La formación profesional es algo muy importante. Si estás buscando cursos gratis para aprender ciencia de datos, te dejamos ahora una lista extensa que te puede servir. Vas a ver qué aprenderás y en cuánto tiempo puedes completar cada curso. Lo mejor es que con un solo clic puedes acceder a cualquiera de estos.
Recomendación: 7 cursos gratis de Microsoft para dominar la IA en 2024
Python for Data Science, AI & Development
¿Qué se aprende?
- Estructuras de datos en Python (listas, tuplas, diccionarios y conjuntos).
- Fundamentos de programación en Python (condiciones, bucles, funciones, manejo de excepciones y clases).
- Trabajo con datos en Python (lectura y escritura de archivos, uso de librerÃas como Pandas y NumPy).
- Uso de APIs y web scraping para la recolección de datos.
Duración
Puedes empezar en cualquier momento y avanzar a tu propio ritmo, pero aproximadamente, dura unas 25 horas.
¿Quién es el maestro?
Joseph Santarcangelo, CientÃfico de Datos en IBM.
Link
https://www.coursera.org/learn/python-for-applied-data-science-ai
Databases: Relational Databases and SQL
¿Qué se aprende?
- Diseño y creación de bases de datos relacionales.
- Uso de SQL para gestionar y consultar bases de datos.
- Modelado de datos y normalización.
- Integración de bases de datos en aplicaciones.
Duración
Este curso tiene una duración de 2 semanas y por cada semana tienes que invertir entre 8 a 10 horas.
¿Quién es el maestro?
Jennifer Widom, Profesora de Ciencias de la Computación en Stanford University.
Link
Statistics and R
¿Qué se aprende?
- Fundamentos de la estadÃstica utilizando R.
- Análisis de datos, inferencia estadÃstica y regresión.
- Visualización de datos con R.
Duración
Tiene una duración de 4 semanas y tienes que invertir entre 2 a 4 horas por semana.
¿Quién es el maestro?
Rafael Irizarry, Profesor de BiostatÃstica en Harvard University.
Link
https://www.edx.org/learn/r-programming/harvard-university-statistics-and-r
Data Science: R Basics
¿Qué se aprende?
- Introducción a R y RStudio.
- Manipulación de datos con dplyr.
- Creación de gráficos con ggplot2.
- Fundamentos de programación en R.
Duración
Tiene una duración de 8 semanas y vas a tener que invertir entre 1 o 2 horas cada semana.
¿Quién es el maestro?
Rafael Irizarry, Profesor de BiostatÃstica en Harvard University.
Link
https://www.edx.org/learn/r-programming/harvard-university-data-science-r-basics
Modern Analytics
¿Qué se aprende?
- Introducción a los servicios de análisis modernos.
- Uso de Power BI para la visualización de datos.
- Fundamentos de la inteligencia artificial y el aprendizaje automático.
- Creación de soluciones analÃticas avanzadas.
Duración
El curso está compuesto por 8 módulos y entre todos se alcanza un tiempo de 7 horas con 47 minutos, casi 8 horas. Puedes avanzar en el curso a tu ritmo.
¿Quién es el maestro?
Varios expertos de Microsoft.
Link
https://learn.microsoft.com/en-gb/training/paths/modern-analytics
Data Science: Visualization
¿Qué se aprende?
Principios básicos de visualización de datos y cómo aplicarlos usando ggplot2. Se cubre la comunicación de hallazgos basados en datos, creación de gráficos personalizados, y análisis de errores comunes en visualizaciones.
Duración
Empezó el 17 de abril de 2024 y va a terminar el 18 de diciembre de 2024.
¿Quién es el maestro?
Rafael Irizarry, Profesor de BioestadÃstica en la Escuela de Salud Pública de Harvard.
Link
https://pll.harvard.edu/course/data-science-visualization
Data Science: Machine Learning
¿Qué se aprende?
Fundamentos del machine learning, incluyendo algoritmos de aprendizaje supervisado y no supervisado, modelos de regresión y clasificación, y cómo implementar estos métodos en R.
Duración
Se puede completar el curso en 8 semanas, invirtiendo entre 2 a 4 horas por cada semana.
¿Quién es el maestro?
Rafael Irizarry, Profesor de BioestadÃstica en la Escuela de Salud Pública de Harvard.
Link
https://www.edx.org/learn/machine-learning/harvard-university-data-science-machine-learning
Data Analysis with R
¿Qué se aprende?
Técnicas de análisis de datos usando R, incluyendo manipulación de datos, análisis estadÃstico, y visualización de datos. Se utiliza el paquete dplyr y ggplot2 para la manipulación y visualización de datos.
Duración
Las inscripciones van a estar disponibles a partir del 25 de junio. El curso tiene una duración total de 34 horas, el tiempo de completación puede ser mayor o menor dependiendo de la habilidad de avance de cada estudiante.
¿Quién es el maestro?
Roger D. Peng, Profesor de BioestadÃstica en la Universidad Johns Hopkins.
Link
https://www.coursera.org/learn/data-analysis-r
Introduction to Tableau
¿Qué se aprende?
Fundamentos de Tableau, una herramienta de visualización de datos. Se cubren temas como la conexión a datos, creación de gráficos y dashboards, y publicación de visualizaciones.
Duración
El 25 de junio se van a abrir las inscripciones. El curso dura unas 19 horas, pero puede ser menos o más tiempo dependiendo del ritmo del cursante.
¿Quién es el maestro?
Jeff James, experto en visualización de datos y Tableau.
Link
https://www.coursera.org/learn/introduction-to-tableau
Microsoft Learn – Modern Analytics Collection
¿Qué se aprende?
Conjunto de cursos enfocados en análisis de datos moderno utilizando herramientas de Microsoft. Incluye Power BI, Azure Synapse Analytics, y más.
Duración
Cada uno de los cursos puede tener una duración diferente.
¿Quién es el maestro?
Varios expertos de Microsoft.
Link
https://learn.microsoft.com/en-us/collections/m14nt4rdwnwp04
Data Science: Productivity Tools
¿Qué se aprende?
- Cómo usar Unix/Linux para gestionar el sistema de archivos.
- Control de versiones con git.
- Creación y manejo de repositorios en GitHub.
- Uso de RStudio para producir informes reproducibles con R markdown.
Duración
- 8 semanas, con un compromiso de 1-2 horas por semana.
- Empezó el 17 de abril de 2024.
- Terminará el 18 de diciembre de 2024.
¿Quién es el maestro?
Rafael Irizarry, Profesor de BioestadÃstica en la Harvard T.H. Chan School of Public Health
Link
https://www.edx.org/learn/data-science/harvard-university-data-science-productivity-tools
Probability for Data Science
¿Qué se aprende?
- Conceptos fundamentales de probabilidad.
- Aplicación de teorÃas probabilÃsticas en el análisis de datos.
- Distribuciones de probabilidad y teorema de Bayes.
- Uso de probabilidades en la inferencia estadÃstica y predicciones.
Duración
No tiene una duración, ya que puede variar de acuerdo al ritmo del estudiante. No tiene fechas lÃmite, se puede empezar en cualquier momento.
Link
https://www.mygreatlearning.com/academy/learn-for-free/courses/probability-for-data-science
MATLAB Courses
¿Qué se aprende?
- Diferentes niveles y áreas de MATLAB, incluyendo introducción, análisis de datos, visualización y técnicas avanzadas.
- Programación en MATLAB, procesamiento de señales, aprendizaje automático, y más.
Duración
No tiene una duración especÃfica, dependiendo del progreso y rapidez del estudiante puede durar mas o menos tiempo. Las inscripciones están abiertas.
¿Quién es el maestro?
Varios instructores especializados en diferentes áreas de MATLAB
Link
https://matlabacademy.mathworks.com/es/?page=1&sort=featured
PL-300: Microsoft Power BI Data Analyst
¿Qué se aprende?
- Preparación de datos en Power BI.
- Modelado y visualización de datos.
- Análisis y reporte con Power BI.
- Mejores prácticas y administración de soluciones de BI.
Duración
4 dÃas de entrenamiento intensivo. No hay fecha lÃmite y las inscripciones están abiertas.
¿Quién es el maestro?
Expertos certificados de Microsoft​
Link
Python for Data Visualization
¿Qué se aprende?
- Introducción a las bibliotecas de visualización en Python, como Matplotlib y Seaborn.
- Creación de gráficos estáticos, animados e interactivos.
- Personalización de gráficos y presentación de datos.
- Casos de estudio y proyectos prácticos de visualización.
Duración
5 semanas, con un compromiso de 4-6 horas por semana. Las inscripciones están abiertas.
¿Quién es el maestro?
José Portilla, Director de Ciencia de Datos en Pierian Data​.
Link
https://www.coursera.org/learn/python-for-data-visualization
Machine Learning Specialization
¿Qué se aprende?
- Fundamentos del aprendizaje supervisado y no supervisado.
- Algoritmos de clasificación y regresión, como regresión lineal y logÃstica.
- Técnicas avanzadas como árboles de decisión y boosting.
- Implementación de modelos en Python, incluyendo manejo de datos faltantes y evaluación de modelos usando métricas de precisión y recall.
- Algoritmos de clustering y técnicas de recuperación de información, como k-means y LDA.
Duración
Aproximadamente 8 meses para completar toda la especialización.
¿Quién es el maestro?
Emily Fox y Carlos Guestrin de la Universidad de Washington.
Link
https://www.coursera.org/specializations/machine-learning-introduction
Deep Learning Specialization
¿Qué se aprende?
- Redes neuronales profundas, incluyendo CNNs, RNNs, LSTMs y transformers.
- Aplicaciones prácticas en visión por computadora, reconocimiento de voz, y procesamiento del lenguaje natural (NLP).
- Técnicas avanzadas como dropout, batch normalization, y inicialización Xavier/He.
- Implementación práctica usando Python y TensorFlow.
Duración
Alrededor de 5 meses.
¿Quién es el maestro?
Andrew Ng, Younes Bensouda Mourri y Kian Katanforoosh de DeepLearning.AI​
Link
https://www.coursera.org/specializations/deep-learning
Data Science: Linear Regression
¿Qué se aprende?
- Conceptos de regresión lineal y su aplicación en análisis de datos.
- Implementación de modelos de regresión lineal en R.
- Evaluación de la calidad del ajuste del modelo y diagnóstico de problemas comunes.
Duración
No tiene una duración especÃfica, pero puedes invertir entre 1 o 2 horas por semana e ir avanzando a tu ritmo.
¿Quién es el maestro?
Profesores de la Universidad de Harvard​
Link
https://pll.harvard.edu/course/data-science-linear-regression/2023-10
Data Science: Wrangling
¿Qué se aprende?
- Técnicas para limpiar y transformar datos.
- Uso de herramientas como dplyr y tidyr en R para manejar grandes volúmenes de datos.
- Preparación de datos para análisis y modelado predictivo.
Duración
Aproximadamente 4 semanas.
¿Quién es el maestro?
Profesores de la Universidad de Harvard​
Link
https://www.edx.org/learn/data-science/harvard-university-data-science-wrangling
Data Analysis for Life Sciences 2: Introduction to Linear Models and Matrix Algebra
¿Qué se aprende?
- Fundamentos de álgebra matricial aplicados a la estadÃstica y biologÃa.
- Implementación de modelos lineales y análisis de datos usando R.
- Aplicaciones prácticas en estudios genómicos y de expresión génica.
Duración
Aproximadamente 4 semanas.
¿Quién es el maestro?
Profesores de la Universidad de Harvard
Link
Data Science: Probability
¿Qué se aprende?
Este curso enseña conceptos esenciales de teorÃa de probabilidad aplicados al análisis de datos, utilizando como estudio de caso la crisis financiera de 2007-2008. Aprenderás sobre variables aleatorias, independencia, simulaciones de Monte Carlo, valores esperados, errores estándar y el Teorema Central del LÃmite.
Duración
8 semanas, con una carga de 1-2 horas por semana. Comienza el 18 de octubre de 2023 y finaliza el 19 de junio de 2024. También hay otra sesión del 17 de abril de 2024 al 18 de diciembre de 2024.
¿Quién es el maestro?
Rafael Irizarry, Profesor de BioestadÃstica en la Escuela de Salud Pública T.H. Chan de Harvard
Link
https://pll.harvard.edu/course/data-science-probability
Introduction to Linear Models and Matrix Algebra
¿Qué se aprende?
Este curso enseña cómo realizar operaciones matriciales y utilizar R para aplicar modelos lineales al análisis de datos en las ciencias de la vida. Cubrirás conceptos clave de álgebra lineal y su aplicación en modelos estadÃsticos.
Duración
8 semanas, con una carga de 1-2 horas por semana.
¿Quién es el maestro?
Profesor Rafael Irizarry, Profesor de BioestadÃstica en Harvard
Link
Data Science Capstone
¿Qué se aprende?
En este proyecto de culminación, demostrarás lo que has aprendido en el Programa de Certificación Profesional en Ciencia de Datos, trabajando en un proyecto real de análisis de datos.
Duración
2 semanas, con una carga de 15-20 horas por semana.
¿Quién es el maestro?
Profesor Rafael Irizarry, Profesor de BioestadÃstica en Harvard
Link
https://www.edx.org/learn/data-science/harvard-university-data-science-capstone
Data Analysis for Life Sciences 4: High-Dimensional Data Analysis
¿Qué se aprende?
Este curso enseña métodos de análisis de datos de alta dimensión, incluyendo técnicas estadÃsticas y de aprendizaje automático aplicadas a datos biológicos complejos.
Duración
8 semanas, con una carga de 1-2 horas por semana.
¿Quién es el maestro?
Profesor Rafael Irizarry, Profesor de BioestadÃstica en Harvard
Link
https://pll.harvard.edu/course/data-analysis-life-sciences-4-high-dimensional-data-analysis
IBM Data Science Professional Certificate
¿Qué se aprende?
Este programa de certificación profesional abarca una amplia gama de habilidades en ciencia de datos, incluyendo Python, SQL, visualización de datos, análisis de datos, aprendizaje automático y más. Está compuesto por múltiples cursos diseñados para proporcionar una formación completa en ciencia de datos.
Duración
Aproximadamente 11 meses, con una carga de 3-5 horas por semana.
¿Quién es el maestro?
Varios instructores de IBM
Link
https://www.coursera.org/professional-certificates/ibm-data-science
Neural Networks and Deep Learning
¿Qué se aprende?
En este curso se cubren los conceptos fundamentales de las redes neuronales y el deep learning. Incluye:
- Implementación de regresión logÃstica.
- Construcción y entrenamiento de redes neuronales profundas.
- Aplicación de técnicas avanzadas de optimización.
- Uso de TensorFlow para la construcción de modelos de deep learning.
- Implementación de modelos de reconocimiento de imágenes y procesamiento de lenguaje natural (NLP).
Duración
El curso está disponible en modalidad a tu propio ritmo, con una duración aproximada de 3 meses si se dedica un tiempo promedio de 11 horas por semana.
¿Quién es el maestro?
Andrew Ng, Kian Katanforoosh, y Younes Bensouda Mourri de DeepLearning.AI​
Link
https://www.coursera.org/learn/neural-networks-deep-learning
Machine Learning
¿Qué se aprende?
Este curso introductorio a machine learning cubre una amplia gama de algoritmos y técnicas, tales como:
- Regresión lineal y logÃstica.
- Algoritmos de clustering como K-means.
- Métodos de reducción de dimensionalidad.
- Sistemas de recomendación.
- Técnicas de validación cruzada.
Duración
Se puede comenzar en cualquier momento y generalmente se completa en 11 semanas dedicando 5 a 7 horas por semana.
¿Quién es el maestro?
Andrew Ng de la Universidad de Stanford​.
Pingback: 10 cursos gratis del Tecnológico de Monterrey | Cerebro Digital | 2024