• Length:
    4 Weeks
  • Effort:
    3–5 hours per week
  • Price:

    FREE
    Add a Verified Certificate for $49 USD

  • Institution
  • Subject:
  • Level:
    Intermediate
  • Language:
    Español
  • Video Transcript:
    Español
  • Course Type:
    Self-paced on your time

Associated Programs:

Prerequisites

Conocimientos sobre lenguajes de programación (deseable "R" o "Python") y estadística.

About this course

Skip About this course

El futuro pertenece a la ciencia de datos y a quienes la entiendan. Al igual que el petróleo y el gas impulsaron las economías de los siglos XX y XXI, los datos impulsan cada vez mas la innovación y la economía global a medida que avanzamos hacia una nueva era denominada la revolución digital.

Las empresas que están cambiando a una mentalidad de datos van a obtener primero una enorme ventaja competitiva.

Esto se ha convertido en una verdad universal: las empresas modernas se están inundando de big data. El año pasado, McKinsey estimó que las iniciativas de Big Data en el sistema de salud de los Estados Unidos, "podrían representar de $300 mil millones a $450 mil millones en gastos de salud reducidos o del 12 al 17 por ciento de la línea de base de $2.6 billones en costos de salud de los Estados Unidos". Por otro lado, sin embargo se estima que los datos erróneos le cuestan a los Estados Unidos apróximadamente $3.1 trillones de dólares al año.

Aunque la ciencia de datos representará ventajas puntuales para las empresas como mitigar el riesgo y/o el fraude; entregar al cliente productos relevantes y tener experiencias personalizadas al mismo, es sin embargo, importante notar que la ciencia de datos podrá agregar un valor a cuaquier negocio, siempre y cuando pueda usar bien sus datos. El análisis de la información y la inteligencia de negocios ayudan a las organizaciones a tomar decisiones inteligentes basadas en el análisis de datos.

What you'll learn

Skip What you'll learn

- Introducir al alumno en los conceptos claves sobre la Ciencia de Datos y Big Data.

- Comprender la forma en la que se gesta un proyecto de Ciencia de Datos.

- Identificar los proyectos de esta disciplina que se pueden realizar en las diferentes áreas funcionales de una organización a través de casos de éxito en las diferentes industrias.

Meet your instructors

Jesús Aguilar
Profesor
Tecnológico de Monterrey

Pursue a Verified Certificate to highlight the knowledge and skills you gain
$49 USD

View a PDF of a sample edX certificate
  • Official and Verified

    Receive an instructor-signed certificate with the institution's logo to verify your achievement and increase your job prospects

  • Easily Shareable

    Add the certificate to your CV or resume, or post it directly on LinkedIn

  • Proven Motivator

    Give yourself an additional incentive to complete the course

  • Support our Mission

    EdX, a non-profit, relies on verified certificates to help fund free education for everyone globally

Frequently asked questions

¿Qué es Ciencia de Datos?

R= Es un campo interdisciplinario que involucra métodos científicos, procesos y sistemas para extraer conocimiento o un mejor entendimiento de datos en sus diferentes formas, ya sean estructurados o no estructurados.

¿Existe una metodología para aplicar ciencia de datos?

R= Existen varias metodologías para desarrollar proyectos de ciencia de datos, entre los que destacan CRISP-DM (Cross-industry standard process for data mining) o TDSP (Team Data Science Process)

¿Qué conocimientos se requieren para la Ciencia de Datos?

R= Para desarrollarse en el ámbito de la ciencia de datos es necesario contar con conocimientos en el área de estadística; manejar un lenguaje de programación (R o Python) y ser experto en el área de dominio (finanzas, mercadotecnia, ventas, etc.)

¿Cuáles son las herramientas mas utilizables?

R= Actualmente se ha disparado el mercado de herramientas para la aplicación de la ciencia de datos, teniendo como opciones comerciales a SAS, Watson de IBM, Oracle Analytics Cloud, SAP Cloud Analytics, DataRobot, etc., pero también en el área de Open Source: Anaconda, Spark, Scikit-learn, TensorFlow, etc.