Modalidad Online

Programa Integral de Especialización

Python for
Data Science
76 hrs. Académicas
Testing Service Partner
 Santiago Rosell Walter Ordoñes
UNALM UDEA-Colombia
“Gané conocimientos en el campo de la “Es un programa que ayuda en muchas áreas
Ciencia de Datos para seguir creciendo de la ciencia, el cual permite extraer el
profesionalmente.” mayor conocimiento de los datos”

Comunidad
Luis Cueva Anthony Baldoceda
CGR-chile EVERIS
“SDC es una institución de alta calidad, donde se “Destaco la experiencia que maneja el
valora la enseñanza y sobre todo cumplir con las
fechas de un programa. Realmente se nota la preocu-
docente Manuel Sigüeñas al enseñarnos
pación en la enseñanza impartida en disposición y a resolver problemas a través de casos
conocimientos del docente Manuel ”. reales”

Alejandro Valtierra Bryan Leonardo

UPIICSA-IPN México Rimac Seguros y Reaseguros
“Resalto el dominio del tema por parte del docente “El docente Manuel tiene bastante experiencia en
Manuel junto a su temario amplio y su metodología los programas que enseña, así he desarrollado mis
de enseñanza parte desde un nivel básico hasta conocimientos básicos hasta saber usar el lenguaje
avanzado. Además incluye casos extras para un de programación tambien destaco la calidad de
mejor aprendizaje ”. organización de su temario”.

Transformando
Profesionales en Alejandro Gallardo Fabiola Espinoza Mena

Todas Partes LIFE & HOPE SPECIALITY CARE S.A-ecuador

"Mi experiencia en SDC ha sido increíble. Me proporcio-
nó las herramientas necesarias para vincularme con
Instituto Nacional de Seguros-Costa Rica
“Es mi primer programa en SDC y me ha ayudado a
expandir mis conocimientos a nivel analítico junto
SDC Learning - Miami, Florida, EE.UU diversos campos laborales. En mi caso, dominar Python
para la manipulación y análisis de datos ha añadido un
con la colaboración del Docente Manuel, claro ejem-
plo de que su experiencia en conocimientos se trans-
SDC Learning - Miraflores, Lima, Perú valor significativo a mi desempeño profesional." mite durante las sesiones”.
 Librerias
¿Qué
aprenderás?
NumPy Pandas SQLAlchemy Dask
Este programa integral de especialización aborda desde los
principios fundamentales hasta las técnicas más avanzadas
de Machine Learning y Deep Learning. A lo largo de siete
cursos, los participantes desarrollarán habilidades prácticas
en Python, el lenguaje de programación con mayor demanda,
aplicándolo a la Ingeniería de Datos, Análisis de Datos, y Mo- TensorFlow PyTorch Matplotlib SciPy
delado Predictivo. Aprenderás a manejar grandes conjuntos
de datos, aplicar algoritmos de aprendizaje automático no su-
pervisado y supervisado, sumergirte en el Deep Learning, y fi-
nalmente, desplegar en entornos de producción modelos de
IA. Utilizando librerías avanzadas como Scikit-learn, Tensor-
Flow, y RAPIDS para analítica avanzada, este programa está Seaborn CuPy Numba Scikit-learn
diseñado para equiparte con el conocimiento y las herramien-
tas necesarias para convertirte en un experto en Ciencia de
Datos, capaz de transformar datos crudos en insights valiosos
y proporcionar soluciones prácticas.

Keras H2O RAPIDS Dash

Certifícate en

76

Python for Python for

Data Science Data Science
76 Hrs. Académicas
 Introducción a Python Fundamentos Conexión y Exploración Preprocesamiento
for Data Science de Python de Datos de Datos I
Presentación del programa y ob- Introducción a las características Métodos de importación de datos: Codificación de datos categóricos.
jetivos. principales de Python. CSV, Excel y JSON. Imputación de valores faltantes.
Introducción al ciclo de vida de Sintaxis básica y estructuras de Exploración inicial de datos: resumen Identificación y tratamiento de
un proyecto de analítica de datos: listas, diccionarios, estadístico y visualización. outliers.
datos.
Temario

tuplas, vectores, matrices y da- Conexión a bases de datos usando Actividad: Preprocesar un dataset
Conceptos clave de ciencia de ta.frame. SQLAlchemy. utilizando las técnicas de codifica-
datos. Funciones y control de flujo en Actividad: Cargar datos desde dife- ción e imputación.
Actividad: Explorar casos prácti- Python. rentes fuentes y explorar característi-
cos que cubren el ciclo de vida Actividad: Desarrollar un script cas principales con Pandas.
de un proyecto de ciencia de para manipulación de datos en
datos. Python.

Preprocesamiento Modelos Modelos Supervisados Modelos Supervisados

de Datos II No Supervisados de Clasificación I de Clasificación II
Escalamiento y normalización de Fundamentos del aprendizaje no Regresión Logística. Random Forest y Naive Bayes.
datos. supervisado. Análisis Discriminante Lineal y Redes Neuronales.
Introducción al Análisis de Compo- Algoritmos de clusterización: Cuadrático. Tuning de hiperparámetros y mé-
nentes Principales (PCA). KMeans, AGNES. Árboles de Decisión. tricas avanzadas de evaluación.
Identificación de características Reglas de asociación. Actividad: Entrenar y evaluar modelos Actividad: Comparar el desempeño
principales. Actividad: Implementar KMeans de clasificación utilizando métricas de modelos avanzados con métri-
Actividad: Aplicar PCA a un conjun- para segmentar un dataset e in- como accuracy y precision. cas ROC y F1-score.
to de datos para reducir dimensio- terpretar resultados.
nalidad y visualizar los resultados.
 Modelos de Regresión Modelos de Regresión Deep Optimización y Tuning
Supervisada I Supervisada II Learning de Modelos
Regresión Lineal Random Forest Fundamentos de Deep Learning, Ten- Optimización de hiperparámetros.
Redes Neuronales. sores y operaciones básicas Validación cruzada para evaluación
Regresión RANSAC.
Optimización de modelos de Introducción a TensorFlow y Keras. de modelos.
Árboles de Regresión.
regresión. Diseño de arquitecturas de redes Uso de frameworks para tuning au-
Actividad: Entrenar modelos
Temario

Actividad: Evaluar el desem- neuronales. tomático (GridSearch y Randomized-

de regresión y analizar los
resultados. peño de modelos avanzados Entrenamiento de modelos y evalua- Search).
de regresión con métricas ción. Actividad: Optimizar hiperparáme-
como RMSE y R². Actividad: Construir un modelo de tros con GridSearchCV y Randomi-
red neuronal en TensorFlow y Keras zedSearch para modelos de clasifi-
para una tarea de clasificación. cación y regresión

Despliegue de Despliegue de Proyecto Final y Preparación

Modelos I Modelos II para la Certificación
Exportación de modelos para despliegue Introducción a Azure Machine Learning y Entrenar, desplegar y consumir un
e introducción a Flask para crear APIs. AWS Sagemaker. modelo de supervisado de clasificación
Diseño básico de APIs para modelos de Despliegue de modelos en plataformas en o regresión.
machine learning. la nube. Revisión de los objetivos del examen.
Desarrollo de interfaces de usuario (UI) Pruebas de funcionalidad en entornos pro- Consejos para el examen PCED
con Flet ductivos. Actividad: Exponer el proyecto final y
Actividad: Crear una API con Flask para Actividad: Registrar y desplegar un documentarlo. Realizar un simulacro de
exponer un modelo de machine Learning modelo en Azure ML y realizar prediccio- examen de certificación.
y consumirlo desde una interfaz de nes desde la nube.
usuario desarrollada en Flet.
¿A quiénes está dirigido?
Profesionales Analistas de Datos, coor-
dinadores de proyectos, estudiantes

Beneficios
universitarios, personal de instituciones
en general. Profesionales de áreas de in-
teligencia analítica, investigación social CLASES EN VIVO PRÁCTICO
y análisis de mercado público. Participa en clase interactivas Simulación
en tiempo real de examen

Objetivos
Implementar modelos estadísticos, mi-
nería de datos y Machine Learning para
análisis de data estructurada y no es-
tructurada

DISCUSIONES DOCENTES
Perfil del Egresado Comunicación plena entre
el docente y sus alumnos
+10 años de experiencia y
consultoria asociado en
Habilidad y capacidad para analizar SDC Group
datos mediante el uso de metodologías
Estadísticas y de Machine Learning. De-
sarrollo de aptitudes para liderar Pro-
yectos de Ciencia de Datos, Machine
Learning y Estadística en general, me-
diante el lenguanje de programación de
Python, habilidad y capacidad para ela-
borar aplicaciones en Dash para mode- CLASES GRABADAS CERTIFICADOS
los predictivos. Podrás consultar tus clases Obtén tus certificados de
grabadas en el Classroom participación y aprobación
 Profesor en Métodos Computacionales y Estadísticos con estudios de Maestría en Estadística Aplicada en la
Universidad Nacional Agraria La Molina, Perú. Agile Data Scientist y SCRUMStudy trainer certificado. Cuenta
con una diplomatura de Estudio Internacional Empresarial en Analítica de Negocios y Gestión de la Informa-
ción – CENTRUM PUCP y certificado en el Programa Avanzado Internacional en Analítica de Negocios y Gestión
de Información, otorgado por EADA Business School. Egresado de la maestría en Administración de Empresas
en la Universidad Tecnológica del Perú.
Líder de Equipo en el Proyecto de “Diseño e Implementación del Equipo de Gobierno de Datos en las Líneas
de Gobierno de Datos, Analítica e Inteligencia de Negocios” para el Ministerio de Economía y Finanzas. Geren-
te de Servicios para el “Diseño e Implementación de una Solución Cloud en el marco del Observatirio Digital”
de FONAFE. Gerente de Servicios para la “Revisión de Modelos de Asignación de Líneas de Contraparte” para
el Banco de la Nación. Entre otros proyectos desarrollados para empresas nacionales y extranjeras. Además,
es Gerente de Servicios de Soluciones de Negocio en SDC Research y Gerente de Servicios Educativos en SDC
Learning.
Ha sido profesor invitado por el Departamento de Estadística e Informática de la UNALM para dictar el Curso
de “Text Mining”. Además, ha integrado el staff de profesores de la “Escuela de Herramientas Metodológi-
cas” organizada por ALACIP en las ediciones de Uruguay y México dictando el curso “Análisis Computacional
de Textos”.
Actualmente, es profesor principal de los Programas de Especialización en R for Data Science, Python for Data
Science, Azure for Data Science, AWS for Data Science, Gobierno de Datos y Big Data en SDC Learning.
Desde lo académico, ha liderado investigaciones en metodologías aplicadas a Text Analysis y Social Networks
Analysis para el Fondo Editorial de la PUCP. Actualmente, viene trabajando en el proyecto “Latin America Con-
gess” en el Data Lab de la PUCP, espacio para desarrollo de proyectos en Ciencia de Datos. Cuenta, además
con más de 8 años de experiencia en proyectos de gobierno de datos, ciencia de datos e inteligencia de nego-
cios.
Manuel Sigüeñas Posee diferentes certificados internacionales, dentro de las podemos destacar: Machine Learning (UCU, Big
Data Professional Certificate (CertiProf), Data Analytics Certified Associate (DACA, Scrum Developer Certified
Data Scientist, Cloud Solution (SDC), Scrum Master Certified (SMC), Scrum Product Owner Certified (SPOC), SCRUMstudy Agile Master Certi-
Specialist and ScrumStudy fied (SAMC), SCRUMstudy Certified Trainer (SCT), Scaled Scrum Master Certified, entre otras.
Trainer
 >> Miércoles y Viernes >> 16 sesiones + Evaluación
Fecha / Frecuencia* >> 31 de Enero del 2025 Duración** >> 64 hrs. académicas (45 min)
>> 7:00 pm a 10:00 p.m >> 12 hrs. evaluación

Business Understanding and Data Ingest and Cronograma

Modeling Deployment de examenes
Foundational Architecture Understanding para la certificación***
Programación

Data Science
31 de Enero
Fundamentals

Python
05 de Febrero
Fundamentals

Python for 19 de Febrero

Data Engineering

Python for
Unsupervised 26 de Febrero
Machine Learning
Python for
supervised 14 de Marzo
Machine Learning

Python for
19 de Marzo
Deep Learning

Python for Deploying

and Productionizing 26 de Marzo
Models
* SDC se reserva el derecho de realizar cambios en la fecha de inicio.
** Las 16 sesiones equivalen a 64 horas académicas de 45 minutos cada una.
*** El alumno cuenta con 15 días calendario para poder rendir la evaluación.
 PCED™ – Certified Entry
Certificate en: -Level Data Analyst
with Python
La certificación PCED valida conocimientos y habilida-
des integrales en análisis de datos fundamentales, es-
pecíficamente diseñados en torno a Python. Esta certi-
ficación garantiza el dominio de todo el espectro del
manejo de datos, desde la adquisición, el preprocesa-
miento, la validación y la preparación hasta el análi-
sis, el modelado y la visualización.

Duración del examen: 60 minutos + acuerdo de confidencialidad

Número de preguntas: 45
Formato: Preguntas de selección única y múltiple
Puntaje de aprobación: 75%

AGREGA LA CERTIFICACIÓN A LA COMPRA DEL PROGRAMA

COMPRAR

Testing Service Partner

 O R DATA
F SC
N I
O

TH

EN
PDSC

CE
PY
APPROVAL

M
R A

E
TI GR
FIE
D PRO

¡Líder en Capacitación!

Psje. Los Pinos 156, Of. 608 Central telefónica: [email protected]

Miraflores, Lima +51 939 929 383 www.socialdata-peru.com/learning