3 niveles de profundidad. Modalidad 100% virtual con instructor en vivo. Certificado oficial del Ministerio del Trabajo del Ecuador al aprobar.
3 pasos simples · acceso en menos de 12 horas tras confirmar el pago
Acepta Pichincha, Bolivariano, Guayaquil, Banco del Pacífico y otros bancos. Transferencia interbancaria sin recargo desde Produbanco.
Mándanos foto o PDF del comprobante de transferencia por WhatsApp con tu nombre completo, número de cédula y nivel del curso (Express / Estándar / Completo).
📲 Enviar comprobante por WhatsAppTe entregamos:
tecnologico.itseia.ai¿Tienes preguntas antes de pagar?
💬 Conversar con asesor por WhatsApp3 niveles del mismo curso · cada uno con más profundidad y proyectos. Pulsa "Ver contenido" para ver módulos, herramientas y salida laboral.
Operador: ITSEIA ACADEMY S.A.S. (RUC 1793233739001)
Coordinador Pedagógico: Héctor Bolívar Velasco Álvarez
Modalidad: Virtual · Área MDT: 06 — Informática y Comunicación
Estructura: 4 módulos × 5 temas × 2 horas por tema = 40h totales
Capacitar a los participantes en el uso del lenguaje de programación Python y sus librerías principales para la recolección, limpieza, análisis y visualización de datos, entregando una base sólida que les permita resolver problemas reales de negocio en el Ecuador, automatizar reportes y construir visualizaciones profesionales desde cero. No se requieren conocimientos previos de programación.
| # | Tema | Horas | Lo que vas a aprender |
|---|---|---|---|
| 1.1 | Instalación del entorno y primer script | 2h | Instalación de Anaconda, VS Code y Jupyter Notebook; configuración de Google Colab para trabajar sin instalar nada; estructura de un proyecto de datos en Python; ejecución del primer script: "Hola, Ecuador" con datos |
| 1.2 | Variables, tipos de datos y operadores | 2h | Variables numéricas, texto, booleanas y fechas; operadores aritméticos, de comparación y lógicos; conversión entre tipos de datos; ejercicio práctico: calcular indicadores financieros básicos con Python |
| 1.3 | Estructuras de control: if, for y while | 2h | Condicionales if/elif/else; bucles for y while con ejemplos reales; comprensión de listas (list comprehensions); ejercicio práctico: clasificar transacciones bancarias según montos por categoría |
| 1.4 | Funciones y modularización | 2h | Definición y llamada de funciones; parámetros, argumentos y valores de retorno; funciones con valores por defecto; ejercicio práctico: construir una función que calcule el salario neto de un empleado ecuatoriano aplicando el IESS |
| 1.5 | Manejo de archivos CSV, JSON y Excel | 2h | Lectura y escritura de archivos CSV, JSON y Excel con Python; manejo de rutas y errores de archivo; buenas prácticas de organización de proyectos; ejercicio práctico: leer un CSV de ventas ecuatorianas y exportar un reporte resumido en Excel |
| # | Tema | Horas | Lo que vas a aprender |
|---|---|---|---|
| 2.1 | Series y DataFrames en Pandas | 2h | Creación y exploración de Series y DataFrames; índices y columnas; operaciones básicas: head(), tail(), info(), describe(); carga de datos desde CSV, Excel y JSON; ejercicio práctico: cargar y explorar un dataset de exportaciones del Banco Central del Ecuador |
| 2.2 | Filtrado, selección y ordenamiento | 2h | Selección de filas y columnas con loc y iloc; filtros condicionales simples y compuestos; ordenamiento de datos; renombrado y eliminación de columnas; ejercicio práctico: filtrar transacciones del SRI mayores a cierto monto y ordenarlas por fecha |
| 2.3 | Agrupamiento y tablas dinámicas | 2h | groupby para calcular totales, promedios y conteos por categoría; pivot_table para análisis multidimensional; funciones de agregación: sum, mean, count, min, max; ejercicio práctico: calcular ventas totales por región del Ecuador (Costa, Sierra, Oriente, Insular) |
| 2.4 | Merge, join y combinación de datasets | 2h | Unión de DataFrames con merge y join; tipos de join: inner, left, right, outer; concatenación de DataFrames; ejercicio práctico: combinar un dataset de clientes con un dataset de transacciones para análisis de comportamiento de compra |
| 2.5 | NumPy y estadística descriptiva aplicada | 2h | Arrays de NumPy y operaciones vectorizadas; estadística descriptiva: media, mediana, moda, varianza, desviación estándar; correlaciones básicas; ejercicio práctico: analizar la distribución de salarios en el sector financiero ecuatoriano con datos del IESS |
| # | Tema | Horas | Lo que vas a aprender |
|---|---|---|---|
| 3.1 | Diagnóstico de calidad de datos | 2h | Identificación de valores nulos, duplicados e inconsistencias; análisis de completitud y coherencia de un dataset; visualización de patrones de datos faltantes con missingno; ejercicio práctico: diagnosticar la calidad de un dataset empresarial ecuatoriano con problemas reales |
| 3.2 | Tratamiento de valores faltantes | 2h | Estrategias de imputación: media, mediana, moda, forward fill y backward fill; cuándo eliminar filas o columnas; imputación condicional según el tipo de dato; ejercicio práctico: limpiar un dataset de clientes bancarios con valores faltantes en ingresos y fechas |
| 3.3 | Detección y manejo de outliers | 2h | Detección visual con boxplots; métodos estadísticos: rango intercuartílico (IQR) y Z-score; decisión: eliminar, corregir o conservar el outlier; ejercicio práctico: detectar transacciones sospechosas en un dataset financiero ecuatoriano |
| 3.4 | Transformación de tipos de datos y fechas | 2h | Conversión de tipos: texto a número, fecha, booleano; manejo de fechas en formato DD/MM/AAAA (estándar en Ecuador); extracción de año, mes, día, hora y día de la semana; normalización (Min-Max) y estandarización (Z-score); ejercicio práctico: transformar un dataset con fechas y montos en formatos mixtos |
| 3.5 | Pipelines de limpieza documentados y reutilizables | 2h | Construcción de funciones de limpieza reutilizables; encadenamiento de transformaciones con Pandas; documentación del proceso ETL paso a paso; ejercicio práctico: construir un pipeline de limpieza para datos de RUC ecuatorianos con formatos inconsistentes (con/sin guiones) |
| # | Tema | Horas | Lo que vas a aprender |
|---|---|---|---|
| 4.1 | Principios de visualización efectiva | 2h | Teoría de la percepción visual; jerarquía de información en un gráfico; reglas de diseño: colores, proporciones y etiquetas; los 5 errores más comunes al visualizar datos; cuándo usar cada tipo de gráfico: comparación, distribución, relación, composición, evolución temporal |
| 4.2 | Gráficos estadísticos con Matplotlib | 2h | Anatomía de una figura en Matplotlib: figura, ejes, líneas, textos; gráficos de barras, líneas, dispersión y áreas; personalización: títulos, colores, leyendas y anotaciones; exportación de gráficos en alta resolución para reportes formales; ejercicio práctico: gráfico de exportaciones ecuatorianas 2020-2026 |
| 4.3 | Visualizaciones estadísticas con Seaborn | 2h | Histogramas y KDE para distribuciones; boxplots para detectar outliers visualmente; heatmaps de correlación; scatter plots con regresión; pairplots para exploración multivariable; ejercicio práctico: explorar visualmente un dataset del sector cooperativista (SEPS) |
| 4.4 | Selección del gráfico correcto según el mensaje | 2h | Árbol de decisión para elegir el tipo de gráfico; reglas de storytelling con datos: una sola idea por gráfico; estructura narrativa para presentar hallazgos a directivos; cómo titular un gráfico para que sea autoexplicativo; ejercicio práctico: rediseñar 3 gráficos "malos" de reportes corporativos ecuatorianos |
| 4.5 | Dashboard visual de 4 gráficos con datos Ecuador | 2h | Construcción de un dashboard con subplots en Matplotlib; diseño de una narrativa visual coherente de 4 gráficos; datos de ventas por región Ecuador (Costa, Sierra, Oriente, Insular); presentación del dashboard ante la clase como si fuera una junta directiva |
| # | Proyecto | Dataset / Fuente | Métrica de éxito | Entregable |
|---|---|---|---|---|
| 1 | Script de ventas ecuatorianas con reporte automático | CSV de ventas por región y categoría (datos del curso) | Reporte generado en menos de 10 segundos sin intervención manual | Script Python + archivo Excel con totales, promedios y gráfico de tendencia |
| 2 | Análisis de transacciones bancarias con Pandas | Dataset de transacciones anonimizadas (estructura bancaria ecuatoriana) | Estadísticas descriptivas completas + 3 hallazgos documentados | Notebook Jupyter con análisis comentado y visualizaciones |
| 3 | Pipeline de limpieza para datos empresariales Ecuador | Dataset con problemas reales: RUC inconsistentes, fechas mixtas, nulos | Pipeline reutilizable que corrige el 100% de los errores detectados | Script de limpieza documentado + log de cambios realizados |
| 4 | Dashboard de ventas por región Ecuador | Datos de ventas Costa, Sierra, Oriente, Insular (datos del curso) | 4 gráficos coherentes que cuentan una historia completa | Dashboard en Matplotlib listo para presentar a un equipo directivo |
| Herramienta | Versión 2026 | Para qué |
|---|---|---|
| Python | 3.12 | Lenguaje base del análisis de datos profesional |
| Jupyter Notebook / Google Colab | 2026 | Entorno interactivo de análisis y documentación |
| Pandas | 2.x con backend Arrow | Manipulación y análisis de datos tabulares |
| NumPy | 2.x | Operaciones matemáticas vectorizadas de alto rendimiento |
| Matplotlib | 3.x | Gráficos de alta calidad para reportes formales |
| Seaborn | 0.13+ | Visualizaciones estadísticas con una línea de código |
| GitHub | 2026 | Control de versiones básico y portafolio |
Formato: 60% sesiones sincrónicas en vivo con live-coding + 40% práctica asincrónica con notebooks y datasets Ecuador
Distribución de la evaluación:
| Componente | Peso |
|---|---|
| Módulo 1: Ejercicios de programación en Python y quiz conceptual | 15% |
| Módulo 2: Análisis de datos con Pandas y NumPy sobre dataset ecuatoriano | 25% |
| Módulo 3: Pipeline de limpieza documentado con log de cambios | 20% |
| Módulo 4: Dashboard de visualizaciones con análisis interpretativo | 30% |
| Participación activa en sesiones sincrónicas y foros asincrónicos | 10% |
| **TOTAL** | **100%** |
| Rol | Salario inicial | Senior | Empresas |
|---|---|---|---|
| Analista de Datos Junior | $900/mes | $1,400/mes | Banco Pichincha, Produbanco, SRI |
| Analista de Reportería y Business Intelligence | $1,000/mes | $1,600/mes | IESS, BCE, Corporación Favorita |
| Automatizador de Procesos con Python | $800/mes | $1,300/mes | Retail, agroindustria exportadora, telecomunicaciones |
| Consultor de Datos (freelance) | $25/hora | $50/hora | PYMEs ecuatorianas |
Sectores con mayor demanda: banca y finanzas (Banco Pichincha, Produbanco), gobierno y tributación (SRI, IESS), retail (Corporación Favorita), agroindustria y exportación.
Categoría Corta 40h · Avalado por el Ministerio del Trabajo del Ecuador
Operador: ITSEIA ACADEMY S.A.S. · RUC 1793233739001
Modalidad: Virtual · Área: 06 — Informática y Comunicación
| # | Referencia |
|---|---|
| 1 | McKinney, W. (2022). Python for Data Analysis: Data Wrangling with pandas, NumPy and Jupyter (3.a ed.). O'Reilly Media. |
| 2 | VanderPlas, J. (2023). Python Data Science Handbook (2.a ed.). O'Reilly Media. https://jakevdp.github.io/PythonDataScienceHandbook/ |
| 3 | Banco Central del Ecuador (2026). Estadísticas macroeconómicas. https://www.bce.fin.ec/ |
| 4 | SEPS (2026). Estadísticas del sector cooperativista ecuatoriano. https://www.seps.gob.ec/ |
| 5 | Glassdoor Ecuador (2025). Salario analista de datos en Quito. https://www.glassdoor.es/Sueldos/quito-ecuador-data-analyst-sueldo-SRCH_IL.0,13_IM1362_KO14,26.htm |
*ITSEIA ACADEMY S.A.S. — Instituto Ecuatoriano de Inteligencia Artificial*
*itseia.ai · administracion@itseia.ai · WhatsApp 0997489821*
*Inscripciones: itseia.ai/cursos · Abril 2026*
Operador: ITSEIA ACADEMY S.A.S. (RUC 1793233739001)
Coordinador Pedagógico: Héctor Bolívar Velasco Álvarez
Modalidad: Virtual · Área MDT: 06 — Informática y Comunicación
Estructura: 6 módulos × 5 temas × 2 horas por tema = 60h totales
Completar la formación en análisis de datos con Python incorporando las herramientas modernas del ecosistema 2026 — Polars para datos grandes, DuckDB para consultas SQL en memoria, Plotly para visualizaciones interactivas y Streamlit para dashboards web — aplicadas a datasets reales del Ecuador: exportaciones del Banco Central, estadísticas del INEC, datos del sector cooperativista (SEPS) y del sector financiero. El participante egresa capaz de realizar un ciclo completo de análisis de datos con un notebook documentado y un dashboard funcional desplegado en la nube como primeras piezas de su portafolio.
| # | Tema | Horas | Lo que vas a aprender |
|---|---|---|---|
| 1.1 | Entorno profesional 2026: Anaconda, VS Code y Jupyter | 2h | Instalación y configuración de Anaconda Distribution; VS Code con extensiones Python (Pylance, Jupyter, GitLens); Jupyter Notebook vs. Google Colab: cuándo usar cada uno; estructura profesional de un proyecto de datos en Python |
| 1.2 | Python esencial para datos: funciones y archivos | 2h | Variables, tipos de datos, estructuras de control repasados rápidamente; funciones con parámetros por defecto y args/kwargs; manejo de archivos CSV, JSON y Excel; buenas prácticas: código limpio, docstrings, estructura de módulos |
| 1.3 | El ecosistema moderno: Pandas, Polars y DuckDB | 2h | Por qué Pandas sigue siendo el estándar; Polars: sintaxis moderna, Rust, ejecución paralela — cuándo usarlo; DuckDB: SQL directamente sobre DataFrames y archivos CSV sin base de datos; benchmark comparativo en datasets típicos de empresas ecuatorianas |
| 1.4 | Control de versiones con Git y GitHub | 2h | Qué es Git y por qué todo analista de datos debe usarlo; comandos esenciales: init, add, commit, push, pull; creación de un repositorio en GitHub; .gitignore para archivos de datos grandes; primer repositorio de portafolio configurado |
| 1.5 | Buenas prácticas de código limpio en proyectos de datos | 2h | Convenciones PEP 8 para Python; docstrings y comentarios útiles (no obvios); estructura de carpetas en un proyecto de datos profesional; manejo de entornos virtuales con conda; ejercicio práctico: refactorizar código desordenado aplicando las buenas prácticas |
| # | Tema | Horas | Lo que vas a aprender |
|---|---|---|---|
| 2.1 | Pandas 2.x avanzado: lectura multi-formato y exploración | 2h | Pandas con backend Arrow para mayor rendimiento; lectura de CSV, Excel, JSON y SQL en un solo DataFrame; exploración sistemática: shape, dtypes, describe, value_counts; detección rápida de problemas de calidad; ejercicio práctico: cargar y explorar datos del Banco Central del Ecuador |
| 2.2 | Pandas: filtrado, agrupamiento y transformaciones | 2h | Filtros complejos con múltiples condiciones; groupby con funciones de agregación personalizadas; pivot_table y crosstab para análisis bidimensional; merge y join: inner, left, right, outer; ejercicio práctico: análisis de ventas por región y categoría en empresa retail ecuatoriana |
| 2.3 | Polars: velocidad y sintaxis moderna | 2h | Instalación y diferencias de sintaxis con Pandas; lazy evaluation: cómo Polars optimiza las consultas antes de ejecutarlas; operaciones en paralelo con múltiples CPUs; cuándo migrar de Pandas a Polars en proyectos reales; ejercicio práctico: procesar un dataset de 1 millón de filas con Polars y comparar el tiempo con Pandas |
| 2.4 | DuckDB: SQL sobre DataFrames sin base de datos | 2h | Instalación e integración de DuckDB en un notebook Jupyter; SQL directamente sobre archivos CSV y DataFrames de Pandas; consultas complejas: JOIN, GROUP BY, WINDOW FUNCTIONS; cuándo DuckDB es mejor que Pandas o Polars; ejercicio práctico: analizar datos de exportaciones ecuatorianas (ProEcuador) con SQL |
| 2.5 | NumPy y estadística descriptiva avanzada | 2h | Arrays multidimensionales y broadcasting; operaciones vectorizadas para cálculos eficientes; estadística descriptiva avanzada: percentiles, correlaciones, covarianza; detección de correlaciones en datos financieros del Ecuador (BCE); ejercicio práctico: análisis estadístico de indicadores macroeconómicos 2020-2026 |
| # | Tema | Horas | Lo que vas a aprender |
|---|---|---|---|
| 3.1 | Diagnóstico sistemático de calidad de datos | 2h | Framework de diagnóstico en 5 dimensiones: completitud, consistencia, exactitud, unicidad y actualidad; visualización de patrones de datos faltantes con missingno; uso de ydata-profiling para reportes automáticos de calidad en minutos; ejercicio práctico: auditoría de calidad de un dataset de clientes bancarios ecuatorianos |
| 3.2 | Estrategias de imputación de valores faltantes | 2h | Imputación simple: media, mediana, moda; forward fill y backward fill para series temporales; KNN imputation para datos numéricos multivariable; cuándo eliminar filas o columnas en lugar de imputar; ejercicio práctico: imputar datos faltantes en un dataset de cooperativas de ahorro (SEPS) |
| 3.3 | Detección y manejo de outliers | 2h | Detección visual con boxplots e histogramas; IQR (rango intercuartílico) para detección estadística; Z-score para distribuciones normales; Isolation Forest para outliers multivariables; decisión de negocio: cuándo el outlier es el dato más importante; ejercicio práctico: detectar transacciones anómalas en datos financieros |
| 3.4 | Transformación de tipos de datos y texto | 2h | Normalización (Min-Max) y estandarización (Z-score) para modelos; transformación de fechas en formato DD/MM/AAAA (estándar Ecuador); extracción de componentes de fecha: año, mes, día de la semana; expresiones regulares para RUC con formatos inconsistentes (con/sin guiones), cédulas con errores, teléfonos; ejercicio práctico: limpiar un dataset con RUC y cédulas ecuatorianas |
| 3.5 | Pipelines de limpieza reutilizables y documentados | 2h | Construcción de funciones de limpieza modulares; encadenamiento de transformaciones con Pandas pipes; documentación profesional del proceso ETL con markdown; ydata-profiling antes vs. después para evidenciar la mejora; ejercicio práctico: pipeline completo para dataset empresarial ecuatoriano con todos los problemas del módulo |
| # | Tema | Horas | Lo que vas a aprender |
|---|---|---|---|
| 4.1 | Principios de diseño visual y storytelling con datos | 2h | Teoría de la percepción visual aplicada a gráficos de datos; jerarquía visual: preattentive attributes (color, tamaño, posición); estructura narrativa para presentar hallazgos a directivos; los 5 tipos de mensajes en datos y el gráfico correcto para cada uno; ejercicio práctico: análisis de gráficos de reportes reales del BCE y INEC |
| 4.2 | Matplotlib: gráficos de calidad para reportes formales | 2h | Anatomía completa de una figura; gráficos de barras, líneas, áreas, dispersión y histogramas con personalización completa; subplots para múltiples gráficos en una figura; exportación en alta resolución (300 DPI) para informes institucionales; ejercicio práctico: reporte gráfico de exportaciones ecuatorianas 2020-2026 |
| 4.3 | Seaborn: visualizaciones estadísticas elegantes | 2h | Histogramas y KDE para distribuciones; boxplots y violinplots para comparar grupos; heatmaps de correlación; scatter plots con regresión lineal; pairplots para exploración multivariable; ejercicio práctico: exploración visual completa del dataset de exportaciones ecuatorianas (banano, camarón, flores, petróleo, cacao) |
| 4.4 | Plotly: gráficos interactivos para dashboards digitales | 2h | Diferencia entre gráficos estáticos e interactivos; gráficos Plotly con zoom, filtros y tooltips en tiempo real; gráficos de mapa para datos geográficos del Ecuador; exportación a HTML para compartir sin servidor; ejercicio práctico: dashboard interactivo de indicadores macroeconómicos del BCE |
| 4.5 | Streamlit: aplicaciones web de análisis sin HTML/CSS | 2h | Qué es Streamlit y por qué cambió el análisis de datos; estructura de una app Streamlit: widgets, gráficos y lógica de negocio; despliegue gratuito en Streamlit Cloud como URL pública; primera app desplegada en vivo: análisis de exportaciones Ecuador con filtros interactivos |
| # | Tema | Horas | Lo que vas a aprender |
|---|---|---|---|
| 5.1 | Qué es EDA y por qué es la habilidad más valorada | 2h | EDA como proceso de descubrimiento antes de modelar; metodología sistemática en 6 pasos; diferencia entre EDA confirmatorio y exploratorio; por qué el EDA es lo que más piden los reclutadores de datos en Ecuador; ejemplos de EDA que generaron decisiones de negocio de alto impacto |
| 5.2 | Análisis de distribuciones numéricas y categóricas | 2h | Distribución de variables numéricas: asimetría, curtosis, bimodalidad; análisis de variables categóricas: frecuencias, modos, cardinalidad; transformaciones para normalizar distribuciones sesgadas; ejercicio práctico: distribución de montos de transacciones en el sector financiero ecuatoriano |
| 5.3 | Análisis de correlaciones y variables predictoras | 2h | Correlación de Pearson para variables numéricas; correlación de Spearman para variables ordinales; heatmap de correlación para identificar variables redundantes; causalidad vs. correlación: ejemplos con datos económicos del Ecuador; ejercicio práctico: identificar los factores más correlacionados con las exportaciones ecuatorianas |
| 5.4 | Generación y validación de hipótesis con evidencia estadística | 2h | Proceso de generación de hipótesis a partir de observaciones; pruebas estadísticas básicas: t-test, chi-cuadrado; nivel de significancia y p-valor explicados sin matemáticas avanzadas; documentación de hipótesis validadas y rechazadas; ejercicio práctico: validar 3 hipótesis sobre el sector cooperativista ecuatoriano (SEPS) |
| 5.5 | Reporte automático con ydata-profiling y documentación profesional | 2h | Generación de un reporte completo de EDA en menos de 5 minutos con ydata-profiling; interpretación de las secciones del reporte; exportación a HTML para compartir con el equipo; estructura de un reporte de hallazgos profesional: contexto, hallazgos, implicaciones, recomendaciones; presentación del EDA ante la clase |
| # | Tema | Horas | Lo que vas a aprender |
|---|---|---|---|
| 6.1 | Definición del problema de negocio y obtención de datos | 2h | Metodología para convertir una pregunta de negocio en un análisis de datos estructurado; identificación de fuentes de datos reales: BCE, SRI, INEC, SEPS, ProEcuador, Kaggle Ecuador; obtención y carga de datos en el notebook; primera exploración y diagnóstico de calidad |
| 6.2 | Limpieza y preparación del dataset | 2h | Aplicación del pipeline de limpieza del módulo 3 al dataset del proyecto; decisiones documentadas de imputación, tratamiento de outliers y transformaciones; log de cambios realizados; validación de la calidad del dataset limpio con ydata-profiling |
| 6.3 | EDA completo con hipótesis | 2h | Aplicación de la metodología del módulo 5 al proyecto real; análisis de distribuciones, correlaciones y patrones; generación y validación de al menos 3 hipótesis con evidencia estadística; visualizaciones exploratoras que guían las conclusiones |
| 6.4 | Dashboard Streamlit funcional desplegado en la nube | 2h | Construcción del dashboard de visualizaciones del proyecto con Plotly y Streamlit; mínimo 6 gráficos interactivos; filtros por fecha, sector, región; despliegue en Streamlit Cloud como URL pública y demostrable; primera pieza del portafolio profesional |
| 6.5 | Presentación ejecutiva de hallazgos y recomendaciones | 2h | Construcción de una presentación de 10 diapositivas con los hallazgos del proyecto; estructura: contexto, datos, hallazgos, 3 recomendaciones accionables con impacto estimado en cifras; presentación ante la clase en formato junta directiva; retroalimentación del instructor |
| # | Proyecto | Dataset / Fuente | Métrica de éxito | Entregable |
|---|---|---|---|---|
| 1 | Análisis macroeconómico automatizado | BCE: inflación, PIB sectorial, balanza comercial — datos abiertos 2025-2026 | Reporte mensual de 3 páginas generado en menos de 30 segundos | Script Python + Excel con estadísticas clave, gráficos de tendencia y alertas de variación |
| 2 | Pipeline de limpieza para datos empresariales Ecuador | Dataset con RUC inconsistentes, cédulas con errores, fechas mixtas y nulos | Pipeline que corrige el 100% de los problemas detectados con log documentado | Script modular de limpieza reutilizable + reporte de cambios realizados |
| 3 | Dashboard de exportaciones Ecuador | ProEcuador / BCE: banano, camarón, flores, petróleo, cacao | Dashboard accesible como URL pública con filtros interactivos | App Streamlit desplegada en Streamlit Cloud — primera pieza del portafolio |
| 4 | EDA del sector cooperativista ecuatoriano | SEPS (Superintendencia de Economía Popular y Solidaria) — datos abiertos | Al menos 5 patrones o anomalías documentados con interpretación de negocio | Reporte HTML de ydata-profiling + notebook documentado con hipótesis validadas |
| 5 | Proyecto integrador end-to-end | Fuente real del sector del participante (BCE, SRI, INEC, SEPS, ProEcuador o Kaggle Ecuador) | Notebook + dashboard Streamlit + presentación ejecutiva de 10 diapositivas | Ciclo completo: datos → limpieza → EDA → dashboard → recomendaciones accionables con impacto estimado |
| Herramienta | Versión 2026 | Para qué |
|---|---|---|
| Python | 3.12 | Lenguaje base del análisis de datos profesional |
| Jupyter Notebook / Google Colab | 2026 | Entorno interactivo de análisis y documentación |
| Pandas | 2.x con backend Arrow | Manipulación de datos tabulares, estándar de la industria |
| Polars | 1.x — Rust, multi-hilo | Análisis de datasets grandes hasta 10x más rápido que Pandas |
| DuckDB | 1.x — SQL en memoria | Consultas analíticas sobre CSV/DataFrames sin base de datos |
| NumPy | 2.x | Operaciones matemáticas vectorizadas de alto rendimiento |
| Matplotlib | 3.x | Gráficos de calidad para reportes formales y publicaciones |
| Seaborn | 0.13+ | Visualizaciones estadísticas elegantes con una línea de código |
| Plotly | 5.x | Gráficos interactivos para dashboards digitales |
| Streamlit | 1.35+ | Apps web de análisis desplegadas en la nube sin HTML/CSS |
| ydata-profiling | 4.x | Reportes automáticos de calidad de datos en minutos |
| GitHub | 2026 | Control de versiones y portafolio público verificable |
Formato: 60% sesiones sincrónicas en vivo con práctica en tiempo real + 40% trabajo asincrónico en notebooks con datasets Ecuador
Distribución de la evaluación:
| Componente | Peso |
|---|---|
| Módulo 1: Quiz ecosistema Python 2026 + primer script funcional | 10% |
| Módulo 2: Ejercicios Pandas/Polars/DuckDB con dataset empresarial ecuatoriano | 15% |
| Módulo 3: Pipeline de limpieza documentado con log de cambios | 10% |
| Módulo 4: Dashboard Streamlit + Plotly desplegado en la nube | 15% |
| Módulo 5: Reporte EDA completo con ydata-profiling + hipótesis validadas | 10% |
| Módulo 6: Proyecto integrador (notebook, dashboard, presentación ejecutiva) | 30% |
| Participación activa en sesiones sincrónicas y foros asincrónicos | 10% |
| **TOTAL** | **100%** |
| Rol | Salario inicial | Senior | Empresas |
|---|---|---|---|
| Analista de Datos Junior-Medio | $650/mes | $1,800/mes | Banco Pichincha, Produbanco, cooperativas de ahorro |
| Analista de Business Intelligence | $800/mes | $2,000/mes | SRI, IESS, Banco Central del Ecuador |
| Analista de Reportería con Python | $700/mes | $1,600/mes | Corporación Favorita, Claro, Movistar |
| Desarrollador de Dashboards (freelance) | $25/hora | $70/hora | PYMEs, agroindustria exportadora |
| Científico de Datos Junior | $900/mes | $2,500/mes | Startups tech, empresas de tecnología financiera |
474 empleos activos de Data Scientist en LinkedIn Ecuador en abril 2026, con crecimiento sostenido. Dominar Polars y DuckDB es un diferenciador adicional frente a candidatos que solo conocen Pandas (fuente: Glassdoor Ecuador 2025).
Categoría Corta 60h · Avalado por el Ministerio del Trabajo del Ecuador
Operador: ITSEIA ACADEMY S.A.S. · RUC 1793233739001
Modalidad: Virtual · Área: 06 — Informática y Comunicación
| # | Referencia |
|---|---|
| 1 | McKinney, W. (2022). Python for Data Analysis (3.a ed.). O'Reilly Media. |
| 2 | Pandas vs Polars vs DuckDB 2026. https://dev.to/dataformathub/python-data-processing-2026-deep-dive-into-pandas-polars-and-duckdb-2c1 |
| 3 | Polars rendimiento: hasta 10x más rápido que Pandas. https://www.pyinns.com/python/data-sciences/duckdb-vs-polars-2026-fast-analytics-benchmarks |
| 4 | SEPS (2026). Estadísticas del cooperativismo ecuatoriano. https://www.seps.gob.ec/ |
| 5 | BCE (2026). Datos macroeconómicos públicos. https://www.bce.fin.ec/ |
| 6 | 474 empleos Data Scientist Ecuador LinkedIn (abril 2026). https://ec.linkedin.com/jobs/data-scientist-empleos |
*ITSEIA ACADEMY S.A.S. — Instituto Ecuatoriano de Inteligencia Artificial*
*itseia.ai · administracion@itseia.ai · WhatsApp 0997489821*
*Inscripciones: itseia.ai/cursos · Abril 2026*
Operador: ITSEIA ACADEMY S.A.S. (RUC 1793233739001)
Coordinador Pedagógico: Héctor Bolívar Velasco Álvarez
Modalidad: Virtual · Área MDT: 06 — Informática y Comunicación
Estructura: 8 módulos × 5 temas × 2 horas por tema = 80h totales
Completar la formación integral en Python para Análisis de Datos con la construcción de un portafolio profesional en GitHub con proyectos sobre datos reales ecuatorianos, la realización de un análisis completo de un dataset real de una empresa del ecosistema ITSEIA bajo acuerdo de confidencialidad, y 2 sesiones de mentoría 1:1 con Héctor Bolívar Velasco Álvarez. El participante egresa con competencias de nivel semi-senior, un portafolio GitHub público verificable con dashboards Streamlit desplegados en la nube, y una red de contactos en el ecosistema de datos del Ecuador.
| # | Tema | Horas | Lo que vas a aprender |
|---|---|---|---|
| 1.1 | Entorno profesional 2026 y primer proyecto | 2h | Anaconda, VS Code con extensiones Python, Jupyter Notebook, Google Colab; estructura profesional de un proyecto de datos; configuración del primer repositorio de portafolio en GitHub |
| 1.2 | Python esencial: funciones, módulos y archivos | 2h | Funciones con args/kwargs y valores por defecto; módulos y paquetes; manejo de archivos CSV, JSON y Excel; buenas prácticas PEP 8 y docstrings |
| 1.3 | Ecosistema 2026: Pandas, Polars y DuckDB | 2h | Comparativa de rendimiento y sintaxis; cuándo usar cada herramienta en proyectos reales; benchmark con datos de empresas ecuatorianas; instalación y configuración del stack completo |
| 1.4 | Git y GitHub: control de versiones para analistas | 2h | Comandos esenciales: init, add, commit, push, pull, branch; flujo de trabajo con branches; README de impacto para repositorios de datos; .gitignore para archivos de datos; configuración del perfil GitHub profesional |
| 1.5 | Código limpio y estructura de proyectos profesionales | 2h | Convenciones PEP 8; estructura de carpetas en proyectos de datos; gestión de dependencias con requirements.txt; entornos virtuales con conda; refactorización de código desordenado con asistencia de IA |
| # | Tema | Horas | Lo que vas a aprender |
|---|---|---|---|
| 2.1 | Pandas 2.x avanzado: lectura multi-formato y exploración | 2h | Pandas con backend Arrow; lectura de CSV, Excel, JSON, SQL; exploración sistemática con métodos de diagnóstico; detección rápida de problemas de calidad; dataset de práctica: exportaciones del Banco Central del Ecuador |
| 2.2 | Pandas: filtrado, agrupamiento, merge y pivot | 2h | Filtros complejos con múltiples condiciones; groupby con funciones personalizadas; pivot_table y crosstab; merge y join (inner, left, right, outer); ejercicio: análisis de ventas de empresa retail ecuatoriana por región y categoría |
| 2.3 | Polars: ejecución multi-hilo y lazy evaluation | 2h | Sintaxis de Polars vs. Pandas; lazy evaluation: cómo Polars optimiza antes de ejecutar; procesamiento en paralelo con múltiples CPUs; benchmark real: 1 millón de filas Polars vs. Pandas; cuándo migrar en proyectos de producción |
| 2.4 | DuckDB: SQL analítico sobre DataFrames y archivos | 2h | SQL directamente sobre DataFrames y archivos CSV sin base de datos; WINDOW FUNCTIONS para rankings y acumulados; JOIN entre DataFrames y archivos externos; cuándo DuckDB supera a Pandas y Polars; ejercicio: análisis de datos de exportaciones con SQL |
| 2.5 | NumPy y estadística descriptiva para análisis financiero | 2h | Arrays y broadcasting; operaciones vectorizadas de alto rendimiento; estadística descriptiva avanzada: percentiles, correlaciones, covarianza; análisis de indicadores macroeconómicos del Ecuador (BCE) 2020-2026 |
| # | Tema | Horas | Lo que vas a aprender |
|---|---|---|---|
| 3.1 | Diagnóstico de calidad: missingno y ydata-profiling | 2h | Framework de diagnóstico en 5 dimensiones; missingno para visualizar patrones de datos faltantes; ydata-profiling para reporte automático completo; auditoría de calidad de dataset de clientes bancarios ecuatorianos |
| 3.2 | Imputación de valores faltantes | 2h | Imputación simple: media, mediana, moda; forward fill y backward fill para series temporales; KNN imputation para datos multivariable; cuándo eliminar vs. imputar; ejercicio: datos del sector cooperativista (SEPS) |
| 3.3 | Detección y tratamiento de outliers | 2h | IQR, Z-score y visualización con boxplots; Isolation Forest para outliers multivariables; decisión de negocio sobre cada outlier; ejercicio: detección de transacciones anómalas en datos financieros ecuatorianos |
| 3.4 | Transformación de datos: fechas, texto y normalización | 2h | Fechas DD/MM/AAAA (estándar Ecuador); regex para RUC inconsistentes, cédulas con errores, teléfonos; normalización Min-Max y estandarización Z-score; ejercicio: limpiar dataset con RUC y cédulas ecuatorianas con múltiples formatos |
| 3.5 | Pipelines ETL reutilizables y documentados | 2h | Funciones de limpieza modulares con Pandas pipes; documentación del proceso ETL; ydata-profiling antes vs. después; pipeline completo para dataset empresarial ecuatoriano publicado en GitHub como Repositorio 3 |
| # | Tema | Horas | Lo que vas a aprender |
|---|---|---|---|
| 4.1 | Principios de diseño visual y storytelling | 2h | Preattentive attributes; jerarquía visual; estructura narrativa para directivos; los 5 tipos de mensajes en datos; análisis de gráficos reales del BCE e INEC |
| 4.2 | Matplotlib para reportes formales | 2h | Anatomía completa de una figura; barras, líneas, áreas, dispersión, histogramas con personalización; exportación en alta resolución; reporte gráfico de exportaciones ecuatorianas 2020-2026 publicado en GitHub |
| 4.3 | Seaborn: visualizaciones estadísticas | 2h | Histogramas y KDE; boxplots, violinplots, heatmaps de correlación; scatter con regresión; pairplots; exploración visual del dataset de exportaciones ecuatorianas (banano, camarón, flores, petróleo, cacao) |
| 4.4 | Plotly: gráficos interactivos para dashboards | 2h | Gráficos con zoom, filtros y tooltips; gráficos de mapa para Ecuador; exportación a HTML; dashboard interactivo de indicadores macroeconómicos del BCE publicado en GitHub |
| 4.5 | Streamlit: apps web desplegadas en la nube | 2h | Estructura de una app Streamlit; widgets, gráficos y lógica de negocio; despliegue en Streamlit Cloud como URL pública; primera app en vivo: análisis de exportaciones Ecuador con filtros — publicada en GitHub como Repositorio 4 |
| # | Tema | Horas | Lo que vas a aprender |
|---|---|---|---|
| 5.1 | Metodología EDA sistemática en 6 pasos | 2h | EDA como proceso de descubrimiento; 6 pasos: comprensión del negocio, comprensión de datos, calidad, distribuciones, relaciones, síntesis; diferencia entre EDA exploratorio y confirmatorio; ejemplos de EDA que generaron decisiones de alto impacto en empresas ecuatorianas |
| 5.2 | Análisis de distribuciones numéricas y categóricas | 2h | Distribuciones: asimetría, curtosis, bimodalidad; análisis de categóricas: frecuencias, cardinalidad; transformaciones para normalizar distribuciones sesgadas; ejercicio: distribución de montos de transacciones en el sector financiero ecuatoriano |
| 5.3 | Análisis de correlaciones e identificación de variables clave | 2h | Pearson para numéricas; Spearman para ordinales; heatmap de correlación; causalidad vs. correlación con datos económicos del Ecuador; identificación de factores correlacionados con las exportaciones ecuatorianas |
| 5.4 | Generación y validación de hipótesis | 2h | Proceso de generación de hipótesis; t-test y chi-cuadrado explicados sin matemáticas avanzadas; p-valor e interpretación práctica; validación de 3 hipótesis sobre el sector cooperativista ecuatoriano (SEPS) publicada en GitHub como Repositorio 5 |
| 5.5 | Reporte automático y documentación profesional | 2h | Reporte ydata-profiling en menos de 5 minutos; interpretación de secciones; estructura profesional: contexto, hallazgos, implicaciones, recomendaciones; presentación del EDA ante la clase con panel evaluador |
| # | Tema | Horas | Lo que vas a aprender |
|---|---|---|---|
| 6.1 | Definición del problema y obtención de datos reales | 2h | Conversión de una pregunta de negocio en análisis estructurado; fuentes reales: BCE, SRI, INEC, SEPS, ProEcuador, Kaggle Ecuador; carga y primera exploración del dataset del proyecto |
| 6.2 | Limpieza y preparación del dataset del proyecto | 2h | Aplicación del pipeline ETL al dataset real; decisiones documentadas de imputación y tratamiento de outliers; validación de calidad con ydata-profiling |
| 6.3 | EDA completo con hipótesis | 2h | Metodología EDA aplicada al proyecto real; distribuciones, correlaciones y patrones; validación de al menos 3 hipótesis con evidencia estadística; visualizaciones que guían las conclusiones |
| 6.4 | Dashboard Streamlit funcional desplegado | 2h | Dashboard con 6+ gráficos Plotly interactivos; filtros por fecha, sector, región; despliegue en Streamlit Cloud; publicado en GitHub como Repositorio 6 con link al demo en vivo |
| 6.5 | Presentación ejecutiva ante panel | 2h | Presentación de 10 diapositivas: contexto, datos, hallazgos, 3 recomendaciones con impacto en cifras; presentación en formato junta directiva ante la clase; retroalimentación del instructor |
| # | Tema | Horas | Lo que vas a aprender |
|---|---|---|---|
| 7.1 | Qué es un portafolio de datos y por qué diferencia | 2h | Diferencia entre certificado y evidencia de trabajo; formatos de portafolio para datos: GitHub + Streamlit Cloud; errores más comunes; estructura de un perfil GitHub que los reclutadores quieren ver |
| 7.2 | READMEs de impacto para repositorios de datos | 2h | Cómo escribir un README que describa el proyecto, las métricas, las herramientas y el link al demo en 30 segundos; badges de tecnología; estructura de los 6 repositorios del portafolio; revisión y mejora de los READMEs del participante |
| 7.3 | Documentación de notebooks con markdown profesional | 2h | Markdown en Jupyter para narrativa de datos profesional; celdas de contexto, hallazgos e interpretación; exportación de notebooks a HTML para compartir; conversión de notebooks en casos de estudio publicables |
| 7.4 | Optimización del perfil LinkedIn como analista de datos | 2h | Keywords de Python/Data más buscados en Ecuador y LATAM 2026; headline, about y experiencia optimizados; cómo mostrar proyectos GitHub en LinkedIn; estrategia de publicación para construir audiencia como analista de datos |
| 7.5 | Pitch técnico para entrevistas en empresas ecuatorianas | 2h | Estructura del pitch de 3 minutos para entrevistas; cómo presentar el portafolio en entrevistas y propuestas comerciales; manejo de preguntas técnicas típicas de reclutadores ecuatorianos; grabación y retroalimentación del pitch ante la clase |
| # | Tema | Horas | Lo que vas a aprender |
|---|---|---|---|
| 8.1 | Acceso al dataset real y definición del problema analítico | 2h | Dataset anonimizado de empresa del ecosistema ITSEIA (banca, retail, salud o agro); contexto de negocio real; definición del problema analítico con restricciones reales; alcance y objetivos con el instructor |
| 8.2 | Ciclo completo: limpieza, EDA y modelado | 2h | Limpieza con Pandas/Polars del dataset empresarial real; EDA completo con hipótesis validadas; visualizaciones Plotly; construcción del dashboard Streamlit funcional para el proyecto empresa |
| 8.3 | Mentoría 1:1 — sesión 1: portafolio y plan de carrera | 2h | Primera sesión individual de 45 minutos con Héctor Bolívar Velasco Álvarez: revisión del portafolio GitHub completo; identificación de fortalezas y áreas de mejora; diseño de un plan de carrera personalizado hacia los roles más demandados en Ecuador y LATAM |
| 8.4 | Mentoría 1:1 — sesión 2: proyecto empresa y oportunidades | 2h | Segunda sesión individual de 45 minutos: feedback del proyecto de empresa cliente; orientación sobre oportunidades laborales en el ecosistema de datos de Ecuador; conexiones con la red de empresas ITSEIA para oportunidades directas |
| 8.5 | Presentación final ante panel con representante de empresa | 2h | Informe ejecutivo de recomendaciones con impacto cuantificado en cifras; presentación ante panel evaluador con al menos un representante de la empresa cliente; entrega del portafolio unificado con README maestro; acceso a la red de empresas del ecosistema ITSEIA |
| # | Proyecto | Dataset / Fuente | Métrica de éxito | Entregable |
|---|---|---|---|---|
| 1 | Análisis macroeconómico automatizado | BCE: inflación, PIB sectorial, balanza comercial | Reporte generado en menos de 30 segundos sin intervención manual | Script Python + Excel — Repositorio 1 del portafolio |
| 2 | Análisis de ventas de empresa retail ecuatoriana | Ventas por región (Costa, Sierra, Oriente, Insular), categoría y período | Comparativa Pandas vs. Polars en el mismo dataset documentada | Notebook con análisis y comparativa — Repositorio 2 |
| 3 | Pipeline ETL para datos empresariales Ecuador | Dataset con RUC, cédulas, fechas y nulos inconsistentes | Pipeline que corrige el 100% de los errores con log documentado | Script modular reutilizable — Repositorio 3 |
| 4 | Dashboard Streamlit de exportaciones Ecuador | BCE/ProEcuador: banano, camarón, flores, petróleo, cacao | Dashboard con 6+ gráficos Plotly como URL pública en Streamlit Cloud | App desplegada — Repositorio 4 con link al demo en vivo |
| 5 | EDA del sector cooperativista ecuatoriano | SEPS (Superintendencia de Economía Popular y Solidaria) | Al menos 5 patrones con interpretación de negocio y hipótesis validadas | Notebook documentado + reporte ydata-profiling — Repositorio 5 |
| 6 | Proyecto integrador end-to-end Ecuador | Fuente real del sector del participante | Notebook + dashboard Streamlit en vivo + presentación ejecutiva | Ciclo completo documentado — Repositorio 6 con demo en vivo |
| 7 | Portafolio unificado con README maestro | 6 repositorios anteriores | Perfil GitHub profesional con 6 proyectos, demos en vivo y LinkedIn optimizado | URL pública del portafolio + video de presentación de 3 minutos |
| 8 | Proyecto empresa cliente | Dataset real bajo confidencialidad (ecosistema ITSEIA) | Informe ejecutivo + dashboard Streamlit + impacto cuantificado en USD | Caso documentado en portafolio (datos anonimizados) + presentación ante panel |
| Herramienta | Versión 2026 | Para qué |
|---|---|---|
| Python | 3.12 | Lenguaje base del análisis de datos profesional |
| Pandas | 2.x con backend Arrow | Manipulación de datos tabulares, estándar de la industria |
| Polars | 1.x — Rust, multi-hilo | Análisis de datasets grandes hasta 10x más rápido que Pandas |
| DuckDB | 1.x — SQL en memoria | Consultas analíticas sobre CSV/DataFrames sin base de datos |
| NumPy | 2.x | Operaciones matemáticas vectorizadas |
| Matplotlib + Seaborn | 3.x / 0.13+ | Visualizaciones estáticas y estadísticas para reportes formales |
| Plotly | 5.x | Gráficos interactivos con zoom, filtros y tooltips |
| Streamlit | 1.35+ | Apps web de análisis desplegadas en la nube sin HTML/CSS |
| ydata-profiling | 4.x | Reportes automáticos de calidad de datos |
| GitHub + Streamlit Cloud | 2026 | Portafolio público verificable con demos en vivo |
| Kaggle | 2026 | Datasets y benchmarking con la comunidad global |
Formato: 60% sesiones sincrónicas en vivo + 40% práctica asincrónica con datasets Ecuador + 2 sesiones de mentoría 1:1
Distribución de la evaluación:
| Componente | Peso |
|---|---|
| Módulos 1–5: Evaluaciones y proyectos del nivel Estándar (promedio) | 30% |
| Módulo 6: Proyecto integrador Ecuador (notebook, dashboard, presentación) | 15% |
| Módulo 7: Portafolio GitHub (6 repositorios, README maestro, LinkedIn, video) | 20% |
| Módulo 8: Análisis empresa cliente (informe, dashboard, presentación ante panel) | 25% |
| Sesiones de mentoría 1:1 y participación activa | 10% |
| **TOTAL** | **100%** |
| Rol | Salario inicial | Senior | Empresas |
|---|---|---|---|
| Analista de Datos Semi-senior | $900/mes | $2,200/mes | Banco Pichincha, Produbanco, cooperativas de ahorro |
| Científico de Datos Junior | $950/mes | $2,500/mes | Startups tech, fintech, sector agroindustrial |
| Analista de Business Intelligence | $800/mes | $2,000/mes | SRI, IESS, Banco Central, Ministerios |
| Data Analyst remoto para LATAM/USA | $1,500/mes | $5,000/mes | Empresas extranjeras que contratan talento Ecuador |
| Consultor de Datos (freelance) | $30/hora | $90/hora | PYMEs, exportadoras, cooperativas de ahorro |
Un portafolio GitHub con dashboards Streamlit desplegados como demos en vivo y un proyecto de empresa real es objetivamente superior a un CV con solo títulos. Los reclutadores de datos en Ecuador y LATAM buscan evidencia de trabajo, no solo certificaciones.
Categoría Corta 80h · Avalado por el Ministerio del Trabajo del Ecuador
Operador: ITSEIA ACADEMY S.A.S. · RUC 1793233739001
Modalidad: Virtual · Área: 06 — Informática y Comunicación
Incluye además: constancia de 2 sesiones de mentoría 1:1 con Héctor Bolívar Velasco Álvarez y carta de referencia profesional de ITSEIA ACADEMY S.A.S.
| # | Referencia |
|---|---|
| 1 | McKinney, W. (2022). Python for Data Analysis (3.a ed.). O'Reilly Media. |
| 2 | Polars rendimiento vs. Pandas: https://www.pyinns.com/python/data-sciences/duckdb-vs-polars-2026-fast-analytics-benchmarks |
| 3 | DuckDB SQL sobre DataFrames: https://dev.to/dataformathub/python-data-processing-2026-deep-dive-into-pandas-polars-and-duckdb-2c1 |
| 4 | Glassdoor Ecuador — salario Data Analyst Quito: https://www.glassdoor.es/Sueldos/quito-ecuador-data-analyst-sueldo |
| 5 | 474 empleos Data Scientist Ecuador LinkedIn (abril 2026): https://ec.linkedin.com/jobs/data-scientist-empleos |
| 6 | BCE (2026). Datos macroeconómicos públicos: https://www.bce.fin.ec/ |
| 7 | SEPS (2026). Estadísticas cooperativismo Ecuador: https://www.seps.gob.ec/ |
*ITSEIA ACADEMY S.A.S. — Instituto Ecuatoriano de Inteligencia Artificial*
*itseia.ai · administracion@itseia.ai · WhatsApp 0997489821*
*Inscripciones: itseia.ai/cursos · Abril 2026*
Te respondemos en menos de 1 hora con tus credenciales.
💬 Enviar comprobante por WhatsAppFactura electrónica al correo + credenciales plataforma + bienvenida del instructor.