Ciencia de Datos

Ciencia de Datos

Una frase que lo dice todo

Ciencia de Datos es el arte y técnica de extraer conocimiento accionable y valor de negocio a partir de datos crudos, usando matemáticas, programación y sentido común.

Perfil del explorador/a autodidacta (en 4-6 años estudiando 10 h/semana)

• Diseña e implementa pipelines completos de datos desde cero (ETL + modelado + despliegue)

• Domina Python/R, SQL avanzado, cloud, machine learning clásico, deep learning, visualización profesional y MLOps

• Tiene un portafolio público espectacular en GitHub + web personal con 8–10 proyectos reales, limpios y deployados que impresionan a reclutadores y clientes

Duración realista como autodidacta

4–6 años (equivalente aproximado al contenido de un grado + máster, pero 100 % enfocado en lo que el mercado realmente paga hoy).

Ruta de aprendizaje en 4 niveles – todo 100 % gratis

Nivel 0 – Preparación (3-6 meses)

Objetivo: nivelar matemáticas, estadística y programación desde cero.

• Álgebra lineal, cálculo y probabilidad básica

• Estadística descriptiva e inferencial

• Python desde cero + estructuras de datos y algoritmos básicos

Recursos 100 % gratis:

• Khan Academy (matemáticas y cálculo) → https://es.khanacademy.org

• 3Blue1Brown (álgebra lineal y cálculo visual) → https://www.youtube.com/@3blue1brown

• StatQuest with Josh Starmer (estadística súper clara) → https://www.youtube.com/@statquest

• Python for Everybody – University of Michigan (Coursera gratis) → https://www.coursera.org/specializations/python

• CS50 de Harvard (edX gratis) → https://cs50.harvard.edu/x/2025/

Nivel 1 – Fundamentos (primer año)

Los 7 pilares que todo data scientist necesita desde el día 1

• Python avanzado (pandas, numpy, matplotlib/seaborn)

• SQL avanzado y bases de datos

• Estadística inferencial y pruebas de hipótesis

• Machine Learning clásico (regresión, árboles, clustering, etc.)

• Visualización profesional (Tableau Public, Power BI gratis, Plotly)

• Git + GitHub + entornos virtuales

• Primeros proyectos reales en Kaggle y datasets públicos

Recursos 100 % gratis:

• Data Science Specialization – Johns Hopkins (Coursera auditable) → https://www.coursera.org/specializations/jhu-data-science

• Applied Data Science with Python – Univ. Michigan → https://www.coursera.org/specializations/data-science-python

• Ken Jee → https://www.youtube.com/@KenJee_ds

• Tina Huang → https://www.youtube.com/@TinaHuang1

• Thu Vu data analytics → https://www.youtube.com/@TinaHuang1

• Kaggle Courses → https://www.kaggle.com/learn

• Python for Data Analysis (Wes McKinney) HTML gratis → https://wesmckinney.com/book/

Nivel 2 – Núcleo profesional (año 2 al 4)

• Feature engineering y pipelines avanzados

• Deep Learning con TensorFlow/Keras y PyTorch

• Big Data básico (PySpark + Databricks Community)

• Cloud (AWS/GCP/Azure free tier)

• MLOps (Docker, MLflow, FastAPI, CI/CD)

• Series temporales y NLP intermedio

• Proyectos end-to-end deployados (Streamlit, HuggingFace, Render, Railway)

Recursos 100 % gratis:

• Fast.ai – Practical Deep Learning for Coders → https://course.fast.ai

• Deep Learning Specialization – Andrew Ng → https://www.coursera.org/specializations/deep-learning

• Andrej Karpathy (de cero a GPT) → https://www.youtube.com/@AndrejKarpathy

• MLOps Specialization – DeepLearning.AI → https://www.coursera.org/specializations/mlops

• Databricks Community Edition → https://community.cloud.databricks.com

• Hands-On Machine Learning (Aurélien Géron) PDF legal → https://github.com/ageron/handson-ml3

Nivel 3 – Especialización y portafolio (año 4-6)

Elige tu camino y hazte referente

• MLOps / Platform Engineering

• Computer Vision

• NLP y Generative AI (RAG, fine-tuning LLMs)

• Data Engineering full-stack

• Causal Inference

• Fraud / Risk / Credit Scoring

Proyectos obligatorios para cerrar con broche de oro

1. Sistema de recomendación completo

2. Modelo de detección de fraude o churn en producción

3. Dashboard + API (Streamlit/FastAPI)

4. Fine-tuning de LLM pequeño (Llama-3-8B o Mistral)

5. Pipeline MLOps con Docker + monitoreo

6. Proyecto de Computer Vision

7. Forecasting con Transformers o DeepAR

8. Proyecto grande de tu especialidad (bien documentado y público)

¡Importante – lo decimos clarito y con cariño!

Sapiens Learn NO es una universidad ni otorga títulos oficiales de ninguna clase.

Esta ruta es 100 % gratuita y abierta para que explores la profesión por pasión, mejores tus habilidades y decidas si quieres estudiarla formalmente después.

Si en algún momento quieres un título oficial o certificaciones reconocidas (Google, AWS, Microsoft, etc.) → ¡adelante, te animamos con todo el corazón!

Y si solo quieres aprender, crear proyectos increíbles y disfrutar del proceso → ¡dale con toda el alma!

Todos somos sapiens. ❤️