Plazas limitadas: 15
Diploma con valor curricular SEP SEEM 17DAP65221
Docente especialista
Diplomado de Actualización Profesional en Ciencia de Datos con Python
Inicio
9 de mayo de 2026
Concluye
pendiente
Horario clases online
Sábados de 9:00am a 11:00am
Duración
200 hrs.
Intensivo y Especializado
Nivel Avanzado
Orientado a investigación aplicada y posgrado
Destinado a público académico, investigador y profesional
Eminentemente práctico
Pasos para reservar tu lugar. Limitado a 15 plazas:
- Realiza el registro en el formulario.
- Te contactaremos por whatsapp para seguir con el proceso.
- Te solicitaremos el pago de inscripción y la documentación correspondiente (curp, ine y título o cédula mínimo de licenciatura).
Opciones de Inversión
Número de Registro Oficial
17DAP65221
Secretaría de Educación del Estado de Morelos (SEEM)
Plataforma educativa de apoyo
Cada estudiante contará con un usuario y contraseña personalizados para acceder a:
- Material de estudio especializado
- Actividades académicas
- Retroalimentación docente
Perfil de ingreso
- Licenciados en cualquier área
- Ingenieros
- Maestros
- Doctores e investigadores
Objetivo del Diplomado
Profundizar en los contenidos fundamentales del lenguaje de programación Python, con el propósito de alcanzar un nivel profesional en:
- Desarrollo web
- Almacenamiento y gestión de datos
- Diseño de interfaces gráficas
- Procesamiento y análisis de datos
- Interpretación de resultados para la innovación en proyectos de investigación
¿Por qué estudiar este diplomado?
Python es uno de los lenguajes de programación más utilizados a nivel mundial por su:
- Alta versatilidad de aplicación
- Facilidad de aprendizaje
- Amplia demanda en el mercado laboral
- Sólida y activa comunidad de apoyo
MÓDULO I. Fundamentos y estructura del lenguaje Python.
Tema 1. Introducción.
1.1. Lenguaje de Programación Python.
1.2. Áreas de aplicación de Python.
1.3. Python 2 vs Python 3.
1.4. Instalación Python y Configuración.
1.5. Ejecución de Programa de Python.
1.6. Python con Visual Studio Code.
1.7. Python con Júpiter.
1.8. Estructura principal del Lenguaje.
Tema 2. Pip.
2.1. PyPI Package Manager.
2.2. To list all packages installed using `pip`.
2.3. Upgrade Packages.
2.4. Uninstall Packages.
2.5. Updating all outdated packages on Linux.
2.6. Updating all outdated packages on Windows.
2.7. Create a requirements.txt file of all packages on the system.
2.8. Instalar con wheel (Paquetes externos).
Tema 3. Módulo, paquetes y namespaces.
Tema 4. Sintaxis y Fundamentos del lenguaje.
4.1. Funciones.
4.2. Funciones lambda.
4.3. Clases y Objetos.
4.4. Sangrías.
4.5. Comentarios y Documentación.
Tema 5. Variables y Tipo de Datos.
5.1. Funciones.
5.2. Funciones lambda.
5.3. Clases y Objetos.
5.4. Sangrías.
5.5. Comentarios y Documentación.
Tema 6. Operaciones matemáticas.
6.1. Funciones.
6.2. Funciones lambda.
6.3. Clases y Objetos.
6.4. Sangrías.
6.5. Comentarios y Documentación.
Tema 7. Comprensiones y generaciones.
7.1. Listar Comprehensiones.
7.2. Herramientas Funcionales.
7.3. Funciones y expresiones del generador.
Tema 8. Colecciones.
8.1. Listas.
8.2. Tuplas.
8.3. Diccionarios.
8.4. Conjuntos.
8.5. Linked lists.
8.6. Linked List Node.
8.7. Heapd.
8.8. Array.
Tema 9. Bucles y Condicionales.
9.1. Bucle For loops.
9.2. Bucle While, Break and Continue in Loops.
9.3. Iterating over lists.
9.4. Loops with an «else» clause.
9.5. The Pass Statement.
9.6. Iterating over dictionaries.
9.7. The «half loop» do-while.
9.8. Looping and Unpacking.
9.9. Iterating different portion of a list with dierent step size.
9.10. While Loop.
9.11. Condicional if .. else.
Tema 10. Operación Booleana.
10.1. And.
10.2. Or.
10.3. Not.
10.4. Short-circuit evaluation.
Tema 11. Alcance de Variables.
11.1. Variable.
11.2. Variable Globales.
11.3. Variable Locales.
11.4. Alcance Adjunto ( Enclosing scope).
11.5. Alcance Incorporado (Built-in scope).
11.6. LEGB.
11.7. PEP8.
11.8. Palabras Claves Globales.
11.9. Palabra clave no local.
MÓDULO II. Bases de POO y Almacenamiento de Datos
Tema 1. Introducción.
1.1.Elementos del modelo de objetos: clases, objetos, abstracción, modularidad, encapsulamiento, herencia y polimorfismo.
1.2.Lenguaje de modelado unificado: diagrama de clases.
Tema 2. Clases y Objetos.
2.1. Método __init__.
2.2. Parámetro self.
2.3. Atributos.
2.3.1. Clase.
2.3.2. Instancia.
2.4. Métodos.
2.4.1. Instancia.
2.4.2. Mágicos.
2.5. Encapsulamiento.
2.6. Instanciación de clase.
2.7. Referencia de objeto.
2.8. Protección de atributos y métodos.
Tema 3. Herencia.
3.1. Definición clase base y clase derivada.
3.2. Herencia simple.
3.3. Herencia múltiple.
Tema 4. Polimorfismo.
4.1. Clases abstractas.
4.2. Interfaces.
4.3. Variables polimórficas.
4.4. Reutilización de código.
Tema 5. Errores y Excepciones.
5.1. Errores de sintaxis.
5.2. Manejo de excepciones.
Tema 6. Clases asociación y agregación.
6.1. Agregación.
6.2. Asociación.
6.3. Inheritance.
Tema 7. Flujos y archivos.
7.1. Módulos os y sys.
7.2. Objetos File.
7.2.1. Apertura.
7.2.2. Lectura.
7.2.3. Escritura.
7.2.4. Posición.
Tema 8. Manejo de bases de datos en Python
Tema 9. Introducción a base de datos.
9.1. El lenguaje SQL.
9.2. Sintaxis básica de las sentencias SQL.
9.3. Crear, borrar y modificar tablas en una base de datos.
9.4. Insertar datos en una tabla.
9.5. Seleccionar registros.
9.6. Modificar registros.
9.7. Eliminar registros.
9.8. Consultas.
Tema 10. Bases de datos en Python con DB-API.
10.1. Introducción a bases de datos con Python.
10.2. Conectarse a la base de datos y ejecutar consultas.
10.3. Insertar datos.
10.4. Seleccionar todos los registros.
10.5. Seleccionar solo registros coincidentes.
10.6. Eliminar registros.
10.7. Actualizar datos.
MÓDULO III. Interfaz gráfica de usuario con Tkinter
Tema 1. Introducción.
1.1. Interfaces gráficas con Tkinter.
1.2. Recursos.
1.3. Widgets.
Tema 2. Marcos.
2.1. Objeto tk.
2.2. Método tk().
2.3. Title().
2.4. Colores.
2.4.1. Configure().
2.4.2. Background.
2.5. Mostrar Ventana .
2.5.1. Mainloop().
Tema 3. Botones.
3.1. Constructor.
3.2. Propiedad Text.
Tema 4. Etiquetas.
4.1. Constructor.
4.2. Propiedad Text.
4.3. Color a etiquetas.
Tema 5. Caja de Texto.
5.1. Entry.
5.2. Width.
5.3. TextVariable.
Tema 6. Botón de Radio.
6.1. RadioButton.
6.2. Método Set.
6.3. Propiedad Value.
6.4. Asignación de una Variable.
6.5. text.
Tema 7. Casilla de Verificación.
7.1. CheckButton.
Tema 8. Lista.
8.1. ListBox.
8.2. Método insert().
Tema 9. ComboBox.
9.1. textVariable.
9.2. values.
9.3. current.
Tema 10. Menú.
10.1. Command.
10.2. Separator.
10.3. Barra de Menú.
10.4. Cascade.
10.5. Sub menus.
Tema 11. Pestañas.
11.1. NoteBook.
11.2. Propiedad.
Tema 12. Layout.
12.1. Grid.
12.2. Mensajes.
Tema 13. Conversiones.
13.1. StringVar.
13.2. IntVar.
Tema 14. Mensajes.
14.1. Método showerror.
14.2. Método showinfo.
Tema 15. Diálogos.
15.1. Método askyesno.
Tema 16. Imágenes.
16.1. Pip install PIL.
16.2. Importar biblioteca PIL.
16.3. Obtener directorio.
16.4. Parámetro fill.
Tema 17. ScrollText.
17.1. Propiedad grid Propiedades.
Tema 18. Acciones.
18.1. Botones.
18.2. Caja de Texto.
18.3. Botones de Radio.
18.4. ListBox.
18.5. ComboBox.
18.6. Menú.
18.7. Pestañas.
18.8. MessageBox.
18.9. Diálogos.
18.10. SpinBox.
18.11. ScrolleText.
Tema 19. Proyecto.
19.1. Obtención de requerimientos.
19.2. Modelado de arquitectura.
19.3. Desarrollo Aplicación de control de gastos.
19.4. Despliegue de aplicación.
MÓDULO IV. Web Frameworks Django y Flask
Tema 1. Introducción.
1.1. ¿Qué es Django?
1.2. Ventajas de Django vs otros Frameworks backend.
Tema 2. Instalación y configuración de Django.
2.1. Explicación y creación de entornos virtuales.
2.2. Instalación y creación de un proyecto de Django.
2.3. Estructura del proyecto.
2.4. Levantar servidor de desarrollo.
2.5. Manejo del archivo settings.
Tema 3. Patrón de arquitectura.
3.1. MVT.
3.2. MVC.
3.3. MVT vs MVC.
Tema 4. Entorno de Framework.
4.1. Generación de un nuevo modelo en la app.
4.2. Migraciones.
4.3. Vistas y enrutamiento.
4.4. Serialización y deserialización.
4.5. Validaciones
4.6. Sistema de paginación.
4.7. Registrar modelos.
4.8. Administración de Django.
Tema 5. Templates y formularios.
5.1. Templates.
5.2. Login.
5.3. Formularios.
5.4. Mostrando formulario en template.
5.5. Modelo forms.
5.6. Validación de formularios.
Tema 6. Django rest framework.
6.1. ¿qué es y cómo crear un api rest en django?
6.2. Creación de api.
6.3. Registro de ap.
6.4. Archivos estáticos.
Tema 7. Permisos.
7.1. Auth_user_model .
7.2. Archivo permission.py.
7.3. Permisos base basepermission.
Tema 8. Orm.
8.1. ¿Qué es un ORM?
8.2. Querysets.
8.3. Filtros en query sets.
8.4. Template y rutas.
Tema 9. Proyecto web con Django.
9.1. Modelado de arquitectura.
9.2. Desarrollo aplicación de acceso de usuarios.
9.3. Despliegue de aplicación.
Tema 10. Flask Framework minimalista.
10.1. Introducción.
10.2. Instalación de flask, sql alchemy, flask migrate y psycopg2.
10.3. Routing y vistas.
10.4. Plantillas y templates.
10.5. Proyecto de desarrollo con flask.
MÓDULO V. Modelos de Análisis de Datos
1.Introducción
1.1.¿Qué se verá en el curso?
1.2.Importancia de la explotación de datos
1.3.Introducción a algoritmos
2.Manipulación de datos con Numpy
2.1.Arreglos
2.2.Obtención de Datos
2.3.Tipos de datos Numpy
2.4.Definición de tipos
2.5.Creación de arreglos.
2.6.Matrices
2.7.Actualización de arreglos.
2.8.Shape.
2.9. Axes numpy.
2.10.Transposición.
2.11.Operación Básica.
2.12.Ordenamiento.
2.13.Ejecución de funciones.
2.14.Copias y vistas.
2.15.Operación relacionales y lógicas.
2.16.Comparar arreglos.
2.17.Lectura de archivos.
3.Manipulación de datos con Pandas
3.1.Series
3.2.Creación de series
3.3.NaN
3.4.DataFrames
3.5.Columnas y vectores
3.6.Ejecución de funciones
3.7.Lectura de archivos csv
3.8.Ordenamiento
3.9.Creación de archivos
3.10.Modificación de DataFrame
3.11.Loc
3.12.Iloc
3.13.Consultas
3.14.Agrupación
3.15.Tablas resumen
3.16.Transformación
3.17.Indexación recuperación de datos
4.Visualización de datos con Matplotlib
4.1.Tablas vs Gráficos
4.2.¿Tipos de Gráficos cuando usar cada uno?
4.3.Introducción a Matplotlib
4.4.Tipos de Gráficos con Matplotlib
4.5.Pandas y Matplotlib Gráficos de Dispersión y Línea
Gráficos de Distribución. Introducción a la biblioteca Pandas para manipulación de datos. Carga y visualización de conjuntos de datos con Pandas. Limpieza de datos: Manejo de datos faltantes, duplicados y outliers. Transformaciones de datos: Normalización, codificación de variables categóricas.
División de datos en conjuntos de entrenamiento y prueba.
Ejemplo: Preprocesamiento de datos para un conjunto de datos de reconocimiento de dígitos escritos a mano.
5.Estadísticas para Analistas de Datos.
5.1. Estadística Descriptiva
5.2.Análisis de Datos Exploratorio y Visualizaciones
5.3. Varianza
5.4.Desviación Estándar
5.5.Tipos de Variables: Cuantitativas y Cualitativas
5.6.Distribuciones de Frecuencia
5.7.Mediana, Moda y Media
6.Estadística Inferencial para ciencia de datos
6.1.Fundamentos estadística inferencial
6.2.Estadístico y cálculos
6.3.Prueba de hipótesis y validación
7.Algoritmo Machine Learning. Introducción al concepto de Machine Learning. Tipos de aprendizaje: Supervisado, no supervisado y por refuerzo. Ejemplo: Clasificación de flores Iris usando scikit-learn.
7.1.Regresión lineal. Conceptos básicos de regresión.
Regresión lineal y regresión polinómica. Evaluación del rendimiento del modelo: Métricas de regresión (R-cuadrado, error cuadrático medio). Regularización para evitar el sobreajuste: Ridge y Lasso. Ejemplo: Predicción de los precios de las casas utilizando regresión lineal. Ejemplo adicional: Regresión polinómica para predecir el rendimiento de estudiantes.
7.2.Series de tiempo.
7.3.Clustering y clasificación. Algoritmos de clasificación: K vecinos más cercanos (KNN), Naive Bayes, Árboles de decisión. Evaluación del rendimiento del modelo: Matriz de confusión, precisión, sensibilidad, especificidad. Selección de características y validación cruzada. Ejemplo: Clasificación de pacientes con diabetes usando un clasificador de Bayes ingenuo. Ejemplo adicional: Clasificación de spam de correo electrónico utilizando un clasificador KNN.
7.4.Árboles y bosques aleatorios
7.5. Aprendizaje Supervisado – Máquinas de Vectores de Soporte (SVM). Introducción a las Máquinas de Vectores de Soporte (SVM). Margen máximo y truco del kernel. Tuning de hiperparámetros en SVM. Ejemplo: Clasificación de flores Iris usando SVM. Ejemplo adicional: Detección de fraudes financieros utilizando SVM.
7.6. Aprendizaje No Supervisado – Agrupamiento (Clustering)
Introducción al aprendizaje no supervisado y al agrupamiento. Algoritmos de agrupamiento: K-Means, Clustering jerárquico. Evaluación de la calidad de los clusters. Ejemplo: Agrupamiento de datos de clientes para segmentación de mercado. Ejemplo adicional: Agrupamiento de documentos para análisis de texto.
7.7. Aprendizaje No Supervisado – Reducción de la dimensionalidad. Necesidad de reducción de la dimensionalidad. Técnicas de reducción de la dimensionalidad: Análisis de Componentes Principales (PCA). Aplicaciones de la reducción de la dimensionalidad. Ejemplo adicional: Reducción de la dimensionalidad para mejorar la eficiencia del modelo.
7.8. Redes neuronales. DNN. Perceptrones, Convolucionales, LSTM y Recurrentes.
7.9. Proyecto Final y Aplicaciones Prácticas
Presentación de proyectos finales por parte de los estudiantes. Discusión sobre aplicaciones prácticas del Machine Learning en medicina, biología, investigación, etc.
Docente
Mtro.Enrique Díaz Ocampo
Estudió la Licenciatura en Matemáticas Aplicadas en la Benemérita Universidad Autónoma de Puebla (BUAP). En el año 2016, durante sus prácticas profesionales, se desempeño como auxiliar de investigador para el Laboratorio Nacional de Supercómputo del Sureste de México (LNS BUAP). En el mismo año, participó en el «Sexto congreso Nacional de Investigación en Cambio Climático». Así como en el taller «Aplicaciones de Supercómputo en Fenómenos relacionados con desastres naturales y cambio climático», ambos realizados en la Universidad de Colima. En 2017, tras haber finalizado sus prácticas profesionales, participó en el » 50 Congreso Nacional de la Sociedad Matemática Mexicana, con la ponencia «La segmentación de Imágenes Digitales como un problema de optimización». Posteriormente, en 2018, ganó una beca tesis en el Centro de Investigación en Matemáticas A.C. (CIMAT). A cargo de la Dra. Silvia Jerez Galiano con el tema «Modelación de Tratamientos para la metástasis ósea vía control óptimo». En dicho año, participó en el «Taller de Problemas de Matemáticas Computacionales» realizado en el mismo centro. En 2019, ingresó como profesor por asignatura en la Universidad Internacional (UNINTER) y fué invitado a impartir el taller «Desarrollo del Pensamiento Matemático». Ese mismo año, fue aceptado como miembro de la Sociedad Matemática Mexicana. A inicios del 2020, realizó una estancia de investigación en CIMAT, estudiando las propiedades de simetría de Lie, de un formalismo matemático conocido como «S-systems» y un diplomado en «Competencias para la investigación modalidad en línea» por parte de la BUAP. En el 2023, concluyó la Maestría en Ciencias de la Computación en la especialidad de Inteligencia Artificial en el Centro Nacional de Investigación y Desarrollo Tecnológico (CENIDET). También ingresó este mismo año en COCID como docente para la impartición de cursos, diplomados y materias concretas en ciencia de datos y machine learning.
