•	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 librerías que componen el ecosystema de Tidyverse:
•	Estructura de datos “tidy”.
•	Identificar y practicar los verbos que componen la gramática de la manipulación de los datos.

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

•	Identificar problemas comunes en la limpieza de datos:
o	Conversión de tipo de datos
o	Identificación de duplicados
o	Problemas con datos categóricos
o	Remplazar caracteres
o	Remover caracteres
o	Datos nulos

•	Introducción a la gramática de gráficos con ggplot:
o	Identificación y practica con mapeos estéticos
o	Introducción y practica con las geometrías más comunes como gráficos de dispersión, de barras y gráficos de líneas
o	Conocer y practicar el concepto de la capa de temas en las visualizaciones

•	En este curso se complementarán cálculos estadísticos apoyándose en conceptos como las capas de coordenadas y las facetas que apoyan la comunicación visual con datos.
•	Capa de coordenadas, “smoothing”, posición de objetos
•	Capa de facetas, manejo de diferentes variables, etiquetado de facetas, márgenes.
•	Identificación de mejores prácticas en la visualización de datos.

•	Identificar y practicar con variables categóricas.
o	Selección de variables
o	Conteo vs Proporción
o	Distribución de las variables
•	Identificar y practicar con variables numéricas.
o	Histogramas con capas facet
o	Boxplots
o	Gráficos de densidad
o	Outliers
•	Resúmenes numéricos
o	Medidas de tendencia central y dispersión
o	Calcular la medida de propagación
o	Transformaciones

•	Recolección y limpieza de datos en datos de interés aplicadas a un área de dominio.
•	Unión y análisis de diferentes fuentes de datos.
•	Visualización de datos.
•	Modelado de datos para análisis estadístico

•	Que es el aprendizaje automático.
•	Flujo de trabajo del aprendizaje automático.
•	Aprendizaje supervisado y no supervisado
o	Regresión
o	Clasificación
o	Agrupamiento
•	Tipos de algoritmos para datos estructurados y no estructurados.