En línea
Conviértete en Data Scientist incluso sin experiencia previa en el campo
Horario flexible
Agenda una consulta profesional y averigua cómo puedes hacerlo posible estudiando en un bootcamp de 9 meses de Ciencia de Datos
de datos?
Los data scientists son los prospectores del futuro. Enseñan a las máquinas a analizar enormes cantidades de datos y hacer predicciones. En lugar de oro, buscan información práctica para ayudar a las empresas a tomar decisiones informadas y crecer.
Trabajo flexible: elige la mejor oportunidad entre +14 mil vacantes remotas en el mundo
Python básico
¡Tu introducción al mundo del análisis de datos!
Conceptos clave y sintaxis básica en Python. Bucles,
condiciones y funciones. La librería pandas para analizar datos.
Tu primer estudio de caso analítico, seguido de tu primer
proyecto.
Capítulo 1. Introducción a tu futura profesión
Capítulo 2. Variables, tipos de datos y operaciones aritméticas
Capítulo 3. Strings
Capítulo 4. Listas
Python básico (continuación)
Continuarás tu viaje por los diccionarios de Python que se
emplean comúnmente en el campo de los datos. Harás que tu
código sea flexible y reutilizable mediante la creación de
funciones.
Capítulo 1. Bucles
Capítulo 2. Sentencias condicionales
Capítulo 3. Diccionarios
Capítulo 4. Funciones
Manipulación de datos (Data Wrangling)
La librería Pandas para procesar datos. Compensación por
datos imperfectos. Manejo de valores ausentes y duplicados.
Capítulo 1. La librería Pandas
Capítulo 2. Leer y visualizar datos
Capítulo 3. Trabajar con valores duplicados y ausentes
Capítulo 4. Filtrado de datos
Manipulación de datos (Data Wrangling) (continuación)
Cambiar tipos de datos. Identificar correlaciones y crear
gráficos.
Capítulo 1. Tipos de datos
Capítulo 2. Ingeniería de características
Capítulo 3. Transformación de datos
Capítulo 4. Visualización de datos
Análisis estadístico de datos
Teoría de la probabilidad, distribuciones más comunes
y métodos estadísticos en Python. Muestreo y significación
estadística. Identificación y manejo de anomalías.
Capítulo 1. Estadística descriptiva
Capítulo 2. Teoría de la probabilidad
Capítulo 3. Prueba de hipótesis
Proyecto del módulo 1
Identificar patrones que te ayudarán a determinar si un
videojuego concreto tendrá éxito comercial o no.
Herramientas de desarrollo de software
Preparar el ecosistema de las herramientas de desarrollo.
Aprender a utilizar la línea de comandos para acceder y
manipular fácilmente archivos en tu computadora. Utilizar las
herramientas de Git y GitHub. Profundizando en un 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
Capítulo 5. Entorno de desarrollo individual
Recopilación y almacenamiento de datos (SQL)
Cómo se estructuran las bases de datos y cómo extraer datos
de ellas mediante consultas SQL. Encontrar datos en línea.
Capítulo 1. Recuperar datos de recursos en línea
Capítulo 2. SQL como herramienta para trabajar con datos
Capítulo 3. Funciones avanzadas de SQL para analistas
Capítulo 4. Relaciones entre tablas
Capítulo 5. Habilidades sociales (Soft skills)
Introducción al machine learning
Dominar las nociones básicas del machine learning. Control de
la librería scikit-learn para completar tu primer proyecto de
machine learning.
Capítulo 1. Entrenar tu primer modelo
Capítulo 2. Calidad del modelo
Capítulo 3. Mejora del modelo
Capítulo 4. Pasar a la regresión
Aprendizaje supervisado
Inmersión en el área más demandada del machine learning.
Cómo ajustar los modelos de machine learning, mejorar las
métricas y trabajar con datos desbalanceados
Capítulo 1. Codificación y estandarización de datos
Capítulo 2. Métricas de clasificación
Capítulo 3. Clasificación desbalanceada
Capítulo 4. Métricas de regresión
Capítulo 5. Habilidades sociales (Soft skills)
Aprendizaje automático en negocios
Aplicar todo lo que has aprendido en ejercicios de negocio.
Descubrir métricas de negocio, tests A/B, la técnica bootstrap y el
etiquetado de datos.
Capítulo 1. Métricas de negocio
Capítulo 2. Implementar una nueva funcionalidad
Capítulo 3. Recopilación de datos
Capítulo 4. Habilidades sociales (Soft skills)
Proyecto del módulo 2
Realizar un prototipo de un modelo de machine learning para
ayudar a una compañía minera a desarrollar soluciones
eficientes.
Álgebra lineal
Examinar de cerca algunos de los algoritmos que ya has
estudiado y comprender cómo aplicarlos. Obtener un enfoque
práctico de los conceptos clave en álgebra lineal: vectores,
matrices y regresiones lineales.
Capítulo 1. Vectores y operaciones vectoriales
Capítulo 2. Distancia entre vectores
Capítulo 3. Matrices y operaciones matriciales
Capítulo 4. Regresión lineal desde el interior
Métodos numéricos
Analizar diferentes algoritmos que utilizan métodos numéricos
y aplicarlos a ejercicios prácticos. Aprender sobre el descenso
de gradiente, la potenciación del gradiente y la red neuronal.
Capítulo 1. Análisis de algoritmos
Capítulo 2. Descenso de gradiente
Capítulo 3. Entrenamiento de descenso de gradiente
Capítulo 4. Potenciación del gradiente
Capítulo 5. Habilidades sociales (Soft skills)
Series temporales
Explorar series temporales. Entender tendencias,
estacionalidad y creación de características.
Capítulo 1. Análisis de series temporales
Capítulo 2. Pronóstico de series temporales
Aprendizaje automático para textos
Aplicar el machine learning para datos de texto. Descubrir
cómo convertir texto en números y cómo utilizar el modelo
bolsa de palabras, TF-IDF, además de embeddings y BERT.
Capítulo 1. Vectorización de textos
Capítulo 2. Representaciones del lenguaje
Visión artificial
Cómo manejar simples ejercicios de visión artificial utilizando
redes neuronales preestablecidas y la librería Keras. Un rápido
vistazo al aprendizaje profundo (deep learning).
Capítulo 1. Redes totalmente conectadas
Capítulo 2. Redes neuronales convolucionales
Capítulo 3. Habilidades sociales (Soft skills
Aprendizaje no supervisado
Descubrir qué hacer cuando no tienes las características
de la variable objetivo. Realizar ejercicios de agrupamiento
(clustering) y buscar anomalías.
Capítulo 1. Clustering
Capítulo 2. Detección de anomalías
Proyecto final
Utilizar todo lo que has aprendido en un bootcamp de dos
semanas que simula la experiencia de trabajo de un científico
de datos junior.
¿Obtendrás la certificación? Por supuesto. Quedará muy bien en tu CV
Te ayudamos a encontrar trabajo en los 6 meses siguientes a tu graduación
o te
CV y portafolio
El bootcamp de
programación mejor valorado, con +1200 reseñas
Consulta nuestros premios en Career Karma, SwitchUp y Course Report
y Machine Learning
“No importa lo que hayas hecho haste ahora en tu vida, siempre tienes la oportunidad de hacer algo nuevo, de reinventarte y lograr el futuro que quieras lograr.”
“Soy una orgullosa graduada de Tripleten. Puedo constatar el valor del contenido que ofrece el Bootcamp, ya que cubre la teoría y la práctica de manera integral.”
Service
“Me ha impactado demasiado, ya que para mi es de lo mejor el poder actualmente estudar 2 carreras al mismo tiempo y tener el trabajo en mi area o bueno un area cercana.”
“Lo primero que destaca de TripleTen es su equipo docente altamente calificado y comprometido. Los profesores no solo son expertos en sus campos respectivos, sino que también tienen una pasión innata por guiar y nutrir a sus estudiantes.”
y Data Analyst
“El curso me dio un amplio conocimiento del tema y lo mejor fue que me permitió aprender directamente de expertos, adquiriendo conocimientos de primera mano.”
Operator
“Me ayudó a cambiar de carrera y encontrar mi verdadera vocación.”
Procesos Biotecnológicos
“El bootcamp de TripleTen ha tenido un impacto transformador en mi vida. Gracias a TripleTen, no solo adquirí nuevas competencias, sino también una mayor claridad sobre mis objetivos profesionales y cómo alcanzarlos.”
MR MARVIS
“Ha sido la principal herramienta para mi cambio de carrera. Plataforma tenga todo organizado de una manera útil y bien explciada y que tengas la posibilidad de hacer ejercicios y proyectos que serán revisados.”
financieros
“Me permitió organizar mi ruta de aprendizaje y estructurar el conocimiento que había adquirido en otros medios y en mi experiencia laboral en el ámbito de los datos. Me brindó visibilidad y creó oportunidades de crecimiento, siendo clave para encaminar mi carrera hacia el mundo de los datos.”
Outliner
“Me permitió adquirir las herramientas necesarias para iniciar una trayectoria en un campo diferente al que conocía. Ahora cuento con un trabajo remoto y flexibilidad de tiempo para trabajar a mis propios términos.”
“Me dio mucha disciplina y me ayudó a encontrar un trabajo bien remunerado.”
de datos
“Yo de formación soy socióloga, y las oportunidades laborales no eran muchas y no estaban bien pagadas, y creo que esto me abrió muchas puertas, el trabajo que conseguí es muy bueno, así que estoy muy agradecida por eso.”
“De repente te das cuenta que has aprendido mucho sin que realmente haya sido difícil.”
“Estoy muy confiada de que los proyectos que podré añadir a mi portafolio me distinguirán de los demás aplicantes.”
“Dudaba si sería capaz de comprender el material y realizar las actividades. Mis dudas se disiparon debido a la claridad de los contenidos, la práctica disponible y las sesiones con los asesores.”
“Es emocionante tener un gran número de proyectos, tener un horario intenso pero flexible, ver tu propio desarrollo haciendo proyectos después de aprender con la teoría y de practicar.”
“Puedes empezar de nuevo sin importar la edad.”
Specialist
“Me ayudo a capacitarme con las herramientas necesarias para entrar en al industria de los datos.”
Nuestros graduados trabajan en startups locales y gigantes internacionales
