🎯  Resumen del programa

Zrive Applied Data Science (Z-DS) es un programa educativo de 13 semanas que tiene el objetivo de preparar a nuestros estudiantes para acceder a puestos de Data Scientist y ser productivos desde el primer día.

Z-DS está dirigido a jóvenes con conocimientos sólidos de matemáticas y con nociones básicas de programación, ya sea por haber estudiado una carrera STEM o por haber adquirido los conceptos relevantes de manera no reglada.

Los candidatos ideales para cursar Z-DS son:

• Graduados de grado, máster o doctorado de la rama STEM con hasta 2 años de experiencia profesional
• Estudiantes de máster o doctorado de carreras STEM
• Estudiantes de últimos cursos de grado en carreras STEM con buenos expedientes académicos

Al definir unos prerrequisitos de entrada, todos los estudiantes tendrán un nivel mínimo de conocimientos que permitirá enfocar el programa en los conocimientos y habilidades que generan un mayor valor añadido en el mundo laboral, como por ejemplo:

1. Desarrollo de soluciones de datos con python en entornos reales
2. Fundamentos sólidos de aprendizaje automático y su aplicación en casos de uso reales
3. Exposición a problemas reales y cómo enfocarlos de la mano de mentores experimentados

<aside> 👉 Todos los alumnos de Z-DS tendrán que pasar por un proceso de selección diseñado y evaluado por los propios profesores del programa para asegurarnos de que poseen los conocimientos mínimos requeridos.

</aside>

⌛️  Prerrequisitos de entrada

1. Background matemático:
   • Linear algebra (enlace a curso, ~19h)
   • Probabilidad (enlace a curso, ~50h)
2. Python básico (~40h):
   • Curso de python (enlace a curso)
   • Kaggle titanic, ver uso básico de pandas, sklearn y gráficas en un ejemplo dummy (enlace)
3. Principios de SQL (~4h):
   • “Introduction to Structured Query Language (SQL)” (semana 2 del curso → enlace)

🥷  Competencias del alumno al final del programa

1. Puede traducir problemas de negocio semiestructurados en problemas de datos
2. Puede trabajar con datos sucios y reales y modelar el problema correctamente
3. Tiene fundamentos sólidos de aprendizaje automático:
   1. Procesado, limpieza y exploración de datos
   2. Entiende los conceptos fundamentales para el correcto modelado de datos
   3. Es capaz de entrenar y evaluar modelos de aprendizaje automático