Curso de Power BI con Python

Lección 1 • Configuración de tu entorno de desarrollo

Instala Power BI Desktop y Python, luego configura 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

Navega por la interfaz de Power BI Desktop y comprende los reportes, conjuntos de datos y áreas de trabajo. La familiaridad con la IU acelera todo el trabajo posterior de modelado de datos.

Lección 3 • Fundamentos de Python para el trabajo con datos

Cubre la sintaxis de Python, los tipos de datos y el flujo de control relevantes 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

Ejecuta 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

Obtén datos de APIs REST usando solicitudes de Python y conectores web de Power BI. Los estudiantes adquieren habilidades para acceder a datos dinámicos y en vivo no disponibles en archivos estáticos.

Lección 3 • Carga de datos con Python y pandas

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

Lección 1 • Reestructuración y agregación de datos

Pivota, despivota, agrupa y agrega 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 • Fundamentos del Editor de Power Query

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

Lección 3 • Power Query avanzado con lenguaje M

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

Lección 1 • Optimización del modelo de datos

Reduce el tamaño del modelo y mejora la velocidad de consulta mediante la eliminación de columnas, agregaciones y modos de almacenamiento. La optimización asegura que los tableros se mantengan responsivos con volúmenes de datos empresariales.

Lección 2 • Introducción a DAX

Escribe columnas calculadas y medidas básicas usando sintaxis DAX y contexto de evaluación. DAX es el lenguaje principal para todos los cálculos analíticos de Power BI.

Lección 3 • Patrones DAX intermedios

Aplica CALCULATE, FILTER y funciones de 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

Aplica color, tipografía y diseño consistentes para producir reportes profesionales. La disciplina de diseño reduce la carga cognitiva y aumenta la confianza de los interesados.

Lección 2 • Elección del tipo de visual correcto

Empareja 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

Renderiza 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

Calcula 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 prueba de hipótesis

Aplica pruebas t, pruebas chi-cuadrada 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

Pasa 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 tableros orientados al negocio.

Lección 1 • Incrustación de predicciones en Power BI

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

Lección 2 • Modelos de clasificación y regresión

Entrena 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 • Panorama del flujo de trabajo de machine learning

Comprende 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 evaluación.

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

Define roles de RLS en DAX y asigna usuarios para restringir la visibilidad de datos por rol. Las reglas de seguridad aseguran que cada usuario vea solo los datos que está autorizado a acceder.

Lección 2 • Automatización de flujos de trabajo con Power Automate

Activa 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

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