Curso de Power BI con Python

Lección 1 • Configuración de su entorno de desarrollo

Instale Power BI Desktop y Python, luego configure las rutas y dependencias. Esta base garantiza que cada ejercicio posterior se ejecute sin errores de entorno.

Lección 2 • Interfaz de Power BI y conceptos centrales

Navegue por la interfaz de Power BI Desktop y comprenda los reportes, conjuntos de datos y espacios de trabajo. La familiaridad con la UI acelera todo el trabajo posterior de modelado de datos.

Lección 3 • Fundamentos de Python para el trabajo con datos

Cubra la sintaxis de Python, los tipos de datos y el flujo de control relevante para tareas de analítica. Estas habilidades sustentan cada script de Python utilizado dentro de Power BI.

Lección 1 • Ejecución de scripts de Python como fuentes de datos

Ejecute scripts de Python directamente dentro de Power BI para generar o transformar datos de origen. Esto une ambas herramientas en un pipeline de ingesta unificado.

Lección 2 • Consumo de APIs REST y datos web

Obtenga datos de APIs REST usando la biblioteca requests de Python y los conectores web de Power BI. Los estudiantes adquieren habilidades para acceder a datos dinámicos en vivo que no están disponibles en archivos estáticos.

Lección 3 • Carga de datos con Python y pandas

Use pandas para leer fuentes CSV, Excel, JSON y SQL en DataFrames. Esto refleja la ingesta de Power BI y habilita el preprocesamiento del lado de Python.

Lección 1 • Reestructuración y agregación de datos

Pivote, deshaga, agrupe y agregue datos tanto en pandas como en Power Query. Las habilidades de reestructuración son esenciales para construir las tablas estructuradas que requieren los modelos de Power BI.

Lección 2 • Conceptos esenciales del Editor de Power Query

Use Power Query para filtrar, renombrar, dividir y fusionar columnas sin código. Estas habilidades basadas en GUI manejan la mayoría de las tareas rutinarias de limpieza.

Lección 3 • Power Query avanzado con lenguaje M

Escriba expresiones M para automatizar transformaciones complejas más allá de la GUI. Las funciones M personalizadas extienden Power Query para manejar lógica dinámica y parametrizada.

Lección 1 • Optimización del modelo de datos

Reduzca el tamaño del modelo y mejore la velocidad de consulta mediante eliminación de columnas, agregaciones y modos de almacenamiento. La optimización garantiza que los dashboards permanezcan responsivos con volúmenes de datos empresariales.

Lección 2 • Introducción a DAX

Escriba columnas calculadas y medidas básicas utilizando la sintaxis DAX y el contexto de evaluación. DAX es el lenguaje principal para todos los cálculos analíticos en Power BI.

Lección 3 • Patrones DAX intermedios

Aplique funciones CALCULATE, FILTER e inteligencia de tiempo para construir KPIs de negocio. Estos patrones cubren la mayoría de los requisitos analíticos del mundo real.

Lección 1 • Principios de formato y diseño

Aplique color, tipografía y diseño consistentes para producir reportes profesionales. La disciplina de diseño reduce la carga cognitiva y aumenta la confianza de las partes interesadas.

Lección 2 • Elección del tipo de visual correcto

Relacione las características de los datos con visuales de barras, líneas, dispersión, mapas y tablas. La selección correcta del visual es la base de una comunicación de datos honesta y legible.

Lección 3 • Visuales de Python dentro de Power BI

Renderice gráficos de Matplotlib y Seaborn como visuales de Power BI usando el objeto visual de Python. Esto desbloquea tipos de gráficos estadísticos y personalizados no disponibles de forma nativa.

Lección 1 • Estadística descriptiva con Python

Calcule estadísticas de resumen, distribuciones y correlaciones usando pandas y NumPy. Estas métricas forman la línea base para todo trabajo analítico más profundo.

Lección 2 • Fundamentos de pruebas de hipótesis

Aplique pruebas t, chi-cuadrado y ANOVA usando SciPy para validar hipótesis de negocio. Las pruebas estadísticas proporcionan justificación basada en evidencia para las decisiones.

Lección 3 • Presentación de analítica de Python en Power BI

Pase estadísticas calculadas en Python y salidas de modelos de vuelta a los reportes de Power BI. Esto cierra el ciclo entre el análisis de Python y los dashboards orientados al negocio.

Lección 1 • Incrustación de predicciones en Power BI

Cargue modelos guardados de scikit-learn dentro de scripts de Python en Power BI para calificar nuevos datos. Las predicciones se convierten en columnas filtrables en reportes en vivo sin reentrenamiento.

Lección 2 • Modelos de clasificación y regresión

Entrene árboles de decisión, bosques aleatorios y modelos lineales usando pipelines de scikit-learn. Estos algoritmos abordan los problemas de negocio predictivos más comunes.

Lección 3 • Descripción general del flujo de trabajo de Machine Learning

Comprenda el pipeline de ML de extremo a extremo, desde la preparación de datos hasta el despliegue del modelo. Un flujo de trabajo claro previene errores comunes en la ingeniería de características y la evaluación.

Lección 1 • Seguridad a nivel de fila y control de acceso

Defina roles de RLS en DAX y asigne usuarios para restringir la visibilidad de datos por rol. Las reglas de seguridad garantizan que cada usuario vea solo los datos que está autorizado a consultar.

Lección 2 • Automatización de flujos de trabajo con Power Automate

Active flujos de Power Automate desde alertas de Power BI y condiciones basadas en datos. La automatización reduce el monitoreo manual y acelera la respuesta a eventos de negocio.

Lección 3 • Linaje de datos y documentación

Use la vista de linaje y las características de respaldo para documentar la procedencia del conjunto de datos. Un linaje claro reduce los errores cuando múltiples equipos comparten y construyen sobre los mismos conjuntos de datos.