Saltar al contenido principal

Descripción general

Denominación MICROCREDENCIAL UNIVERSITARIA EN PROGRAMACIÓN EN PYTHON PARA LA CIENCIA DE DATOS (2ª EDICIÓN)
Número total de créditos 6 créditos ECTS
Dirección académica IVAN DE MARTINO
Lugar de impartición

El curso se alojará en la plataforma Studium. Se utilizará la plataforma Meet para las clases virtuales en modalidad síncrona:

Clases virtuales síncronas (de 16:30 a 18:30): lunes, martes, jueves y viernes

Fin de las clases síncronas: 20 de julio

Entrega de trabajo final: 30 de julio
Sistema Calificacion Global Apto/No apto/NP
Curso Académico
Fechas Fecha de inicio: 01/06/2026 y Fecha de finalización: 30/07/2026
Idiomas Español
Precio 130,00 €
Tasa Reducida No aplica
Ámbito temático / Ámbito específico 05 Ciencias naturales, matemáticas y estadística / 054 Matemáticas y estadística

Objetivos formativos

Esta microcredencial tiene como objetivo proporcionar a los participantes habilidades técnicas y analíticas clave para su inserción en el mercado laboral en el ámbito de la ciencia de datos, análisis de datos y programación en Python. A través de un enfoque práctico y aplicado, los estudiantes lograrán:

  • Dominar Python desde cero hasta un nivel intermedio, comprendiendo su sintaxis, estructuras de datos y principios de programación.
  • Aplicar técnicas avanzadas de manipulación y análisis de datos con librerías como NumPy y Pandas, esenciales en entornos profesionales de ciencia de datos.
  • Crear visualizaciones efectivas con Matplotlib y Seaborn, facilitando la interpretación de información y la toma de decisiones basada en datos.
  • Comprender y aplicar estadísticas descriptivas e inferenciales, fundamentales para el análisis cuantitativo en entornos empresariales y científicos.
  • Introducirse en la estadística bayesiana, una herramienta clave para la modelización probabilística y la toma de decisiones basada en incertidumbre.
  • Desarrollar un proyecto final de análisis de datos, aplicando todo lo aprendido en un caso práctico, lo que permitirá a los participantes fortalecer su portafolio profesional.

Otro objetivo es tener un impacto la Inserción Laboral a través de la

  • Diferenciación en el mercado laboral con una certificación que valida habilidades prácticas en Python para ciencia de datos.
  • Aumento de oportunidades de empleo en sectores como tecnología, banca, consultoría, marketing digital, investigación y más.
  • Desarrollo de un portafolio sólido, con proyectos aplicables a problemas del mundo real que pueden ser presentados a reclutadores.
  • Adquisición de competencias altamente demandadas, alineadas con las necesidades actuales del mercado laboral en data science y análisis de datos.

Resultados de aprendizaje

Capacidades y competencias:

Esta competencia implica examinar conjuntos de datos extensos para identificar patrones, correlaciones y tendencias significativas que respalden la toma de decisiones.

Implica diseñar, implementar y mantener bases de datos eficientes que almacenen y recuperen información de manera efectiva.

Se refiere a la habilidad de escribir y mantener código en diversos lenguajes de programación, como Python, para desarrollar aplicaciones y soluciones tecnológicas.

Acceso y admisión

Requisitos de acceso y criterios de admisión de estudiantes

Requisitos de acceso generales: Titulación Universitaria
Requisitos de acceso específicos:
Criterios de admisión: Por orden de inscripción

Perfil de ingreso recomendado, no son requisitos obligatorios:

Idioma:

Español
Titulación

Titulación Universitaria
Profesional

No procede

Plan de estudios

NombreTipoLenguasModalidadDescripciónECTS
Estadística Teórica y Estadística Bayesiana con PythonObligatoria(OB)EspañolVirtual
  1. Introducción a la estadística descriptiva y visualización de datos
  2. Medidas de tendencia central y dispersión
  3. Distribuciones de probabilidad (normal, binomial, Poisson, etc.)
  4. Pruebas de hipótesis y significancia estadística
  5. Introducción a la estadística bayesiana y diferencias con la estadística frecuentista
  6. Implementación de inferencia bayesiana con Python
0,70
Fundamentos de PythonObligatoria(OB)EspañolVirtual
  1. Introducción a Python y configuración del entorno (Anaconda, Jupyter, VS Code)
  2. Sintaxis básica y estructuras de control (variables, operadores, condicionales y bucles)
  3. Funciones y programación modular
  4. Manejo de excepciones y depuración de código
  5. Introducción a estructuras de datos (listas, tuplas, diccionarios y conjuntos)
0,80
Introducción a la Ciencia de Datos con PythonObligatoria(OB)EspañolVirtual
  1. Introducción a la ciencia de datos y flujo de trabajo
  2. Introducción a NumPy: creación y manipulación de arrays
  3. Operaciones matemáticas con NumPy
  4. Introducción a Pandas: creación y manipulación de DataFrames
  5. Limpieza y transformación de datos con Pandas
1,00
Programación Intermedia en PythonObligatoria(OB)EspañolVirtual
  1. Programación orientada a objetos en Python (POO)
  2. Uso de módulos y paquetes en Python
  3. Lectura y escritura de archivos (CSV, JSON, TXT)
  4. Manejo de errores y debugging
  5. Introducción a la manipulación de datos con listas y comprensión de listas
1,00
Proyecto FinalObligatoria(OB)EspañolVirtual
  1. Definición del proyecto de análisis de datos
  2. Adquisición y limpieza de datos reales
  3. Análisis exploratorio de datos (EDA)
  4. Creación de visualizaciones efectivas
  5. Aplicación de estadística inferencial y bayesiana al análisis de datos
  6. Presentación y documentación del proyecto
2,00
Visualización de DatosObligatoria(OB)EspañolVirtual
  1. Introducción a Matplotlib: creación de gráficos básicos
  2. Personalización de gráficos en Matplotlib
  3. Introducción a Seaborn para visualización avanzada
  4. Gráficos de datos categóricos y distribuciones con Seaborn
  5. Creación de dashboards básicos con Python
0,50

Profesorado

Profesor/a: IVAN DE MARTINO , Tipo de profesor: Académico interno
AsignaturaCréditos AsignaturaCréditos Impartidos
Fundamentos de Python0,800,40
Visualización de Datos0,500,25
Proyecto Final2,001,00
Estadística Teórica y Estadística Bayesiana con Python0,700,35
Programación Intermedia en Python1,000,50
Introducción a la Ciencia de Datos con Python1,000,50
Suma : 3,00
Profesor/a: RICCARDO DELLA MONICA , Tipo de profesor: Académico interno
AsignaturaCréditos AsignaturaCréditos Impartidos
Programación Intermedia en Python1,000,50
Proyecto Final2,001,00
Estadística Teórica y Estadística Bayesiana con Python0,700,35
Introducción a la Ciencia de Datos con Python1,000,50
Visualización de Datos0,500,25
Fundamentos de Python0,800,40
Suma : 3,00

Recursos

Espacios a utilizar

La docencia al ser virtual, se utilizará la plataforma studium

Recursos didácticos

  • Temas desarrollados en formato PDF.
  • Diapositivas en formato PDF de las sesiones impartidas por teleconferencia
  • Código con los ejemplos que se ejecutarán en Python
  • Videos didácticos de los temas impartidos
  • Foros y espacios de discusión para resolver dudas y fomentar el aprendizaje colaborativo.

Campus virtual

Campus Virtual Studium:

Studium es el campus virtual institucional de la Universidad de Salamanca. Aporta herramientas de comunicación y de recursos electrónicos para facilitar el proceso de enseñanza/aprendizaje, tanto en la enseñanza presencial como en aquellas titulaciones semi-presenciales o puramente virtuales. 

El Campus Virtual Studium de la Universidad de Salamanca está basado en Moodle, que es una plataforma de código abierto que ha sido creada y mantenida durante muchos años por una comunidad global de desarrolladores, lo que favorece su fiabilidad y estabilidad. Además, Moodle es ampliamente utilizado en todo el mundo por instituciones educativas de todos los niveles. 

En cuanto a la seguridad y privacidad de la información, nuestra Moodle ofrece varias características y herramientas de seguridad para proteger los datos de sus usuarios: Moodle utiliza la autenticación de usuario y contraseñas del servicio de acceso Single Sign On de la Universidad, encripta las comunicaciones con los usuarios usuarios y presenta un detallado sistema de gestión de permisos que permite que los administradores del Campus Virtual hayan establecido políticas de privacidad, seguridad y acceso para garantizar la protección de los datos personales tal y como establece el marco legislativo de referencia, el Reglamento General de Protección de Datos (GDPR). 

La instalación de Moodle de la Universidad de Salamanca se mantiene actualizada a las últimas versiones y hace uso de las infraestructuras comunes de alojamiento, copias de seguridad y conexión segura a Internet de los Servicios Informáticos asegurando su disponibilidad y seguridad. 

Moodle ofrece un amplio conjunto de herramientas y recursos de aprendizaje que están disponibles en cualquier momento y desde cualquier lugar. Esto significa que el estudiantado puede acceder a la plataforma desde cualquier lugar con acceso a internet, lo que facilita el aprendizaje a distancia. Ofrece la posibilidad de acceder a materiales, participar en foros de discusión, enviar mensajes privados, compartir o entregar archivos y trabajos, realizar evaluaciones y exámenes en línea, entre otros muchos recursos de aprendizaje que pueden enriquecer la experiencia de aprendizaje del estudiantado.

Información pública

Facebook: -
Twitter: -
Instagram: -

Certificación

Los estudiantes que completen con éxito la formación recibirán una certificación en forma de Microcredencial admitida por Europass.

  • Si el estudiante tiene una cuenta en Europass y nos proporciona su IDENTIFICADOR único (UID), alojaremos directamente su Microcredencial en su Biblioteca de Europass.
  • Si no dispones de una cuenta, alternativamente, te enviaremos tu Microcredencial por correo electrónico y podrás subirla a Europass posteriormente. 
Release 1.0