Data Scientist profesional — Del problema de negocio al modelo en producción
Itinerario profesional completo para desarrollar una práctica de Data Science desde el problema de negocio hasta un modelo evaluado, desplegado y monitorizado.
El Data Scientist transforma un problema de negocio en un proceso experimental basado en datos. Construye conjuntos de trabajo fiables, formula hipótesis, establece baselines, desarrolla y compara modelos, mide incertidumbre y sesgos y contribuye a integrar los modelos en productos o procesos realmente utilizados.
Este itinerario cubre Python, SQL, estadística, experimentación, Machine Learning, feature engineering, series temporales, texto y embeddings, causalidad, deep learning, reproducibilidad, explicabilidad, equidad y MLOps. El objetivo es saber elegir una estrategia de modelización adecuada, demostrar su rendimiento y valor operativo y participar en su despliegue, monitorización y gobernanza.
metiers_prof_data_scientist_outcome
15 cursos • 150 lecciones interactivas • de 45 a 75 horas de formación conversacional
Mejor oferta
Pack Completo — Data Scientist
399,00 € sin IVA
Ahorro : 124,80 €
74,70 €
64,90 sin IVA
Ahorro : 9,80 €
Encuadre del problema y entorno de trabajo
Comprender el rol del Data Scientist, traducir un reto de negocio en un problema de modelización y configurar un entorno de trabajo reproducible.
Información de la formación
Profesionales de datos, analistas, desarrolladores y perfiles técnicos que deseen llevar proyectos de Data Science desde la exploración hasta la evaluación, el despliegue y la supervisión de modelos.
No se requiere un nivel avanzado. Para comenzar basta con manejar el ordenador con soltura y tener interés por el análisis de datos o la resolución de problemas.
- Comprender el rol del Data Scientist y distinguir análisis, predicción, causalidad y optimización
- Trabajar con arrays y estructuras de datos mediante NumPy y pandas
- Visualizar datos con Matplotlib o Seaborn para comunicar una primera lectura
- Presentar una primera lectura de los datos a un interlocutor de negocio
- Aplicar los métodos y herramientas del curso a una situación profesional representativa.
- Producir un resultado utilizable y verificable combinando los conceptos trabajados: Presentar una primera lectura de los datos a un interlocutor de negocio
- Comprobar la calidad de los datos, resultados, evidencias o decisiones antes de comunicarlos o aplicarlos.
- Documentar el enfoque, explicar sus límites y defender las decisiones ante un interlocutor profesional.
de 3 a 5 h
24,90 € sin IVA
Calidad de los datos y razonamiento estadístico
Identificar problemas de calidad de datos y aplicar las bases estadísticas y probabilísticas necesarias en un proyecto de Data Science.
Información de la formación
Profesionales de datos, analistas, desarrolladores y perfiles técnicos que deseen llevar proyectos de Data Science desde la exploración hasta la evaluación, el despliegue y la supervisión de modelos.
No se requiere un nivel avanzado. Para comenzar basta con manejar el ordenador con soltura y tener interés por el análisis de datos o la resolución de problemas.
- Identificar datos faltantes, valores atípicos, errores de medición y sesgos de recogida
- Comprender covarianza, correlación y límites de interpretación
- Comprender las distribuciones habituales (normal, Poisson, binomial) y su uso práctico
- Auditar la calidad de un conjunto de datos real y elaborar un informe de data quality
- Aplicar los métodos y herramientas del curso a una situación profesional representativa.
- Producir un resultado utilizable y verificable combinando los conceptos trabajados: Auditar la calidad de un conjunto de datos real y elaborar un informe de data quality
- Comprobar la calidad de los datos, resultados, evidencias o decisiones antes de comunicarlos o aplicarlos.
- Documentar el enfoque, explicar sus límites y defender las decisiones ante un interlocutor profesional.
de 3 a 5 h
24,90 € sin IVA
Protocolo experimental y baseline
Establecer un protocolo experimental riguroso y construir una primera baseline de referencia antes de utilizar modelos más complejos.
Información de la formación
Profesionales de datos, analistas, desarrolladores y perfiles técnicos que deseen llevar proyectos de Data Science desde la exploración hasta la evaluación, el despliegue y la supervisión de modelos.
No se requiere un nivel avanzado. Para comenzar basta con manejar el ordenador con soltura y tener interés por el análisis de datos o la resolución de problemas.
- Separar correctamente datos de entrenamiento, validación y test
- Elegir una métrica de evaluación alineada con el coste de negocio de los errores
- Comparar varias baselines ingenuas: media, regla de negocio y modelo aleatorio
- Taller profesional: realizar un estudio exploratorio completo y proponer una estrategia de modelización
- Aplicar los métodos y herramientas del curso a una situación profesional representativa.
- Producir un resultado utilizable y verificable combinando los conceptos trabajados: realizar un estudio exploratorio completo y proponer una estrategia de modelización
- Comprobar la calidad de los datos, resultados, evidencias o decisiones antes de comunicarlos o aplicarlos.
- Documentar el enfoque, explicar sus límites y defender las decisiones ante un interlocutor profesional.
de 3 a 5 h
24,90 € sin IVA
89,70 €
76,90 sin IVA
Ahorro : 12,80 €
Protocolo de experimentación supervisada
Construir un protocolo experimental fiable y elegir una familia de modelos adecuada a la decisión que se debe apoyar.
Información de la formación
Profesionales de datos, analistas, desarrolladores y perfiles técnicos que deseen llevar proyectos de Data Science desde la exploración hasta la evaluación, el despliegue y la supervisión de modelos.
Se recomienda conocer los fundamentos introducidos en los primeros cursos del itinerario o disponer de una experiencia práctica equivalente.
- Construir un protocolo experimental reproducible: datos, transformaciones, baseline, métricas y registro de experimentos
- Comparar familias de modelos interpretables y no lineales sin confundir complejidad con rendimiento útil
- Comprender el papel de la regularización L1/L2 para controlar la complejidad de un modelo
- Comparar un modelo sencillo y uno complejo sobre el mismo caso de negocio concreto
- Aplicar los métodos y herramientas del curso a una situación profesional representativa.
- Producir un resultado utilizable y verificable combinando los conceptos trabajados: Comparar un modelo sencillo y uno complejo sobre el mismo caso de negocio concreto
- Comprobar la calidad de los datos, resultados, evidencias o decisiones antes de comunicarlos o aplicarlos.
- Documentar el enfoque, explicar sus límites y defender las decisiones ante un interlocutor profesional.
de 3 a 5 h
29,90 € sin IVA
Acceso a los datos y gestión del desequilibrio de clases
Seleccionar una estrategia de modelización, acceder a los datos fuente con SQL y gestionar clases desequilibradas y costes de error asimétricos.
Información de la formación
Profesionales de datos, analistas, desarrolladores y perfiles técnicos que deseen llevar proyectos de Data Science desde la exploración hasta la evaluación, el despliegue y la supervisión de modelos.
Se recomienda conocer los fundamentos introducidos en los primeros cursos del itinerario o disponer de una experiencia práctica equivalente.
- Seleccionar una estrategia de modelización según volumen, no linealidad, interpretabilidad, latencia y coste de mantenimiento
- Elegir métricas, curvas y umbrales de decisión según el coste de falsos positivos, falsos negativos y abstenciones
- Aplicar oversampling y undersampling sin introducir fugas, con SMOTE y alternativas
- Documentar la procedencia y frescura de los datos utilizados (data lineage)
- Aplicar los métodos y herramientas del curso a una situación profesional representativa.
- Producir un resultado utilizable y verificable combinando los conceptos trabajados: Documentar la procedencia y frescura de los datos utilizados (data lineage)
- Comprobar la calidad de los datos, resultados, evidencias o decisiones antes de comunicarlos o aplicarlos.
- Documentar el enfoque, explicar sus límites y defender las decisiones ante un interlocutor profesional.
de 3 a 5 h
29,90 € sin IVA
Validación y selección del modelo
Construir una validación robusta, organizar la búsqueda de hiperparámetros y seleccionar un modelo final mediante un protocolo defendible.
Información de la formación
Profesionales de datos, analistas, desarrolladores y perfiles técnicos que deseen llevar proyectos de Data Science desde la exploración hasta la evaluación, el despliegue y la supervisión de modelos.
Se recomienda conocer los fundamentos introducidos en los primeros cursos del itinerario o disponer de una experiencia práctica equivalente.
- Construir una validación adecuada: holdout, validación cruzada, grupos, tiempo y dependencias entre observaciones
- Comparar candidatos con un protocolo idéntico y documentar por qué puede preferirse un modelo más sencillo
- Medir la estabilidad de un modelo mediante remuestreo (bootstrap)
- Taller profesional: realizar un experimento de scoring, comparar varias familias de modelos y defender la elección final
- Aplicar los métodos y herramientas del curso a una situación profesional representativa.
- Producir un resultado utilizable y verificable combinando los conceptos trabajados: realizar un experimento de scoring, comparar varias familias de modelos y defender la elección final
- Comprobar la calidad de los datos, resultados, evidencias o decisiones antes de comunicarlos o aplicarlos.
- Documentar el enfoque, explicar sus límites y defender las decisiones ante un interlocutor profesional.
de 3 a 5 h
29,90 € sin IVA
104,70 €
89,90 sin IVA
Ahorro : 14,80 €
Feature engineering e introducción al deep learning
Diseñar representaciones pertinentes de los datos y comprender cuándo el deep learning aporta valor frente al Machine Learning clásico.
Información de la formación
Profesionales de datos, analistas, desarrolladores y perfiles técnicos que deseen llevar proyectos de Data Science desde la exploración hasta la evaluación, el despliegue y la supervisión de modelos.
Se recomienda conocer los fundamentos introducidos en los primeros cursos del itinerario o disponer de una experiencia práctica equivalente.
- Diseñar variables relevantes a partir del conocimiento de negocio sin introducir fugas
- Construir una segmentación con K-means y evaluar su estabilidad
- Seleccionar variables con métodos filter, wrapper y embedded
- Entrenar una pequeña red neuronal con un framework moderno y diagnosticar su convergencia
- Aplicar los métodos y herramientas del curso a una situación profesional representativa.
- Producir un resultado utilizable y verificable combinando los conceptos trabajados: Entrenar una pequeña red neuronal con un framework moderno y diagnosticar su convergencia
- Comprobar la calidad de los datos, resultados, evidencias o decisiones antes de comunicarlos o aplicarlos.
- Documentar el enfoque, explicar sus límites y defender las decisiones ante un interlocutor profesional.
de 3 a 5 h
34,90 € sin IVA
Series temporales y datos textuales
Trabajar con datos temporales y textuales utilizando métodos y estrategias de validación adaptados a su estructura específica.
Información de la formación
Profesionales de datos, analistas, desarrolladores y perfiles técnicos que deseen llevar proyectos de Data Science desde la exploración hasta la evaluación, el despliegue y la supervisión de modelos.
Conviene dominar los fundamentos del itinerario o disponer de una experiencia equivalente. Los cursos avanzados reutilizan métodos, herramientas y controles trabajados anteriormente.
- Analizar series temporales: tendencia, estacionalidad, autocorrelación y rupturas
- Establecer una baseline de previsión y comparar modelos sencillos antes de los complejos
- Gestionar varias series temporales simultáneamente mediante previsión multi-serie o jerárquica
- Construir un pipeline end-to-end de clasificación de texto sobre un caso de negocio
- Aplicar los métodos y herramientas del curso a una situación profesional representativa.
- Producir un resultado utilizable y verificable combinando los conceptos trabajados: Construir un pipeline end-to-end de clasificación de texto sobre un caso de negocio
- Comprobar la calidad de los datos, resultados, evidencias o decisiones antes de comunicarlos o aplicarlos.
- Documentar el enfoque, explicar sus límites y defender las decisiones ante un interlocutor profesional.
de 3 a 5 h
34,90 € sin IVA
Representaciones semánticas, anomalías y causalidad
Utilizar embeddings y detección de anomalías, y distinguir predicción de causalidad al elegir una intervención.
Información de la formación
Profesionales de datos, analistas, desarrolladores y perfiles técnicos que deseen llevar proyectos de Data Science desde la exploración hasta la evaluación, el despliegue y la supervisión de modelos.
Conviene dominar los fundamentos del itinerario o disponer de una experiencia equivalente. Los cursos avanzados reutilizan métodos, herramientas y controles trabajados anteriormente.
- Comprender los embeddings y su utilidad para similitud y representación semántica
- Construir una estrategia de error: casos límite, falsos positivos, falsos negativos y abstención
- Detectar anomalías con un autoencoder sencillo
- Taller profesional: combinar segmentación, predicción y análisis temporal en un caso de clientes
- Aplicar los métodos y herramientas del curso a una situación profesional representativa.
- Producir un resultado utilizable y verificable combinando los conceptos trabajados: combinar segmentación, predicción y análisis temporal en un caso de clientes
- Comprobar la calidad de los datos, resultados, evidencias o decisiones antes de comunicarlos o aplicarlos.
- Documentar el enfoque, explicar sus límites y defender las decisiones ante un interlocutor profesional.
de 3 a 5 h
34,90 € sin IVA
119,70 €
101,90 sin IVA
Ahorro : 17,80 €
Ingeniería de software y reproducibilidad ML
Estructurar un proyecto de Machine Learning como software probado, versionado, trazable y reproducible.
Información de la formación
Profesionales de datos, analistas, desarrolladores y perfiles técnicos que deseen llevar proyectos de Data Science desde la exploración hasta la evaluación, el despliegue y la supervisión de modelos.
Conviene dominar los fundamentos del itinerario o disponer de una experiencia equivalente. Los cursos avanzados reutilizan métodos, herramientas y controles trabajados anteriormente.
- Estructurar el código de un proyecto ML en módulos comprobables y reproducibles
- Construir un pipeline de entrenamiento automatizado y relanzable
- Implantar integración continua para un proyecto de Machine Learning
- Revisar el código de un compañero y aportar feedback constructivo sobre un pipeline ML
- Aplicar los métodos y herramientas del curso a una situación profesional representativa.
- Producir un resultado utilizable y verificable combinando los conceptos trabajados: Revisar el código de un compañero y aportar feedback constructivo sobre un pipeline ML
- Comprobar la calidad de los datos, resultados, evidencias o decisiones antes de comunicarlos o aplicarlos.
- Documentar el enfoque, explicar sus límites y defender las decisiones ante un interlocutor profesional.
de 3 a 5 h
39,90 € sin IVA
Fiabilidad de los datos, explicabilidad y equidad
Prevenir diferencias entre entrenamiento y producción, explicar el comportamiento del modelo y evaluar la equidad entre poblaciones relevantes.
Información de la formación
Profesionales de datos, analistas, desarrolladores y perfiles técnicos que deseen llevar proyectos de Data Science desde la exploración hasta la evaluación, el despliegue y la supervisión de modelos.
Conviene dominar los fundamentos del itinerario o disponer de una experiencia equivalente. Los cursos avanzados reutilizan métodos, herramientas y controles trabajados anteriormente.
- Validar esquemas, prevenir train-serve skew y comprender el papel de un feature store
- Evaluar sesgos y rendimiento por subpoblaciones relevantes
- Comparar explicaciones locales tipo LIME y SHAP sobre el mismo caso e interpretar divergencias
- Diseñar pruebas de no regresión para la calidad y la equidad de un modelo
- Aplicar los métodos y herramientas del curso a una situación profesional representativa.
- Producir un resultado utilizable y verificable combinando los conceptos trabajados: Diseñar pruebas de no regresión para la calidad y la equidad de un modelo
- Comprobar la calidad de los datos, resultados, evidencias o decisiones antes de comunicarlos o aplicarlos.
- Documentar el enfoque, explicar sus límites y defender las decisiones ante un interlocutor profesional.
de 3 a 5 h
39,90 € sin IVA
Despliegue y ciclo de vida del modelo
Desplegar un servicio de scoring y gestionar monitorización, reentrenamiento, rollback y ciclo de vida del modelo en producción.
Información de la formación
Profesionales de datos, analistas, desarrolladores y perfiles técnicos que deseen llevar proyectos de Data Science desde la exploración hasta la evaluación, el despliegue y la supervisión de modelos.
Conviene dominar los fundamentos del itinerario o disponer de una experiencia equivalente. Los cursos avanzados reutilizan métodos, herramientas y controles trabajados anteriormente.
- Contenerizar o empaquetar un servicio de scoring reproducible
- Definir reglas de reentrenamiento, rollback y validación antes de promover una versión
- Construir alertas accionables en lugar de un dashboard pasivo
- Taller profesional: industrializar un modelo desde la experimentación hasta el monitoring
- Aplicar los métodos y herramientas del curso a una situación profesional representativa.
- Producir un resultado utilizable y verificable combinando los conceptos trabajados: industrializar un modelo desde la experimentación hasta el monitoring
- Comprobar la calidad de los datos, resultados, evidencias o decisiones antes de comunicarlos o aplicarlos.
- Documentar el enfoque, explicar sus límites y defender las decisiones ante un interlocutor profesional.
de 3 a 5 h
39,90 € sin IVA
135,00 €
114,90 sin IVA
Ahorro : 20,10 €
Encuadre estratégico y valor de negocio
Decidir si un problema requiere realmente Machine Learning y construir el business case de un producto de Data Science.
Información de la formación
Profesionales de datos, analistas, desarrolladores y perfiles técnicos que deseen llevar proyectos de Data Science desde la exploración hasta la evaluación, el despliegue y la supervisión de modelos.
Conviene dominar los fundamentos del itinerario o disponer de una experiencia equivalente. Los cursos avanzados reutilizan métodos, herramientas y controles trabajados anteriormente.
- Determinar si un problema justifica realmente el uso de Machine Learning
- Elegir entre automatización completa, recomendación asistida y humano en el bucle
- Estimar el coste total de propiedad de un producto de Machine Learning
- Anticipar escenarios de fracaso de un proyecto ML y sus consecuencias
- Aplicar los métodos y herramientas del curso a una situación profesional representativa.
- Producir un resultado utilizable y verificable combinando los conceptos trabajados: Anticipar escenarios de fracaso de un proyecto ML y sus consecuencias
- Comprobar la calidad de los datos, resultados, evidencias o decisiones antes de comunicarlos o aplicarlos.
- Documentar el enfoque, explicar sus límites y defender las decisiones ante un interlocutor profesional.
de 3 a 5 h
45,00 € sin IVA
Gobernanza, ética y documentación
Gobernar datos y modelos, gestionar riesgos éticos y de cumplimiento y documentar límites, responsabilidades y usos autorizados.
Información de la formación
Profesionales de datos, analistas, desarrolladores y perfiles técnicos que deseen llevar proyectos de Data Science desde la exploración hasta la evaluación, el despliegue y la supervisión de modelos.
Conviene dominar los fundamentos del itinerario o disponer de una experiencia equivalente. Los cursos avanzados reutilizan métodos, herramientas y controles trabajados anteriormente.
- Construir un protocolo de experimentación en producción y compararlo con la situación actual
- Documentar un modelo: alcance, datos, rendimiento, límites, usos prohibidos y dependencias
- Anonimizar o seudonimizar datos sensibles sin destruir su valor predictivo
- Redactar una carta de uso responsable de la IA para un equipo de Data Science
- Aplicar los métodos y herramientas del curso a una situación profesional representativa.
- Producir un resultado utilizable y verificable combinando los conceptos trabajados: Redactar una carta de uso responsable de la IA para un equipo de Data Science
- Comprobar la calidad de los datos, resultados, evidencias o decisiones antes de comunicarlos o aplicarlos.
- Documentar el enfoque, explicar sus límites y defender las decisiones ante un interlocutor profesional.
de 3 a 5 h
45,00 € sin IVA
Continuidad, IA generativa y comunicación ejecutiva
Asegurar la continuidad de un producto ML, integrar modelos de fundación con criterio y presentar el trabajo a interlocutores técnicos y de negocio.
Información de la formación
Profesionales de datos, analistas, desarrolladores y perfiles técnicos que deseen llevar proyectos de Data Science desde la exploración hasta la evaluación, el despliegue y la supervisión de modelos.
Conviene dominar los fundamentos del itinerario o disponer de una experiencia equivalente. Los cursos avanzados reutilizan métodos, herramientas y controles trabajados anteriormente.
- Diseñar un plan de continuidad: fallo del modelo, fallback, parada y recuperación
- Construir un portfolio de proyecto ML con evidencias de método, evaluación e impacto
- Proteger el uso de modelos fundacionales frente a prompt injection y fugas de datos
- Proyecto final: diseñar, entregar y defender un producto ML completo con dossier de puesta en producción
- Aplicar los métodos y herramientas del curso a una situación profesional representativa.
- Producir un resultado utilizable y verificable combinando los conceptos trabajados: diseñar, entregar y defender un producto ML completo con dossier de puesta en producción
- Comprobar la calidad de los datos, resultados, evidencias o decisiones antes de comunicarlos o aplicarlos.
- Documentar el enfoque, explicar sus límites y defender las decisiones ante un interlocutor profesional.
de 3 a 5 h
45,00 € sin IVA