Python para Ciencia de Datos y Machine Learning — Nivel 2

Inversión

¿Qué vas a conseguir?

Vas a convertir lo que sabés de Python en capacidades prácticas para analizar datos y construir modelos de machine learning. Recorrés el flujo completo de un proyecto de ciencia de datos, desde la definición del problema hasta la evaluación del modelo. Al terminar vas a poder:

• Entender el flujo de trabajo de un proyecto de ciencia de datos.
• Usar NumPy para cálculo y manipulación numérica.
• Explorar, limpiar y transformar datasets con Pandas.
• Crear visualizaciones con Matplotlib y Seaborn.
• Entender los fundamentos del machine learning.
• Construir modelos con Scikit-learn.
• Evaluar y comparar modelos con métricas y validación.

¿Es para vos?

• Terminaste el Nivel 1 de Python para Inteligencia Artificial y querés seguir.
• Sos estudiante, técnico o profesional con Python básico o intermedio y querés trabajar con datos.
• Sos analista o profesional de cualquier área y querés sumar análisis de datos y modelos predictivos a tu trabajo.
• Proyectás avanzar hacia niveles superiores de machine learning e inteligencia artificial.

¿Cumplís con los requisitos?

Necesitás Python básico o intermedio: haber completado el Nivel 1 o tener conocimientos equivalentes de estructuras de datos, funciones, módulos y archivos. Se recomienda experiencia con listas, diccionarios, funciones y manejo básico de archivos.

Programa: 16 clases

Ciencia de datos y cálculo numérico

• Clase 1 · Introducción a la ciencia de datos y su flujo de trabajo: el problema, las fuentes y tipos de datos, la variable objetivo y las etapas de un proyecto.
• Clase 2 · NumPy: arrays, indexación, slicing y operaciones vectorizadas.
• Clase 3 · NumPy: estadísticas y álgebra lineal, vectores, matrices y producto matricial.

Datos con Pandas

• Clase 4 · Series y DataFrames: carga de datasets, inspección con head(), info() y describe().
• Clase 5 · Filtrado, agrupación con groupby(), agregación y transformación.
• Clase 6 · Limpieza de datos: faltantes, duplicados y normalización de tipos.
• Clase 7 · Pandas avanzado: merge, join, concat, tablas dinámicas y multi-index.
• Clase 8 · Análisis exploratorio: estadística descriptiva, distribuciones, valores atípicos, correlaciones e hipótesis.

Visualización

• Clase 9 · Matplotlib: principios de visualización, figuras y gráficos a partir de Pandas.
• Clase 10 · Seaborn: heatmaps, pairplots, distribuciones y comparación entre categorías.

Machine learning con Scikit-learn

• Clase 11 · Introducción al machine learning: aprendizaje supervisado, no supervisado y por refuerzo; entrenamiento, validación y predicción.
• Clase 12 · Preprocesamiento: separación entre entrenamiento y prueba, escalado, variables categóricas, pipelines y fugas de información.
• Clase 13 · Regresión lineal y regresión logística.
• Clase 14 · Clasificación con K-Nearest Neighbors.
• Clase 15 · Evaluación: accuracy, precision, recall, F1-score, matriz de confusión, validación cruzada, overfitting y underfitting.
• Clase 16 · Proyecto integrador de machine learning, del dataset a la evaluación final.

Práctica en cada clase y un portfolio propio

Cada clase combina explicación, demostraciones y una práctica aplicada sobre un dataset que elegís en la primera clase. Los notebooks, scripts y resultados quedan como tu portfolio del nivel. El curso cierra con un proyecto completo de machine learning: definición del problema, preparación y análisis de datos, visualización, entrenamiento, evaluación y presentación de resultados.

¿Qué incluye?

• 16 clases en vivo de 2 horas, los miércoles y viernes de 10:00 a 12:00 (hora de Argentina).
• Todas las clases quedan grabadas, para que puedas verlas de nuevo o ponerte al día si faltaste.
• Inicio el miércoles 12 de mayo de 2027.
• Certificación de UTN-FRD por convenio académico (Resolución N.º 436/26).