
Con Python puedes crear sitios web, analizar datos, desarrollar juegos, automatizar tareas y mucho más. Sus amplias bibliotecas y frameworks proporcionan soluciones listas para usarse en diversas tareas, lo que agiliza el proceso de desarrollo y permite a los programadores dar vida a sus ideas más rápidamente y con menos complicaciones.




Todo lo que necesitas es el deseo de iniciar una nueva profesión en tecnología, computadora o laptop con acceso a Internet, y la capacidad de estudiar alrededor de 20 horas a la semana.
Los cursos de TripleTen son una mezcla de autoaprendizaje y clases dirigidas. Nuestro objetivo es sumergirte en un entorno de trabajo real, no en uno universitario, por eso no hay clases ni exámenes programados obligatorios. Pero al igual que en una empresa real tendrás que cumplir plazos, nosotros también tenemos plazos para nuestros proyectos.
Ese es nuestro principal objetivo: La tasa de empleo de TripleTen supera el 80%. Tienes la opción de completar cursos de orientación profesional justo después del principal. Durante este programa crearás tu portafolio, te prepararás para entrevistas de trabajo, escribirás cartas de presentación y te prepararás para entrar en el mercado laboral tecnológico. Nuestros orientadores profesionales y equipo de apoyo estarán a tu lado hasta que recibas una oferta de trabajo e incluso después, hasta que superes el periodo de prueba.
Si no consigues un nuevo empleo en tecnología en los 6 meses posteriores a tu graduación, te devolveremos el 100% de la colegiatura.
Nuestra misión es prepararte para tu búsqueda de empleo utilizando los más altos estándares y las mejores prácticas en coaching profesional:
Aprende a preparar, limpiar y organizar datos en hojas de cálculo para responder preguntas de negocio con confianza. Este módulo cubre cómo identificar problemas comunes de calidad, aplicar técnicas de limpieza, estructurar la información de forma clara y transformar datos en métricas y visualizaciones básicas. Además, descubrirás cómo aprovechar la IA para explorar datasets y automatizar tareas simples.
Capítulos:
1. El ecosistema de los datos y el rol del analista
2. Explorando y organizando datos en hojas de cálculo
3. Limpieza de datos: detección y corrección de errores
4. De datos a insights: métricas y visualizaciones básicas
5. 🤖 Usando IA para explorar y visualizar datasets
Aprende a combinar, resumir y visualizar datos para responder preguntas de negocio con mayor claridad. En este módulo explorarás cómo usar funciones de agregación, tablas dinámicas y formatos condicionales para detectar patrones y calcular métricas clave. También aprenderás a diferenciar indicadores líderes y rezagados, estructurar conclusiones accionables y comunicar hallazgos a través de dashboards y presentaciones. La IA te acompañará como apoyo para crear fórmulas, explorar métricas y acelerar la construcción de reportes.
Capítulos:
1. Preguntas de negocio y métricas clave
2. Preparación y combinación de datasets
3. Resumen de datos con funciones y filtros
4. Análisis con tablas dinámicas
5. Visualización y storytelling con insights
6. 🤖 Usando IA para métricas, fórmulas y agregaciones
Domina las bases de SQL para analizar datos financieros y responder preguntas de negocio. En este módulo aprenderás a navegar bases de datos relacionales, extraer información con consultas básicas y usar funciones de agregación para calcular métricas clave como ingresos, costos, margen y ROI. También practicarás cómo unir tablas para análisis más completos, detectar tendencias en el tiempo y comunicar hallazgos con claridad. La IA te servirá como apoyo para generar queries más rápido, interpretar resultados y preparar reportes para distintos públicos.
Capítulos:
1. Estructura de bases de datos relacionales
2. Consultas SQL: selección, filtros y ordenamientos
3. Cálculo de métricas financieras clave
4. Análisis de tendencias y comunicación de insights
5. Preparación y entrega de reportes financieros
6. 🤖 Usando IA para consultas SQL y reportes ejecutivos
Aprende a mapear y analizar el recorrido de tus usuarios para entender mejor su comportamiento y optimizar la conversión. En este módulo usarás SQL para reconstruir flujos de usuarios, medir tasas de conversión y detectar cuellos de botella en funnels. También trabajarás con cohortes para analizar retención en el tiempo y simular escenarios de mejora para estimar su impacto en métricas clave como ingresos o engagement. Finalmente, convertirás tus análisis en visualizaciones y dashboards claros para diferentes audiencias.
Capítulos:
1. Entendiendo el user journey y estructurando el análisis
2. Construcción de funnels con SQL
3. Análisis de retención con cohortes
4. Modelado de escenarios e impacto en negocio
5. Comunicación de insights y dashboards para stakeholders
Aprende a organizar y limpiar datos como lo hacen los analistas profesionales. En este módulo configurarás un entorno de trabajo en Python con Jupyter o Google Colab, cargarás datasets en Pandas y aplicarás técnicas de exploración estructurada. Practicarás cómo detectar y corregir errores comunes (valores nulos, duplicados, formatos inconsistentes), transformar columnas y combinar múltiples fuentes en un dataset unificado. Además, aprenderás a documentar tu trabajo en notebooks claros y reproducibles, y a usar GitHub para colaborar y compartir análisis. Con el apoyo de la IA, podrás acelerar tareas como limpieza, agrupación y generación de código en Colab.
Capítulos:
1. Configuración de un entorno de análisis con Python
2. Exploración y manipulación de DataFrames
3. Limpieza y estandarización de datos crudos
4. Filtrado, ordenamiento y agrupación de datos
5. Combinación y estructuración de múltiples datasets
6. 🤖 Usando Google Colab e IA para limpieza y agregaciones rápidas
Aprende a usar estadísticas descriptivas y visualizaciones para descubrir patrones, detectar anomalías y comunicar hallazgos con claridad. En este módulo trabajarás con Pandas, Matplotlib y Seaborn para calcular medidas de tendencia central y dispersión, identificar distribuciones sesgadas, y visualizar datos con histogramas y boxplots. También practicarás cómo manejar outliers, transformar variables para mejorar la calidad del análisis y resaltar insights clave en gráficos claros y comprensibles para audiencias no técnicas.
Capítulos:
1. Preparación de datos para análisis estadístico
2. Estadísticos descriptivos: tendencia central y variabilidad
3. Visualización de distribuciones y detección de outliers
4. Manejo de sesgos y anomalías en los datos
5. Comunicación de hallazgos estadísticos para audiencias de negocio
Aprende a combinar, limpiar y organizar datasets para explorar relaciones entre variables numéricas. En este módulo usarás Pandas y Seaborn para preparar datos, crear scatter plots y calcular matrices de correlación que revelen patrones ocultos. Practicarás cómo interpretar relaciones positivas, negativas o nulas, y cómo validar insights con visualizaciones claras. Además, aprenderás a documentar tu proceso de análisis en Jupyter Notebooks estructurados y fáciles de seguir, como lo haría un analista profesional.
Capítulos:
1. Importación y preparación de datasets en Pandas
2. Combinación y organización de múltiples tablas
3. Exploración de relaciones entre variables con scatter plots
4. Construcción e interpretación de matrices de correlación
Aprende a convertir preguntas de negocio en hipótesis estadísticas claras y valídalas con pruebas en Python. En este módulo usarás SciPy y statsmodels para calcular intervalos de confianza, ejecutar t-tests, z-tests y chi-cuadrado, e interpretar p-values en un contexto empresarial. También practicarás cómo preparar datos para cumplir con los supuestos de cada prueba, documentar tu análisis en notebooks claros y co-crear interpretaciones con IA para mejorar tu comunicación de resultados.
Capítulos:
1. Formulación y estructuración de hipótesis de negocio
2. Pruebas de medias y proporciones con Python
3. Pruebas de independencia entre grupos con chi-cuadrado
Aprende a transformar datos en narrativas visuales convincentes con Power BI o Tableau. En este módulo conectarás datasets reales a un BI tool, crearás gráficos interactivos (líneas, barras, mapas, proporciones) y aplicarás principios de diseño para comunicar insights de manera clara y persuasiva. También aprenderás a estructurar dashboards con filtros dinámicos y a resaltar patrones clave mediante formato visual y storytelling SCQA. Finalmente, compartirás y presentarás tu tablero como un reporte profesional listo para la audiencia.
Capítulos:
1. Conexión a datos y exploración de estructura
2. Creación de visualizaciones básicas y comprensión de su propósito
3. Añadiendo interactividad con filtros y controles
4. Diseño de un dashboard claro y efectivo
5. Compartiendo y presentando hallazgos
Aprende a integrar múltiples fuentes de datos en un BI tool y a construir dashboards interactivos que respondan a las preguntas de negocio de distintos públicos. En este módulo diseñarás modelos de datos con relaciones entre tablas, crearás campos calculados y medidas personalizadas para métricas clave como ingresos, crecimiento o retención, y realizarás análisis de cohortes para entender el comportamiento de clientes en el tiempo. También practicarás cómo estructurar dashboards con vistas enlazadas, filtros dinámicos y visual storytelling para ejecutivos y analistas. Finalmente, refinarás y entregarás un tablero claro y accionable, listo para toma de decisiones.
Capítulos:
1. Conexión de múltiples fuentes y modelado de relaciones
2. Creación de campos calculados y medidas personalizadas
3. Diseño de dashboards interactivos para diferentes audiencias
4. Comunicación de insights accionables mediante dashboards
Aplicar todo lo que has aprendido en el bootcamp de dos semanas que recrea la experiencia de trabajo de un analista junior.
¡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
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
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
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
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
Identificar patrones que te ayudarán a determinar si un videojuego concreto tendrá éxito comercial o no.
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
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)
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
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)
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)
Realizar un prototipo de un modelo de machine learning para
ayudar a una compañía minera a desarrollar soluciones
eficientes.
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
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)
Explorar series temporales. Entender tendencias, estacionalidad y creación de características.
Capítulo 1. Análisis de series temporales
Capítulo 2. Pronóstico de series temporales
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
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)
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
Utilizar todo lo que has aprendido en un bootcamp de dos semanas que simula la experiencia de trabajo de un científico de datos junior.