Perú · Data science · Python para análisis de datos
Curso de data science y Python, en vivo y en inglés
Un conjunto de datos peruano, publicado con licencia abierta, tiene 12,787 filas sobre los matriculados de una universidad pública en 2024. Entre ellas hay notas promedio de cero que no son notas y fechas de nacimiento que nadie tuvo. Encontrarlas antes de sacar conclusiones es la primera lección de la ciencia de datos, y es la que este curso enseña desde el primer día.
Clases en vivo desde 2020 · más de 10,000 estudiantes en el mundo · datos abiertos reales, analizados y explicados en inglés
Respuesta rápida
Para aprender data science y Python para análisis de datos desde Perú existe una opción en inglés: Modern Age Coders enseña a universitarios y adultos, con un curso aparte para adolescentes, siempre en vivo, por internet y en inglés, con mentores desde la India. Se aprende a cargar, limpiar, resumir y graficar datos, la estadística que hay detrás y modelos de machine learning, practicando con datos abiertos peruanos. Puede elegir grupo o un mentor solo para usted, en el horario que le acomode, y la primera clase es gratis.
Cursos recomendados
Tres cursos para empezar en ciencia de datos
El recorrido completo para adultos, un curso centrado en el análisis que piden las empresas y la versión para secundaria.
¿Qué es la ciencia de datos y qué se aprende en un curso?
Es el oficio de convertir datos en respuestas confiables: formular una pregunta, conseguir los datos, revisarlos, resumirlos, mostrarlos y, a veces, construir un modelo que prediga. Python es la herramienta más usada para hacerlo.
Preguntar
Un buen análisis empieza con una pregunta que se puede responder. "¿Cómo van los estudiantes?" no lo es; "¿cuál es el promedio ponderado por escuela en el primer periodo de 2024?" sí.
Limpiar
Antes de calcular nada se revisa el archivo: columnas, tipos, valores imposibles, códigos que significan "sin dato". Es la parte menos vistosa y la que más errores evita.
Comunicar
Un gráfico claro, una tabla corta y una frase que diga qué se encontró y con qué límites. Si nadie entiende el resultado, el análisis no sirvió.
En la escuela peruana, esta forma de pensar tiene raíz oficial. El Currículo Nacional de la Educación Básica organiza el área de Matemática en cuatro competencias, y una de ellas es "Resuelve problemas de gestión de datos e incertidumbre". En secundaria, Matemática tiene 4 horas pedagógicas semanales en la jornada regular. Quien terminó el colegio ya vio promedios, tablas de frecuencia y probabilidades; lo que el curso añade es hacerlo con miles de filas, con código y con datos que no vienen limpios.
Las búsquedas peruanas sobre el tema mezclan dos nombres: "ciencia de datos curso" y "curso de data science", junto con "curso de python para analisis de datos" y "estadistica para ciencia de datos curso". Son la misma familia. Nuestro curso cubre las tres partes que suelen buscarse por separado: Python, estadística y modelos, en ese orden.
De la hoja de cálculo a Python
¿Por qué aprender Python si ya uso Excel?
Porque Excel enseña a pensar en datos, y Python permite hacerlo con archivos más grandes, de forma repetible y sin copiar fórmulas a mano. Según el INEI, en Perú hay muchas más personas en el primer paso que en el segundo.
Hoja de cálculo frente a programación: porcentaje de peruanos de 15 años a más, segundo trimestre de cada año
Año
Aplicó fórmulas básicas en una hoja de cálculo
Escribió un programa
2023
67,1
7,8
2024
71,7
11,7
2025
71,7
11,0
2026
73,7
12,1
Datos del INEI (Encuesta Nacional de Hogares), boletín de tecnologías de la información en los hogares, II Trimestre 2026, Cuadro N° 4.1; el año 2026 es preliminar. Elegimos dos de las diez filas del cuadro.
En el segundo trimestre de 2026, el 73,7 % de los peruanos de 15 años a más aplicó fórmulas aritméticas simples en una hoja de cálculo, y el 12,1 % escribió un programa. La distancia entre ambas cifras describe al estudiante típico de este curso: alguien que ya suma columnas, filtra tablas y arma gráficos en Excel, y que se topa con sus límites cuando el archivo pesa demasiado, cuando el mismo informe hay que rehacerlo cada mes o cuando la pregunta exige combinar varias fuentes.
Lo que Excel hace bien
Mirar los datos, ordenar, filtrar, hacer una tabla dinámica para una pregunta rápida. En el curso no lo despreciamos: muchas veces el primer vistazo se da ahí.
Compartir un resultado con alguien que no programa. La salida final de un análisis en Python suele terminar en una tabla que se abre en una hoja de cálculo.
Donde Python gana
Archivos de cientos de miles de filas, pasos que se repiten idénticos cada vez que llega un archivo nuevo y un registro exacto de qué se hizo con los datos.
Reglas de limpieza explícitas. En la lección de abajo, una línea de código dice qué filas se excluyen y por qué; en una hoja de cálculo, ese criterio suele quedar escondido en un filtro que alguien olvidó quitar.
Un análisis de ejemplo
¿Cómo se ve un análisis de datos en Python con datos peruanos?
Usamos un conjunto de datos abiertos real: "Matriculados a la Universidad Nacional Hermilio Valdizán - 2024 [UNHEVAL]", publicado por esa universidad de Huánuco en la Plataforma Nacional de Datos Abiertos con licencia Open Data Commons Attribution License (ODC-By), que permite reutilizarlo citando la fuente. El análisis es nuestro.
El archivo, creado el 27 de junio de 2025 según sus metadatos, tiene una fila por matrícula y por periodo, con la identidad de cada estudiante anonimizada. Su diccionario de datos explica las columnas: PROMEDIO_PONDERADO es el "promedio de nota de todos cursos aprobados", CREDITOS_ACUMULADOS el total de créditos de los cursos llevados y PERIODO_MATRICULA vale 1 para el primer periodo y 2 para el segundo. Trabajamos solo con el primer periodo para no contar dos veces a quien se matriculó en ambos, y no usamos columnas personales como el sexo o el lugar de nacimiento.
Revisar antes de promediarPython
import csv
from statistics import mean
with open('unheval_matriculados_2024.csv', encoding='utf-8-sig') as f:
rows = list(csv.DictReader(f, delimiter=';'))
term1 = [r for r in rows if r['PERIODO_MATRICULA'] == '1']
print('rows:', len(rows), '| term 1:', len(term1))
odd = sorted({r['FECHA_NACIMIENTO'] for r in term1
if not 15 <= int(r['EDAD']) <= 90})
print('odd birth dates:', odd)
clash = [r for r in term1 if r['CREDITOS_ACUMULADOS'] == '0'
and float(r['PROMEDIO_PONDERADO']) > 0]
print('0 credits but an average above 0:', len(clash))
for s in ['INGENIERÍA DE SISTEMAS', 'INGENIERÍA CIVIL',
'ODONTOLOGÍA', 'INGENIERÍA AGRONÓMICA']:
g = [float(r['PROMEDIO_PONDERADO']) for r in term1
if r['ESCUELA_ACADEMICA'] == s]
real = [x for x in g if x > 0]
print(f'{s[:22]:22} n={len(g)} zeros={len(g) - len(real)}'
f' mean_all={mean(g):.2f} mean_real={mean(real):.2f}')
Antes de ejecutar, el mentor pregunta: "Which of these four schools has the highest average?" Casi todos responden mirando solo la primera columna de promedios.
Lo que imprimeSalida
rows: 12787 | term 1: 6530
odd birth dates: ['19000101', '20190206', '20190217', '20190222', '20190225', '20190227', '20190312', '20190316', '20210818']
0 credits but an average above 0: 22
INGENIERÍA DE SISTEMAS n=294 zeros=6 mean_all=12.75 mean_real=13.02
INGENIERÍA CIVIL n=314 zeros=6 mean_all=12.05 mean_real=12.29
ODONTOLOGÍA n=221 zeros=8 mean_all=12.74 mean_real=13.22
INGENIERÍA AGRONÓMICA n=197 zeros=8 mean_all=11.77 mean_real=12.27
Copiado sin cambios de nuestra ejecución con Python 3, sobre el archivo descargado el 9 de noviembre de 2026.
Filas no son personas. El archivo tiene 12,787 filas, pero el primer periodo tiene 6,530. Sumar los dos periodos contaría dos veces a casi todos.
Fechas que no existen. El filtro de edades fuera de 15 a 90 años encuentra un nacimiento el 1 de enero de 1900, un valor de relleno típico, y ocho fechas de 2019 y 2021, que darían estudiantes universitarios de 3 a 6 años. Son errores de digitación, no niños prodigio. No los corregimos a ciegas: los reportamos.
Un cero que no es nota. En cada escuela hay unas cuantas filas con promedio ponderado 0. En todo el archivo son 171, y todas tienen 0 créditos acumulados: son estudiantes sin cursos aprobados todavía. Como el promedio se define sobre cursos aprobados, para ellos no existe, y el archivo lo marca con un cero.
El ranking cambia. Con los ceros, Ingeniería de Sistemas (12.75) supera por una centésima a Odontología (12.74). Sin ellos, Odontología queda arriba (13.22 frente a 13.02). Ocho ceros en una escuela y seis en otra bastan para invertir el orden.
Una contradicción que se reporta. 22 filas del primer periodo tienen 0 créditos y aun así un promedio mayor que cero. El diccionario no lo explica, así que el análisis lo deja anotado como pregunta para quien publicó los datos.
Ninguna de estas cosas aparecía como error al ejecutar. El programa corre igual con los ceros, con la fecha de 1900 y con las contradicciones; simplemente da respuestas distintas. Por eso decimos en clase que la limpieza no es un paso previo al análisis: es el análisis. La frase que el estudiante explica al final, en inglés, resume la lección: "A zero is a number only when it was measured."
Para ser claros sobre los límites: el promedio de una escuela no dice si sus estudiantes aprenden más o menos que los de otra, porque cada escuela califica sus propios cursos. El ejercicio no compara la calidad de las carreras; enseña a no dejar que un valor que significa "sin dato" se cuele en una cuenta. En el archivo completo, el promedio más alto es 19.0.
Estadística
¿Cuánta matemática necesita la ciencia de datos?
Menos de la que muchos temen para empezar, y más de la que muchos creen para hacerlo bien. Lo esencial es estadística descriptiva, probabilidad y un poco de álgebra lineal, explicados con datos y no solo con fórmulas.
La matemática del curso y dónde se usa (plan nuestro)
Tema
Para qué sirve en datos
Cuándo aparece en el curso
Promedio, mediana, dispersión
resumir una columna sin engañarse
desde la primera semana, como en el ejemplo
Distribuciones y probabilidad
saber qué es raro y qué es normal en los datos
antes de hablar de modelos
Muestreo y sesgo
entender a quién representan los datos y a quién no
en cada proyecto con datos reales
Correlación y regresión
medir relaciones entre variables
en el primer modelo predictivo
Álgebra lineal básica
entender cómo calculan los modelos de machine learning
al pasar a machine learning
Quien se siente inseguro con la matemática puede reforzarla en paralelo con nuestro curso de matemáticas para ciencia de datos o el de estadística y probabilidad. Lo que pedimos en todos los casos es la actitud del ejemplo: preguntarse qué significa cada número antes de usarlo. Un modelo de machine learning entrenado con ceros que no son notas aprende, con mucha confianza, algo que no es cierto.
Hacia dónde va
¿Tiene futuro estudiar ciencia de datos?
Los análisis del sector apuntan a más datos y más rápidos. No prometemos empleo, pero sí podemos mostrar qué proyectan las fuentes que leímos.
El estudio sectorial de PROMPERÚ sobre la industria del software recoge una proyección de la consultora que cita: "hacia 2027, más del 70 % de las empresas adoptará arquitecturas de datos en tiempo real", basadas en modelos como los data lakes, para integrar información de muchas fuentes. Es una estimación y la presentamos como tal, pero indica la dirección: los datos ya no llegan en un archivo al mes, sino de forma continua, y alguien tiene que saber revisarlos.
En Perú, el propio Estado publica cada vez más datos abiertos, como el archivo de la UNHEVAL que usamos arriba. Practicar con ellos tiene una ventaja doble: los datos son reales, con sus defectos reales, y la pregunta que se responde tiene sentido para quien vive en el país. En el curso se trabajan varios conjuntos de la Plataforma Nacional de Datos Abiertos, siempre revisando su licencia antes de usarlos.
Lo que no encontramos fue una cifra oficial reciente de cuántos analistas o científicos de datos trabajan en Perú, ni de sus sueldos; por eso no damos ninguna. El curso deja un portafolio de análisis propios en GitHub, cada uno con su pregunta, su limpieza documentada y sus límites escritos en inglés.
En inglés
¿Por qué estudiar data science en inglés?
Porque la documentación de pandas, scikit-learn y casi todas las bibliotecas está en inglés, igual que los foros donde se resuelven los errores y buena parte de los informes que se leen en un equipo de datos.
Según el EF EPI 2025, Lima suma 555 puntos, lo que la ubica en el tramo alto de dominio del inglés, y las personas de 26 a 30 años que rindieron el examen en Perú llegan a 559. Quien ya lee con soltura le saca más partido a un curso en inglés; quien todavía duda al hablar encuentra en cada clase práctica concreta: explicar un gráfico, defender por qué excluyó unas filas o preguntar por un resultado raro.
Si usted estudió en un colegio limeño que enseña en inglés, esta página para colegios bilingües le resultará familiar. Y la página de clases en Arequipa, también en inglés, muestra otro proyecto con datos abiertos peruanos, sobre los atractivos turísticos de esa región. La oferta completa para el país está en nuestra página de Perú.
Ruta
¿Cuánto tiempo toma un curso de Python para análisis de datos?
Para llegar desde cero a un primer proyecto de análisis completo, calculamos unos seis meses, a dos clases semanales en vivo. Es una estimación nuestra, que cada persona acelera o alarga.
Ruta de seis meses en ciencia de datos (propuesta nuestra)
Leer un archivo de datos abiertos y contar sus filas
2
pandas: filtrar, agrupar, unir tablas
Resumen por grupos, como el de la UNHEVAL
3
Limpieza y visualización
Un informe con gráficos y reglas de limpieza documentadas
4
Estadística aplicada y SQL
Preguntas respondidas con consultas y con intervalos
5
Machine learning: regresión y clasificación
Un primer modelo evaluado con datos separados
6
Proyecto final y comunicación
Un análisis propio publicado en GitHub, explicado en inglés
Quien ya programa en Python puede saltarse el primer mes. Quien viene de Excel suele avanzar rápido en el segundo, porque agrupar y filtrar ya le resulta familiar. El criterio para avanzar es siempre el proyecto del mes, revisado por el mentor, y no la fecha del calendario.
Progreso
¿Cómo se sabe si ya analiza datos con criterio?
Con cinco niveles propios. Ninguno se mide por la cantidad de código, sino por la calidad de las preguntas que la persona le hace a los datos.
Cinco niveles de análisis de datos (nuestros)
Nivel
Lo que la persona hace
Señal de dominio
1. Cargar
abre un archivo y cuenta filas y columnas
nota que filas y personas no siempre coinciden
2. Revisar
busca valores imposibles y códigos de "sin dato"
encuentra la fecha de 1900 sin que se la señalen
3. Resumir
agrupa, promedia y grafica con reglas explícitas
dice cuántas filas excluyó y por qué
4. Modelar
entrena y evalúa un modelo sencillo
separa datos de prueba y no se engaña con el resultado
5. Comunicar
presenta hallazgos y límites a quien no programa
su informe responde la pregunta en una frase
Para quien viene de Excel
El nivel 2 suele sorprender: en una hoja de cálculo los valores raros se pierden entre miles de celdas, y en Python aparecen con una línea.
No borre filas sin dejar escrito el criterio. Su yo del próximo mes se lo agradecerá.
Para quien ya programa
El reto suele estar en el nivel 5: explicar con pocas palabras qué se encontró y qué no se puede afirmar.
Antes de entrenar un modelo, haga el nivel 2 completo. Un modelo no corrige datos sucios; los aprende.
Más cursos
Nueve cursos más para trabajar con datos
En vivo, en inglés y con mentor; los de la última banda son para quien ya domina Python.
Cualquier día y a cualquier hora, con total flexibilidad: elija una clase grupal o, para un plan muy personalizado, clases individuales a la hora que mejor le convenga a su familia.
Mañana
Para quien piensa con más claridad al empezar el día.
Noche
Para quien sale de la oficina o de la universidad tarde.
Individual
Días y horas que usted acuerda con su mentor.
Datos reales
Conjuntos abiertos con licencia revisada, con todos sus defectos.
Cuaderno compartido
El mentor ve su código y sus gráficos a la vez que usted.
Criterio escrito
Cada fila excluida queda justificada en el propio código.
Estadística con sentido
Cada fórmula aparece cuando un problema la necesita.
Portafolio en GitHub
Cada proyecto queda publicado con su pregunta y sus límites.
Grupo o individual
De quince a veinte personas de nivel similar, o usted con su mentor.
Proyectos de nuestros estudiantes
Análisis y proyectos de estudiantes
Análisis y aplicaciones hechos por alumnos de varios países; la colección está en Student labs (en inglés).
IA y ML
NutriLife
Un coach de nutrición con IA que analiza las comidas y avanza paso a paso hacia una meta.
Un sitio de pronóstico del clima con condiciones en vivo para cualquier lugar.
de Krish
Precios
¿Cuánto cuesta el curso de data science?
El precio mensual se publica en dólares estadounidenses y se paga con tarjeta. La conversión a la moneda de su cuenta la hace su banco, de modo que el monto cargado puede variar levemente según la cotización.
Primera clase gratis
Gratis
sin tarjeta
Una sesión gratis con un mentor
Un primer vistazo guiado a un archivo de datos real
Opiniones dejadas en Google por estudiantes y familias, en el inglés en que las escribieron.
★★★★★
"The one step solution for my son. Modern Age Coders make learning coding so simple that kids love it. The teachers explain complex concepts clearly with practical exercises and interactive content."
Ria Mukherjee
Parent
★★★★★
"Modern Age Coders has been a game-changer for me. I struggled to grasp IT concepts and coding before joining, but their classes transformed everything. I can now confidently write complex programs with ease."
Samriddha Mondal
Student
★★★★★
"One of the most wonderful education centres out there. Education is not limited to school syllabus but focuses on skill development."
Vansh Agarwal
Student
★★★★★
"My child Dhairya is really enjoying the Modern Age Coders classes. This is his first online class and he eagerly looks forward to it. I can already see his improvement, and the teachers are very cooperative."
Sonam Oswal
Parent of Dhairya
★★★★★
"Modern Age Coders have wonderful teachers who teach in a clear, easy and practical way. The teacher boosts students' confidence and inspires them to learn without hesitation."
Sonu Goyal
Parent
★★★★★
"I highly recommend this computer coding class! The teachers are incredibly knowledgeable and passionate about coding."
Ritu Kedia
Parent
Preguntas frecuentes
Data science en inglés: preguntas frecuentes
¿Las clases son en español?
No. Las sesiones son en vivo, por internet y únicamente en inglés. Para el análisis de datos eso tiene sentido, porque la documentación de Python y sus bibliotecas está en inglés, y cada clase es también práctica oral: explicar un gráfico o un criterio de limpieza ante el mentor. Lima aparece entre las ciudades de inglés alto del EF EPI 2025.
¿Qué es la ciencia de datos?
Es el trabajo de convertir datos en respuestas confiables: plantear una pregunta, conseguir y limpiar los datos, resumirlos, mostrarlos y, cuando hace falta, construir modelos que predicen. Python es la herramienta principal.
¿Necesito saber programar?
No. El curso empieza con Python desde cero. Si usa Excel, ya tiene una ventaja: según el INEI, el 73,7 % de los peruanos de 15 años a más usó fórmulas en una hoja de cálculo en 2026, y ese razonamiento se traslada a Python.
¿Cuánta matemática hace falta?
Para empezar, la del colegio: promedios, porcentajes y tablas. La estadística, la probabilidad y el álgebra lineal necesarias se enseñan dentro del curso, cuando cada proyecto las pide.
¿Trabajan con datos peruanos?
Sí. Usamos conjuntos de la Plataforma Nacional de Datos Abiertos con licencia que lo permite, como los matriculados 2024 de la UNHEVAL, publicados con licencia ODC-By. No tenemos relación con la UNHEVAL; solo usamos sus datos abiertos citándolos.
¿Cuánto dura el curso?
Nuestra ruta de referencia es de unos seis meses desde cero hasta un proyecto completo, a dos sesiones semanales; cada persona lo acorta o lo alarga.
¿En qué horario son las sesiones?
Cualquier día y a cualquier hora, con total flexibilidad: elija una clase grupal o, para un plan muy personalizado, clases individuales a la hora que mejor le convenga a su familia. La India lleva 10 horas y 30 minutos de ventaja a Perú en todas las estaciones; las 7:30 a. m. de Lima son las 6:00 p. m. para el mentor.
¿Cómo se paga?
Por tarjeta y en dólares estadounidenses; su banco hace el cambio. Probar la primera sesión no cuesta nada y no requiere datos de pago.
¿Hay versión para adolescentes?
Sí, un curso de ciencia de datos para 13 a 17 años, con Python y primeros modelos y conjuntos de datos apropiados para su edad.
¿El curso da un título o créditos?
No. Somos una academia privada sin vínculo con la SUNEDU, el MINEDU o universidades; no emitimos títulos ni créditos, solo una constancia propia de haber terminado.
Más páginas
Para seguir leyendo
Lecturas sobre datos, IA y programación; la mayoría en inglés.
En la sesión de prueba abre con el mentor un archivo de datos abiertos, cuentan sus filas y buscan juntos un primer valor sospechoso. A partir de ahí le recomendamos curso, nivel y formato, sin ningún compromiso.
Mentores que viven en la India; sesiones en vivo por videollamada y siempre en inglés. Por WhatsApp contestamos rápido, incluso si nos escribe en castellano.
¿Quiere una clase antes? Reserve una demo prioritaria
Una demo prioritaria es una clase completa de unos 45 a 60 minutos. Después, el mentor envía por WhatsApp un informe escrito de habilidades y un plan de aprendizaje personal. Si se inscribe, el pago de la demo se descuenta de la primera mensualidad: envíenos por WhatsApp el número de pedido de la demo.
