| TEMARIO | HORAS |
| 1.Introducción a la Ciencia de Datos, con aplicaciones. | 2 |
| 2. Python: Conceptos de variable, funciones, librerías (Numpy, Mathplotlib, Pandas) | 2 |
| 3. Exploración de Datos o análisis exploratorio: tipos de variable: variables categóricas/cuantitativas, caja bigote, diagrama de dispersión, histograma | 2 |
| 4. Introducción al Machine Learning. | 2 |
| 5. Modelos Supervisados de Regresión y métricas de evaluación: KNN, Multiple Regression, Decision Tree. | 10 |
| 6. Modelos Supervisados de Clasificación y métricas de evaluación: KNN, Decision Tree, Random Forest. | 8 |
| 7. Modelos No Supervisados de regresión y clasificación: PCA, K-Means. | 4 |
| 8. Introducción a Support Vector Machine (SVM) y Neural Network (NN) | 2 |