Presentación del temario del curso, de los participantes y de la metodología de trabajo durante el curso.   Identificar el rol de la ciencia de datos desde una perspectiva técnica e interdisciplinaria

•	Presentar el entorno de trabajo de RStudio •	Identificar y practicar con las diferentes estructuras de datos en R o	Vectores, o	Matrices, o	Factores o	Dataframes o	Listas

•	Reconocer e implementar las diferentes  librerias que componen el ecosystema de Tidyverse: •	Estructura de datos “tidy”. •	Identificar y practicar los verbos que componen la gramatica de la manipulacion de los datos.

•	Conocer y practicar con los diferetnes formatos que R  puede importar datos o	tsv. o	csv o	Excell o	Json o	Rds o	Sav o	Dta o	Mtp

•	Identificar problemas comunes en la limpieza de datos: o	Conversion de tipo de datos o	Identificacion de duplicados o	Problemas con datos categoricos o	Remplazar caracteres o	Remover caracteres o	Datos nulos

•	Introduccion a la gramatica de graficos con  ggplot: o	Identificacion y practica con mapeos esteticos o	Introducion y practica con las geometrias mas comunes como graficos de dispersion, de barras y graficos de lineas o	Conocer y practicar el concepto de la capa de temas en las visualizaciones

•	En este curso se complementaran calculos estadisticos apoyandose en conceptos como las capas de coordenadas y las facetas que apoyan la comunicación visual con datos. •	Capa de coordenadas, “smoothing”, posicion de objetos •	Capa de facetas, manejo de differentes variables, etiquetado de facetas, margenes. •	Identificacion de mejores practicas en la visualizacion de datos.

•	Identificar y practicar con variales categoricas. o	Selección de variables o	Conteo vs Proporcion o	Distribucion de las variables •	Identificar y practicar con variables numericas. o	Histogramas con capas facet o	Boxplots o	Graficos de densidad o	Outliers •	Resumenes numericos o	Medidas de tendencia central y dispersion o	Calcular la medida de propagacion o	Transformaciones

•	Recoleccion y limpieza de datos en datos de interes aplicadas a un area de dominio. •	Unión y analisis de diferentes fuentes de datos. •	Visualizacion de datos. •	Modelado de datos para analisis estadistico •	Interpretacion de resultados

•	Que es el aprendizaje automatico. •	Flujo de trabajo del aprendizaje automatico. •	Aprendizaje supervisado y no supervisado o	Regression o	Classificacion o	Agrupamiento •	Tipos de algoritmos para datos estructurados y no estrucutrados.