Visualización de datos
Aprende a convertir datos en gráficos que se entienden, no engañan y convencen. Es un curso de nivel máster en ciencia de datos centrado en el diseño visual: por qué unas codificaciones funcionan mejor que otras según cómo percibimos, cómo elegir el gráfico adecuado para cada pregunta, cómo usar el color y el texto de forma accesible, cómo mostrar la incertidumbre, cómo construir exploraciones interactivas, mapas y redes, cómo contar una historia con datos o resumirla en un cuadro de mando y, al final, cómo trabajar con las otras herramientas del oficio: Tableau Public, Flourish, Gephi, D3.js y ggplot2.
Qué incluye: 14 temas y 5 entregas evaluables
- Módulo 1 · Fundamentos y percepción — Tema 1 Qué es visualizar datos: propósitos, historia y abstracción · Tema 2 Percepción visual, marcas y canales · Tema 3 Color, texto y accesibilidad: buenas y malas prácticas · Práctica 1: crítica y rediseño de visualizaciones
- Módulo 2 · Visualización estática con Python — Tema 4 Gráficos estáticos profesionales con matplotlib y seaborn · Tema 5 Elegir el gráfico según la tarea y los datos · Tema 6 Visualizar la incertidumbre · Práctica 2: informe visual estático con incertidumbre
- Módulo 3 · Interactividad y datos con estructura — Tema 7 Visualización interactiva y análisis visual con plotly y altair · Tema 8 Mapas, redes, jerarquías y texto · Práctica 3: exploración visual interactiva
- Módulo 4 · Comunicar con datos — Tema 9 Narrativa con datos y cuadros de mando · Práctica 4: proyecto final, una historia con datos
- Módulo 5 · Herramientas de visualización más allá de Python — Tema 10 Herramientas sin código: Tableau Public, Flourish y Qlik Sense · Tema 11 Redes con Gephi · Tema 12 D3.js: visualizaciones a medida en el navegador · Tema 13 La gramática de gráficos en R con ggplot2 · Tema 14 Infografía, datos masivos y perspectiva de género · Práctica 5: estudio de técnicas de visualización
A quién va dirigido. A estudiantes de máster en ciencia de datos, estadística o ingeniería y a profesionales (analistas, científicos e ingenieros de datos, periodistas de datos) que ya saben manejar datos en Python y quieren que sus gráficos estén a la altura de sus análisis.
Metodología. Cada tema trae un PDF propio con los principios y su justificación perceptiva, ejemplos de buenas y malas prácticas rehechos con datos nuevos, un notebook de entrenamiento con ejercicios autocorregibles y su solución, y una autoevaluación que desbloquea lo siguiente. Las cuatro primeras prácticas son progresivas: criticar y rediseñar, producir un informe estático, construir una exploración interactiva y una historia con datos acompañada de un cuadro de mando ligero; la quinta es un estudio de tres técnicas de visualización con ejemplos hechos con la herramienta que elijas. En los temas de herramientas de escritorio (Tableau Public, Flourish, Gephi) el entrenamiento es una guía paso a paso con los datos incluidos.
Herramientas. Python con matplotlib y seaborn para gráficos estáticos, plotly y altair (Vega-Lite) para gráficos interactivos exportables a HTML autónomo, geopandas para mapas, networkx para redes, colorspacious para comprobar paletas frente al daltonismo y Streamlit para el cuadro de mando; en el módulo 5, Tableau Public, Flourish, Gephi, D3.js y R con ggplot2 (todas gratuitas). En local o en Google Colab, sin necesidad de GPU. Los datos son abiertos o sintéticos y ligeros.
Dedicación y requisitos. Unas 182 horas de temas y entregas, más una hora de presentación (unas 9,5 horas semanales durante 19 semanas). Requisitos: Python y pandas con soltura (cargar, filtrar, agrupar y remodelar tablas) y estadística descriptiva e inferencial básica (media, cuartiles, correlación, intervalos de confianza). No hace falta experiencia previa en diseño.