Bootcamp en data analytics & inteligencia artificial aplicado a finanzas & inversiones
200 horas!

Bootcamp en data analytics y inteligencia artificial
200 horas!

8 meses, 35 semanas de duración

Descargar temario

Bootcamp en data analytics & inteligencia artificial aplicado a finanzas & inversiones
200 horas!

Descargar temario

MÓDULO I – FUNDAMENTOS DE PROGRAMACIÓN CON PYTHON (30 HORAS)

Introducción a Python

Introducción a Python
Variables y Tipos de Datos: int, float, str. Operaciones básicas y asignación de variables. Estructuras de datos: Listas, Tuplas, Conjuntos, Diccionarios. Entrada y salida de datos con la función input(). Uso de condicionales if/else para control de flujo. Funciones clave: type(), input(), operadores aritméticos.

Estructuras de Datos

Estructuras de Datos
Tuplas: Creación, acceso a elementos, longitud (len()), comparación. Conjuntos: Creación, adición (add()), eliminación (remove()), pertenencia (in, not in). Funciones clave: len(), add(), remove(), in, not in.

Introducción a Pandas

Introducción a Pandas
DataFrames: Creación a partir de archivos Excel. Lectura de datos: pd.read_excel(). Exploración básica: df.head(), df.dtypes, df.iloc[]. Selección de columnas. Librerías: pandas. Funciones clave: pd.read_excel(), df.head(), df.dtypes, df.iloc[].

Manipulación y Filtrado de Datos con Pandas

Agrupación de datos: df.groupby(). Agregación de datos: .agg([‘sum’, ‘count’, ‘min’, ‘max’, ‘mean’]). Filtrado de filas: Creación de nuevos
DataFrames basados en condiciones. Transformación de tipos de datos: .astype(). Conversión de texto a fechas: pd.to_datetime().
Librerías: pandas, datetime. Funciones clave: df.groupby(), .agg(),
pd.to_datetime(), .astype().

Visualización de Datos con Matplotlib

Gráficos de líneas: plt.plot(). Personalización: plt.xlabel(), plt.ylabel(),
plt.title(), plt.tick_params(). Líneas de referencia: plt.axhline().
Librerías: matplotlib.pyplot, numpy. Funciones clave: plt.plot(), plt.xlabel(), plt.ylabel(), plt.title(), plt.axhline().

Visualización de Datos con Seaborn

Gráficos de líneas: sns.lineplot().Gráficos de barras: sns.barplot().
Personalización de gráficos. Librerías: seaborn, matplotlib.pyplot.
Funciones clave: sns.lineplot(), sns.barplot().

Creación de Gráficos con Plotnine

Creación de gráficos: ggplot() + aes( ) +geom_line().
Personalización: theme(), element_text(). Librerías: plotnine.
Funciones clave: ggplot(), aes(), geom_line(), theme().

Proyectos aplicados

Proyectos aplicados con lectura de planillas, limpieza y procesamiento y visualización de datos.

MÓDULO II - BASES DE DATOS CON SQL.
30 HORAS (20 HORAS CLASES + 10 HORAS DE AYUDANTÍAS PRÁCTICAS).

Introducción a SQL

SELECT: Recuperación de datos de una tabla. WHERE: Filtrado de filas basado en una condición.
TOP: Selección de un número limitado de filas. MONTH(): Extracción del mes de una fecha. YEAR(): Extracción del año de una fecha.

Filtros y Operaciones Básicas

Operadores de comparación (=, >=, <=). Operadores lógicos (AND, OR).
IN: Selección de filas que coinciden con un conjunto de valores.

Introducción a Pandas

 

INNER JOIN: Cruce de tablas que devuelve solo las filas coincidentes en ambas tablas.
LEFT JOIN: Cruce de tablas que devuelve todas las filas de la tabla izquierda y las coincidentes de la tabla derecha.

IS NULL: Filtrar filas donde un valor es nulo.
IS NOT NULL: Filtrar filas donde un valor no es nulo.
FULL JOIN: Cruce de tablas que devuelve todas las filas de ambas tablas, combinando las filas coincidentes y llenando con NULL los valores no coincidentes.

Manipulación y Filtrado de Datos con Pandas

Agrupación de datos: df.groupby(). Agregación de datos: .agg([‘sum’, ‘count’, ‘min’, ‘max’, ‘mean’]). Filtrado de filas: Creación de nuevos
DataFrames basados en condiciones. Transformación de tipos de datos: .astype(). Conversión de texto a fechas: pd.to_datetime().
Librerías: pandas, datetime. Funciones clave: df.groupby(), .agg(),
pd.to_datetime(), .astype().

Visualización de Datos con Matplotlib

Gráficos de líneas: plt.plot(). Personalización: plt.xlabel(), plt.ylabel(),
plt.title(), plt.tick_params(). Líneas de referencia: plt.axhline().
Librerías: matplotlib.pyplot, numpy. Funciones clave: plt.plot(), plt.xlabel(), plt.ylabel(), plt.title(), plt.axhline().

Visualización de Datos con Seaborn

Gráficos de líneas: sns.lineplot().Gráficos de barras: sns.barplot().
Personalización de gráficos. Librerías: seaborn, matplotlib.pyplot.
Funciones clave: sns.lineplot(), sns.barplot().

Creación de Gráficos con Plotnine

Creación de gráficos: ggplot() + aes( ) +geom_line().
Personalización: theme(), element_text(). Librerías: plotnine.
Funciones clave: ggplot(), aes(), geom_line(), theme().

Proyectos aplicados

Proyectos aplicados con lectura de planillas, limpieza y procesamiento y visualización de datos.

Introducción a SQL

Introducción a Python
Introducción a SQL

SELECT: Recuperación de datos de una tabla. WHERE: Filtrado de filas basado en una condición.
TOP: Selección de un número limitado de filas. MONTH(): Extracción del mes de una fecha. YEAR(): Extracción del año de una fecha.

Estructuras de Datos

Estructuras de Datos
Tuplas: Creación, acceso a elementos, longitud (len()), comparación. Conjuntos: Creación, adición (add()), eliminación (remove()), pertenencia (in, not in). Funciones clave: len(), add(), remove(), in, not in.

Introducción a Pandas

Introducción a Pandas
DataFrames: Creación a partir de archivos Excel. Lectura de datos: pd.read_excel(). Exploración básica: df.head(), df.dtypes, df.iloc[]. Selección de columnas. Librerías: pandas. Funciones clave: pd.read_excel(), df.head(), df.dtypes, df.iloc[].

Manipulación y Filtrado de Datos con Pandas

Agrupación de datos: df.groupby(). Agregación de datos: .agg([‘sum’, ‘count’, ‘min’, ‘max’, ‘mean’]). Filtrado de filas: Creación de nuevos
DataFrames basados en condiciones. Transformación de tipos de datos: .astype(). Conversión de texto a fechas: pd.to_datetime().
Librerías: pandas, datetime. Funciones clave: df.groupby(), .agg(),
pd.to_datetime(), .astype().

Visualización de Datos con Matplotlib

Gráficos de líneas: plt.plot(). Personalización: plt.xlabel(), plt.ylabel(),
plt.title(), plt.tick_params(). Líneas de referencia: plt.axhline().
Librerías: matplotlib.pyplot, numpy. Funciones clave: plt.plot(), plt.xlabel(), plt.ylabel(), plt.title(), plt.axhline().

Visualización de Datos con Seaborn

Gráficos de líneas: sns.lineplot().Gráficos de barras: sns.barplot().
Personalización de gráficos. Librerías: seaborn, matplotlib.pyplot.
Funciones clave: sns.lineplot(), sns.barplot().

Creación de Gráficos con Plotnine

Creación de gráficos: ggplot() + aes( ) +geom_line().
Personalización: theme(), element_text(). Librerías: plotnine.
Funciones clave: ggplot(), aes(), geom_line(), theme().

Proyectos aplicados

Proyectos aplicados con lectura de planillas, limpieza y procesamiento y visualización de datos.

MÓDULO III - VISUALIZACIÓN DE DATOS CON POWER BI.
30 HORAS (20 HORAS CLASES + 10 HORAS DE AYUDANTÍAS PRÁCTICAS).

Introducción a Power BI

¿Qué es Power BI?
¿Qué aprenderemos durante el curso? Obteniendo tu cuenta de Power BI Instalaciones necesarias

Conectando fuentes de datos a Power BI

Importando Datos de Muestra
Explorando Conjuntos de Datos, Informes y Paneles
Creando Informes y Explorando tipos de Visualizaciones
Creando Visualizaciones de Barras y Columnas. Utilizando Filtros sobre los paneles. Visualizaciones de una Página del Informe de Power BI.

Creando gráficas.

Creando Gráficas de líneas.
Guardando y Editando un Informe.
Creando una Gráfica de Distribución. Utilizando Gráficos de Mapa y Saturación de Color.
Agregar Gráficas de Pastel y Utilizando Filtros Relacionados.
Gráficas de Dispersión con Movimiento. Gráficas de Barras con Saturación de Color y Colores Personalizados.
Medidores, Tablas y Tarjetas.
Importando Gráficos desde la Tienda de Office. Anclando Visualizaciones a un nuevo Panel. Agregando Imágenes, Texto y Reacomodando un Panel.
Modo de Enfoque, Detalles e Información Relacionada.

Compartiendo Paneles e Informes

Agrupación de datos: df.groupby(). Agregación de datos: .agg([‘sum’, ‘count’, ‘min’, ‘max’, ‘mean’]). Filtrado de filas: Creación de nuevos
DataFrames basados en condiciones. Transformación de tipos de datos: .astype(). Conversión de texto a fechas: pd.to_datetime().
Librerías: pandas, datetime. Funciones clave: df.groupby(), .agg(),
pd.to_datetime(), .astype().

Proyectos aplicados de captura, procesamiento y visualización de datos.

Proyecto creando dashboard a la medida. Creación de indicadores y KPIs.
Uso de objetos visuales con colores condicionales.

MÓDULO IV - BIG DATA CON BIGQUERY Y LOOKER STUDIO.
45 HORAS (30 HORAS CLASES + 15 HORAS DE AYUDANTÍAS PRÁCTICAS).

Introducción a BigQuery

Arquitectura BigQuery
Zona de Pruebas BigQuery
Panel de control de google cloud Introducción Proyectos GCP

Datasets

Creación de Datasets
Select Tables, Guardar Consultas, Editor de Consultas
Crear tabla desde archivo
Tablas nativas y externas, subir archivo a Google Storage
Tipos de datos: Numérico, Booleano, String, Bytes, Date, Date Time, Array, Struct.

Sentencias:

1. SELECT, FROM y LIMIT 2. SELECT DISTINCT
3. IF NULL
4. UNION ALL

5. INTERSECT
6. REPLACE
7. WITH
8. WHERE, AND y OR 9. LIKE, NOT LIKE

10. IN, NOT IN
11. BETWEEN
12. Función de Conversión CAST y SAFE CAST 13. Funciones FECHA
14. Función STRING
15. Función matemática ROUND
16. Funciones de agregación
17. ORDER BY
18. RANK

Tipos de Joins, Funciones, Procedures, Compartir datos en BigQuery.

Visualización de datos con Looker Studio

Introducción a Looker Studio.
Revisando la data que será aplicada. Creando nuestras primeras tarjetas de resultados
Creando tarjetas de resultados con datos numéricos y alfanuméricos
Usamos los periodos automáticos y personalizados en tarjetas de resultados Crea tu propia tarjeta de resultados. Formatear tarjetas de resultados
Métricas opcionales
Un ejemplo de un campo calculado
Crea tu propio campo calculado
Uso de elementos fijos decorativos en nuestros informes
Crea el campo calculado Total ventas Nuestra primera tabla de datos Configuración de la tabla de datos
Segunda parte de nuestro formato de tabla de datos.
Crea tu primera tabla de datos.
Añadir tablas dinámicas a nuestro informe Añade una tabla dinámica al informe Repaso a tarjetas de resultados y tablas de datos
Añadir un gráfico de barras en nuestro informe
Segunda parte de gráficos de barra Gráficos circulares
Crea un gráfico circular simple
Añadir gráficos combinados a nuestros informes.
Crea un gráfico combinado.
Añadir gráficos de áreas en nuestro informe Crea un gráfico de rectángulos
Gráfico de indicadores

Listas desplegables
Añadir botones a nuestro informe Exportación o descarga de datos

MÓDULO V - MACHINE LEARNING.
45 HORAS (30 HORAS CLASES + 15 HORAS DE AYUDANTÍAS PRÁCTICAS)

Introducción a Machine Learning en Finanzas

Aplicaciones de ML en finanzas:
Trading algorítmico, gestión de riesgos, optimización de portafolios, detección de fraude, scoring crediticio, predicción de precios de activos.

Extracción, Preprocesamiento y Procesamiento de Datos Financieros

Fuentes de datos financieros: Mercados bursátiles (Yahoo Finance, Alpha Vantage), datos macroeconómicos, datos alternativos. Normalización de precios (returns logarítmicos, escalado de volatilidad).

Manejo de datos faltantes en series temporales (interpolación, forward-fill).
Feature engineering financiero:
Indicadores técnicos (RSI, MACD, Bollinger Bands).

Factores fundamentales (P/E ratio, ROE). Datos de texto (análisis de sentimiento en noticias con NLP).

Visualización de Datos Financieros

Herramientas: Matplotlib, Seaborn, Plotly. Visualizaciones clave:
Velas japonesas y gráficos.
Correlación entre activos (heatmaps). Distribución de retornos y riesgo (histogramas con curtosis y asimetría).

Backtesting de estrategias (equity curves).

Algoritmos Supervisados en Finanzas

Regresión Lineal/Multilineal: Modelos de factores (Fama-French), hedging de riesgos.
Regresión Logística: Clasificación de riesgo crediticio (default/no default).

Árboles de Decisión y Random Forest: Identificación de patrones en movimientos de precios.
Feature importance para factores macroeconómicos.

Redes Neuronales

Predictores no lineales de precios (LSTM para series temporales).
Deep Learning para detección de fraudes en transacciones.

Algoritmos No Supervisados en Finanzas

Clustering (K-means, Jerárquico): Segmentación de clientes para banca privada. Diversificación de portafolios (agrupación de activos por correlación).
Detección de Anomalías:
Eventos de mercado extremos ("flash crashes").

Modelado de Series Temporales Financieras

ARIMA y GARCH:
Predicción de volatilidad (modelos para opciones).
Forecast de precios con estacionalidades. Redes LSTM/GRU:
Captura de dependencias a largo plazo en datos bursátiles.

Optimización de Portafolios con ML

Media-Varianza (Markowitz) vs. Enfoques basados en ML:
Optimización con restricciones (Black- Litterman).

Clustering de activos para diversificación.

Gestión de Riesgos y Modelos de Riesgo

Value at Risk (VaR) usando ML: Simulación Monte Carlo con redes neuronales. Stress Testing.

Proyectos Prácticos en Finanzas e Inversiones.

MÓDULO VI - CAPSTONE PROJECT Y CERTIFICADO 20 HORAS.

CAPSTONE PROJECT Y CERTIFICADO

Creación de grupos de trabajo.
Elección del tema para proyecto final. Asignación de profesores.
Desarrollo del proyecto con profesor asignado. Presentación del proyecto final de cada grupo.

Profesores

Manuel Oliva

Fundador ProgramBI, Magíster Data Science Universidad Adolfo Ibañez. Experiencia laboral en la banca y corredora de bolsa en áreas de inversiones. Profesor MBA Universidad Gabriela Mistral en tecnologías aplicada a la toma de decisiones.

Emanuel Berrocal

Porfolio manager de renta fija en la mesa de dinero del Banco Itaú, Ingeniero Civil Matemático de la Universidad de Chile, Diplomado en Estadística Universidad Católica.

Rodrigo vega

Ingeniero Comercial de la Universidad de Chile. Especialista en Businness Intelligence en Ecomsur.

Joaquin Villagra

MSc. Inteligencia Artificial Universidad de Valencia.

Magíster en Ingeniería Informática USACH. Ingeniero Civil en Informática USACH. Docente Postgrado en la Universidad Adolfo Ibañez en el Magíster Chief Data Officer. Docente Pregado y Postgrado USACH.

Cursos de programación online en vivo y presenciales

  • Alumnos Particulares

  • Alumnos de empresas

  • Diplomas

Conocer cursos

5.000+ Estudiantes

Nuestros servicios

Cursos

Realizamos capacitaciones en vivo de programación aplicada al mercado laboral, cursos de Power BI, Python, SQL, Big Data, Machine Learning desde cero hasta avanzado. Para alumnos particulares y empresas.

Cursos cerrados

Capacitamos a grupos de trabajadores en herramientas de análisis de datos para que puedan automatizar los informes gráficos para la toma de decisiones. Conectando y procesando los datos del negocio.

Servicios a la medida

Realizamos procesos de automatización de informes. Tener la información en línea en múltiples dashboard con indicadores y KPIs a la medida es clave para tomar decisiones. Experiencia real con empresas financieras, mineras, comerciales entre otras.

Muchas empresas y particulares ya confiaron en nosotros

5000+

Alumnos capacitados

5

Años educando

100+

Empresas capacitadas

"Los administrativos día a día hacen informes en Excel con los datos del negocio, hay una necesidad de automatizar los informes diarios, semanales y mensuales, trabaje muchos años en la banca chilena, AGF, Corredora de Bolsa, en áreas de riesgos financieros y operacionales, analizando grandes volúmenes de datos. Gracias a distintas herramientas tecnológicas como Python, SQL, Power BI, VBA, Power Query, DAX pude realizar mis funciones, de acá nace ProgramBI un centro de capacitaciones que apoya a contadores, ingenieros, administrativos, RRHH, control de gestión, finanzas, en que aprendan desde 0 a programar y ahorren tiempo en sus labores diarias".

Tienes preguntas?

Hablemos

Diplomas

 

Nuestros alumnos deben rendir trabajos aplicados que son evaluados para obtener certificados de acreditación de conocimientos en nuestros distintos cursos de análisis de datos, estos proyectos son muy cercanos a la reportería diaria que utilizan múltiples empresas.

 

Campus virtual

 

Las clases son en vivo, pero quedan grabadas con todo el material del curso para que los alumnos puedan repasar 24/7 con esto pueden reforzar su conocimiento aplicado a distintos proyectos.

Modalidades

 

Puedes estudiar en vivo por Zoom de forma particular con un grupo de alumnos o si eres de alguna empresa puedes participar en la modalidad abierta o cerrada es decir capacitación personalizada a grupos de colaboradores del negocio. Son cursos que parten desde cero aplicados 100% a las necesidades laborales que necesitan especialistas en análisis de datos. Ya son más de 5 mil alumnos de más de 100 empresas o particulares. Son aplicadas a distintas industrias nuestras capacitaciones.

Servicios a la medida

 

Puedes contar con nuestros servicios especializados en análisis de datos para confeccionar informes gerenciales y administrativos de primer nivel. Podemos realizar informes comerciales, operacionales, control de gestión, monitoreo de KPIs a la medida, servicios personalizados 100% para que puedas tomar decisiones a tiempo con el equipo y no pierdan tantas HH en la generación de múltiples informes. Tenemos la experiencia con empresas financieras, mineras, comerciales entre otras. 

Métodos de pago

 

Tarjetas de crédito, débito, transferencia, facturas o boletas.
  • Variables y Tipos
  • Estructuras Datos
  • Pandas
  • Visualización
  • Consultas (SELECT)
  • Filtros (WHERE)
  • JOINs
  • Vistas
  • Conexión Datos
  • Visualizaciones
  • Filtros / Paneles
  • DAX
  • BigQuery Arq.
  • SQL (BigQuery)
  • Looker Studio
  • Campos Calculados
  • Preprocesamiento
  • Alg. Supervisados
  • Alg. No Supervisados
  • Series Tiempo
  • Optim. Portafolios
  • Trabajo Grupal
  • Elección Tema
  • Desarrollo
  • Presentación Final

Contacto

Dirección:

Alonso de Córdoba 5870 of 724

telefono:

+(56) 9 35409699

Web:

www.programbi.com
Gracias por contactarnos. Nos comunicaremos con usted lo antes posible.