Aprende a utilizar hojas de cálculo para llevar a cabo análisis. Este módulo explora las mejores prácticas de la industria para elegir y calcular métricas relevantes, y luego usar hojas de cálculo para analizarlas y visualizarlas de manera eficiente.

Capítulo 1. Fundamentos de las hojas de cálculo

Capítulo 2. Limpieza y preprocesamiento de los datos

Capítulo 3. Tablas dinámicas

Capítulo 4. Gráficos y diagramas

¡Tu introducción al mundo del Data Analysis! Conceptos clave y sintaxis básica en Python. Bucles, condiciones, y funciones. La librería Pandas para el análisis de datos. Tu primer estudio de caso analítico, seguido de tu primer proyecto.

Capítulo 1. Variables, tipos de datos y operaciones aritméticas

Capítulo 2. String

Capítulo 3. Listas

Capítulo 4. Bucles

Capítulo 5. Sentencias condicionales

Capítulo 6. Un rápido resumen de Jupyter Notebook

Continuarás tu viaje a través de los diccionarios de Python comúnmente utilizados en el campo de la ciencia de datos. Harás que tu código sea flexible y reutilizable mediante la creación de funciones. Por último, comenzamos a aprender Pandas, que es la librería #1 utilizada por profesionales de datos para procesar datos.

Capítulo 1. Diccionarios

Capítulo 2. Funciones

Capítulo 3. La librería Pandas

Capítulo 4. Introducción al preprocesamiento de datos y al análisis inicial

Compensación por datos imperfectos. Manejo de valores ausentes y duplicados. Cambio de tipos de datos. Identificación de correlaciones y creación de gráficos.

Capítulo 1. Leer y visualizar datos

Capítulo 2. Trabajar con valores duplicados y ausentes

Capítulo 3. Filtrado de datos

Capítulo 4. Estudio de caso

Capítulo 5. Visualización de datos

Capítulo 6. Tipos de datos

Capítulo 7. Ingeniería de características

Capítulo 8. Transformación de datos

Teoría de la probabilidad, las distribuciones más comunes y los métodos estadísticos en Python. Muestreo y significancia estadística. Identificar y gestionar anomalías.

Capítulo 1.Estadística descriptiva

Capítulo 2. Teoría de la probabilidad

Capítulo 3. Verificación de hipótesis

Preparación del ecosistema de herramientas de desarrollo. Aprender a utilizar la línea de comandos para acceder fácilmente a los archivos de tu computadora y manipularlos. Uso de herramientas Git y GitHub. Exploración de Python más avanzado.

Capítulo 1. Introducción a la línea de comandos

Capítulo 2. Entornos de desarrollo

Capítulo 3. Git y Github

Capítulo 4. Python intermedio

Identifica patrones que te ayuden a determinar si un videojuego determinado será un éxito comercial o no.

Capítulo 1. Recuperar datos de recursos en línea

Capítulo 2. SQL como herramienta para trabajar con datos

Capítulo 3. Rasgos de SQL avanzado para el análisis

Capítulo 4. Relaciones entre tablas

Capítulo 5. Soft skills

Enfoque analítico de negocio. Métricas de negocio y KPIs. Análisis de datos de usuario. Análisis de marketing y herramientas relacionadas. Embudo de ventas.

Capítulo 1. Métricas y embudos

Capítulo 2. Análisis de cohortes

Capítulo 3. Economía unitaria

Capítulo 4. Métricas de usuario

Capítulo 5. Soft skills

Lección extra: Optimizar datos en Pandas

Métodos y herramientas para probar hipótesis. Diseño experimental. Estacionalidad. Análisis de cohorte. Test A/B.

Capítulo 1. Las bases de la verificación de hipótesis en negocio

Capítulo 2. Escoger un método experimental

Capítulo 3. Priorizar hipótesis

Capítulo 4. Prepara un Test A/B

Capítulo 5. Analizar los resultados del Test A/B

Capítulo 6. Soft skills

Aprenda a comprobar las hipótesis estadísticas de los tests A/B y a preparar conclusiones y recomendaciones en un formato de informe analítico.

Automatiza procesos de análisis de datos y redacta tareas rutinarias. Métodos de visualización de datos. Presenta los resultados.

Capítulo 1. Data pipelines y por qué utilizarlos

Capítulo 2. Diseñar y desarrollar cuadros de mando con Dash

Capítulo 3. Tableau

Métodos básicos de machine learning y aplicaciones. Clasificación, pronóstico, agrupamiento. Regresión. Árboles de decisión.

Capítulo 1. Tareas de negocio que involucran al machine learning

Capítulo 2. Algoritmos de machine learning

Capítulo 3. Resolver tareas relacionadas con machine learning

Aquí es donde pones en práctica todo lo que has aprendido a lo largo del programa y demuestras que tienes lo que se necesita para ser un desarrollador web. No tendrás que completar ninguna otra tarea ni trabajar en ninguna lección en la plataforma interactiva. Al igual que en la vida real, tendrás un proyecto y una fecha de entrega; estarás armado sólo con tus habilidades, tus conocimientos y un buscador.

• Comunicación constante con otros graduados y graduadas
• Eventos en línea: seminarios web de profesionales de la industria, sesiones de networking
• Oportunidades de trabajo y trabajo autónomo para tutores y para quienes se gradúan

• Estrategia personal de búsqueda de empleo
• Mercado laboral en TI y la esfera digital
• Entrevista: teoría y práctica
• Habilidades de networking
• Resumé/Curriculum Vitae
• Carta de motivación
• Portafolio
• Presencia en línea: LinkedIn, etc.

• Buscan activamente un empleo y mejoran constantemente a través del ciclo de feedback organizado por nuestros especialistas de Recursos Humanos
• Practican entrevistas técnicas y de Recursos Humanos (entrevistas simuladas)
• Hacen networking (con nuestra ayuda y por su cuenta)
• Obtienen acceso a los socios y socias de TripleTen y sus oportunidades laborales