings, búsqueda semántica y RAG.

Diseñar soluciones híbridas que combinen modelos tradicionales y GenAI y evaluar cuándo la complejidad adicional está realmente justificada.

Diferenciar notebook experimental y solución productiva y organizar proyectos separando datos, código, notebooks, configuraciones, tests y modelos.

Utilizar Git mediante repositorios, commits, ramas, Pull Requests, merges y resolución de conflictos.

Mantener notebooks reproducibles y utilizar entornos virtuales, dependencias, configuraciones, variables de entorno y secretos.

Convertir notebooks en módulos, funciones y paquetes reutilizables y aplicar logging estructurado.

Crear tests unitarios, pruebas sobre transformaciones, validaciones de calidad de datos y tests mínimos de modelos.

Garantizar reproducibilidad mediante versionado de código, datasets, modelos, parámetros y artefactos cuando corresponda.

Construir pipelines de entrenamiento que automaticen preprocesamiento, entrenamiento, evaluación y serialización de modelos.

Diseñar predicciones batch e inferencia online y exponer modelos mediante APIs con FastAPI o tecnologías equivalentes.

Crear imágenes y contenedores Docker para encapsular dependencias y entorno de ejecución.

Introducir CI/CD para ejecutar tests, validaciones y controles antes del despliegue.

Aplicar experiment tracking, model registry y versionado de modelos como fundamentos de MLOps.

Monitorizar servicios mediante latencia, disponibilidad, distribución de variables, data drift, concept drift y calidad cuando llegan nuevas etiquetas.

Diseñar alertas, criterios de degradación, procedimientos de reentrenamiento y arquitecturas batch o real-time.

Comprender cloud computing, costes de procesamiento y modelos, mínimos privilegios, seguridad de credenciales y protección de datos personales mediante anonimización o pseudonimización.

Aplicar gobierno del dato, lineage, model cards, documentación, evaluación de sesgos y riesgos, uso responsable, supervisión humana y mejora continua.

Definir un problema empresarial, usuario destinatario, pregunta analítica, objetivos y decisiones que deberá apoyar la solución.

Identificar fuentes y crear un modelo inicial de datos integrando archivos, bases de datos, APIs y consultas SQL.

Unificar diferentes fuentes y analizar completitud, inconsistencias, duplicados, valores ausentes y demás problemas de calidad.

Documentar transformaciones y preparar un dataset limpio y reproducible.

Desarrollar análisis estadístico, análisis exploratorio, visualizaciones y KPIs y estructurar un dashboard o informe de resultados.

Formular hipótesis verificables y preparar features adecuadas para el problema seleccionado.

Separar entrenamiento, validación y test, establecer un baseline y entrenar varios modelos candidatos.

Evaluar modelos con métricas apropiadas, cross-validation y optimización de hiperparámetros.

Analizar errores, interpretar predicciones, comprobar posibles sesgos y comparar el modelo seleccionado con el baseline.

Justificar la solución desde perspectivas técnica y empresarial e incorporar series temporales, NLP o detección de anomalías cuando resulte relevante.

Diseñar inferencia mediante proceso batch o API y organizar el proyecto con estructura profesional, Git, tests, dependencias y configuración.

Preparar contenedor y estrategia de despliegue cuando el escenario lo requiera.

Definir monitorización de servicio, datos, drift, degradación y procedimiento de reentrenamiento.

Documentar datos, modelo, limitaciones, riesgos, uso previsto, README técnico y procedimiento de ejecución.

Elaborar un resumen ejecutivo y presentar la solución mediante datos, visualizaciones, métricas, metodología, decisiones, limitaciones y oportunidades de mejora.