Jackelin Alejo
Subgerente Pricing Analytics
Data Scientist Pricing
Ingeniera electrónicaPontificia Universidad Católica del PerúCupos agotados · Cohorte octubre 2026
Programa intensivo deData Scientist
Construye modelos predictivos. Resuelve problemas de negocio.
Python + Estadística + Machine Learning
Inicia el 12 de octubre
Lunes · 7 a 10 p. m.Sábados · 9 a. m. a 12 del mediodíaHora de Perú
Cupos agotados
La cohorte de octubre completó sus vacantes. No hay nuevas cohortes de Data Scientist programadas.
Inscripciones abiertas: Programa Intensivo de Data Analyst · SQL + Python + Power BI · inicia el 26 de octubre.
72 horas en vivo12 semanas de formaciónProyecto aplicado para tu portafolio
Ingeniera electrónicaPontificia Universidad Católica del PerúMSc. Jesús Tapia
Data Scientist · 13+ años en el sector financiero
Pricing Analytics Specialist
Ingeniero industrial de la PUCPMaestría en Ciencia de DatosUPC
Lázaro Monje
Data Scientist en Credicorp
Ingeniero estadístico
Más de 6 años en el sector financiero
Ingeniería EstadísticaFormación universitaria · UNILas marcas muestran trayectoria y formación, no auspicio.
+350 egresados formados por DAE Academy
Python desde ceroCupos agotadosLas herramientas que llevarás a la práctica.
Python
NumPy
pandas
Matplotlib
SciPy
scikit-learn
XGBoost
Jupyter
Orienta tu perfil hacia nuevos roles.
Data Scientist JuniorPricing AnalyticsAnalista de Riesgo de CréditoAnalista de Modelos Predictivos
Una base aplicada para avanzar hacia estos roles. La experiencia, SQL y la preparación para entrevistas también cuentan.
Aprende el proceso.
Explica la decisión.
Un modelo empieza con una pregunta de negocio. Aquí aprenderás a definirla, preparar los datos y evaluar qué solución tiene sentido.
Esta ruta une Python desde cero, estadística aplicada y Machine Learning. Empezarás por segmentación y aprendizaje no supervisado; después construirás modelos predictivos y conocerás herramientas de evaluación de impacto. Trabajarás con datos tabulares y un proyecto guiado para tu portafolio.
Entender y preparar datosPython, pandas, análisis exploratorio y criterios estadísticos.
Construir y comparar modelosFeatures, pipelines, validación y métricas alineadas al problema.
Comunicar lo que encontrastePredicciones, interpretación, limitaciones y recomendaciones.
¿Para quién es?
Para analistas, estudiantes y profesionales que quieren dar el siguiente paso hacia modelos predictivos. Puedes comenzar Python desde cero; necesitarás matemática escolar básica y tiempo de práctica entre sesiones.
Tu ruta, clase por clase.
3 módulos de formación. Machine Learning se despliega en 3 bloques para que veas todo el recorrido.
12 semanas24 sesiones72 horas en vivo
01Python · Semanas 1–4Python desde cero para Analytics8 sesiones · 24 horas
- Sesión 1Primeros pasos: notebooks, variables, tipos de datos y operaciones.
- Sesión 2Listas, diccionarios, condiciones y estructuras para resolver problemas.
- Sesión 3Bucles, funciones y depuración de errores frecuentes.
- Sesión 4pandas: carga de archivos, exploración, filtros y nuevas columnas; operaciones numéricas con NumPy.
- Sesión 5Limpieza de datos: tipos, nulos, duplicados, fechas y revisión de valores atípicos.
- Sesión 6Transformación y análisis: merge, groupby, tablas dinámicas e indicadores de negocio.
- Sesión 7Visualización y EDA: análisis univariado y bivariado, distribuciones y relaciones entre variables.
- Sesión 8Caso aplicado: integra limpieza, análisis y visualización para responder preguntas de negocio.
Lo que te llevas
Un análisis reproducible: de un archivo de datos a indicadores y visualizaciones.
02Estadística · Semanas 5–6Estadística para Analytics4 sesiones · 12 horas
- Sesión 1Estadística descriptiva: percentiles, varianza, desviación estándar y probabilidad básica.
- Sesión 2Población y muestra, sesgos, distribuciones e intervalos de confianza.
- Sesión 3Inferencia: comparación de grupos, hipótesis, p-valor y tamaño del efecto.
- Sesión 4A/B testing: hipótesis de negocio, aleatorización, métricas y lectura de resultados.
Lo que te llevas
Interpretar variabilidad, incertidumbre y los resultados de un experimento de negocio.
03Machine Learning · bloque 1 de 3 · Semanas 7–8Machine Learning: fundamentos y no supervisado4 sesiones · 12 horas
- Sesión 1Introducción a Machine Learning: aprendizaje supervisado, no supervisado y por refuerzo; casos de negocio, target cuando corresponde y etapas de un proyecto.
- Sesión 2Preprocesamiento y feature engineering: imputación, codificación, escalamiento y nuevas variables; particiones y pipelines sin fuga de información.
- Sesión 3PCA y KMeans: reducción de dimensionalidad, segmentación de clientes, elección del número de grupos e interpretación de perfiles.
- Sesión 4DBSCAN: agrupamiento por densidad, identificación de ruido y comparación con KMeans.
Lo que te llevas
Distinguir los enfoques de Machine Learning, preparar variables y explorar segmentos de clientes con PCA, KMeans y DBSCAN.
04Machine Learning · bloque 2 de 3 · Semanas 9–10Machine Learning: modelos supervisados4 sesiones · 12 horas
- Sesión 5Regresión lineal y Ridge: target y horizonte, baseline, coeficientes, residuos, regularización y métricas MAE/RMSE.
- Sesión 6Regresión logística: probabilidades, precision, recall, desbalance y umbrales.
- Sesión 7Árboles y Random Forest: entrenamiento, profundidad, sobreajuste e interpretación.
- Sesión 8XGBoost, validación y comparación: boosting, validación cruzada, ajuste de hiperparámetros y análisis de errores.
Lo que te llevas
Construir modelos de regresión y clasificación, compararlos con un baseline y evaluar sus errores con métricas de negocio.
05Machine Learning · bloque 3 de 3 · Semanas 11–12Machine Learning: evaluación de impacto y proyecto4 sesiones · 12 horas
- Sesión 9SVM: margen, kernels, escalamiento y laboratorio comparativo con modelos supervisados.
- Sesión 10Diferencias en diferencias (DiD): introducción a econometría y evaluación de impacto, grupo de comparación, tendencias paralelas e interpretación.
- Sesión 11Introducción a redes neuronales y Deep Learning: funciones, derivadas, intuición del gradiente y entrenamiento de una red sencilla.
- Sesión 12Proyecto integrador: evaluación final con datos reservados, predicciones sobre datos nuevos, resultados y recomendaciones de negocio.
Lo que te llevas
Comparar otra familia de modelos, introducir evaluación de impacto y presentar un proyecto con resultados, limitaciones y recomendaciones de negocio.
Los bloques 03, 04 y 05 forman un único módulo de Machine Learning de 36 horas. Primero conocerás los tres enfoques de aprendizaje; luego trabajarás no supervisado antes de supervisado. El proyecto avanza desde el primer bloque y termina con resultados y recomendaciones de negocio.
Proyecto integrador
Del target a una recomendación de negocio.
Trabaja un caso de clasificación, como anticipar qué clientes podrían dejar de usar un servicio. La meta es justificar el proceso, no solo ejecutar un algoritmo.
- 01Plantea el problema
Qué predecir, para quién y con qué información disponible.
- 02Contrasta tus modelos
Una referencia inicial, validación y comparación de errores.
- 03Presenta tu solución
Notebook, pipeline, resultados y recomendaciones de negocio.
Casos didácticos con datos públicos o sintéticos. DiD, redes neuronales y Deep Learning se abordan de forma introductoria. El aprendizaje por refuerzo se presenta solo como panorama conceptual.
Tres miradas.
Una misma conexión con el negocio.
Conoce quién te acompaña en Python, Estadística y Machine Learning.
Docente de Machine Learning
Ingeniero industrial de la PUCP
MSc. Jesús Tapia
Data Scientist · 13+ años en el sector financiero
Pricing Analytics Specialist
Te acompañará en el proceso de modelamiento: del problema de negocio y la preparación de datos a la evaluación e interpretación de modelos.
Ingeniero industrial de la PUCPMaestría en Ciencia de DatosUPC
Docente de Estadística para Analytics
Ingeniería EstadísticaFormación universitaria · UNI
Lázaro Monje
Data Scientist en Credicorp
Ingeniero estadístico
Más de 6 años en el sector financiero
Conecta la estadística con decisiones del negocio: variabilidad, inferencia, comparación de grupos y lectura de experimentos A/B.
Ingeniería EstadísticaFormación universitaria · UNI
Docente de Python para AnalyticsIngeniera electrónicaPontificia Universidad Católica del Perú
Jackelin Alejo
Subgerente Pricing Analytics
Data Scientist Pricing
Ingeniera electrónica de la PUCP, con experiencia profesional en BCP. Docente de Python para Analytics en este programa.
Ingeniera electrónicaPontificia Universidad Católica del PerúLas empresas y universidades muestran la trayectoria y formación del equipo docente, no un patrocinio o aval del programa.
Tu aprendizaje,
con evidencia.
Al completar el programa y aprobar el proyecto final, recibirás un certificado digital emitido por DAE Academy.
Certificado digital DAE
Identifica el programa cursado y su duración.
Proyecto para tu portafolio
Conserva tu trabajo, documentación y conclusiones.
La certificación es propia de DAE Academy. No constituye un grado universitario ni un aval de las empresas mencionadas. Imagen referencial; el diseño final puede variar.
Antes de empezar.
¿Necesito saber programar?
El programa completo empieza con Python desde cero. Necesitas manejar archivos en tu computadora y matemática escolar básica. Si llevas Estadística por separado, debes conocer Python y pandas; para Machine Learning también necesitas estadística básica.
¿Son clases en vivo? ¿Cuánto tiempo debo dedicar?
Sí. Tendrás dos sesiones de tres horas por semana, Lunes de 7 a 10 p. m. · Sábados de 9 a. m. a 12 del mediodía, hora de Perú. Son 24 sesiones y 72 horas programadas. Reserva tiempo de práctica adicional; durante Machine Learning recomendamos entre 3 y 4 horas semanales para avanzar tu proyecto.
El calendario detallado, incluidos eventuales ajustes por feriados, se compartirá antes de iniciar.
¿Qué profundidad tiene Machine Learning?
Es una formación aplicada con datos tabulares. Comienza con preparación de datos y aprendizaje no supervisado: PCA, KMeans y DBSCAN. Después aborda regresión, clasificación, árboles, Random Forest, XGBoost y SVM, con validación y comparación de modelos. Incluye introducciones a diferencias en diferencias (DiD) y redes neuronales. El aprendizaje por refuerzo se explica de forma conceptual; no incluye entrenamiento de agentes. No es una especialización en econometría, Deep Learning, visión computacional, NLP o MLOps.
¿El programa garantiza conseguir trabajo?
No. Te permite construir fundamentos y un proyecto guiado para tu portafolio. La preparación laboral también requiere práctica autónoma, SQL, comunicación y preparación para entrevistas. SQL no está incluido en estas 72 horas.
¿Habrá una nueva cohorte de Data Scientist?
Por ahora no hay nuevas cohortes programadas. Si quieres empezar en datos, el Programa Intensivo de Data Analyst tiene inscripciones abiertas e inicia el 26 de octubre.
¿Quieres empezar en datos?
Programa Intensivo de Data Analyst: SQL, Python y Power BI en vivo. Inicia el 26 de octubre.