Si quieres aprender Data Science desde cero en 2026, el mayor riesgo no es que sea difícil. Es que te pierdas entre cientos de cursos, herramientas y rutas sin saber por dónde empezar.
Llevo meses en esté camino y está es la ruta que me habría gustado tener desde el día uno. Ordenada, realista y con recursos gratuitos.
Fase 1: Fundamentos (semanas 1-4)
Estadística básica
Antes de tocar código, necesitas entender estos conceptos:
- Media, mediana, moda y desviación estándar
- Distribución normal
- Correlación vs causalidad
- Probabilidad básica
Recurso gratuito: Khan Academy (sección de estadística), StatQuest en YouTube.
Excel/Google Sheets
Si nunca has trabajado con datos, empieza por hojas de cálculo. Tablas dinámicas, filtros, funciones básicas (BUSCARV, SI, CONTAR.SI). Esto te da la lógica antes de programar.
Fase 2: Python para datos (semanas 5-12)
No necesitas aprender "todo Python". Necesitas lo justo para análisis de datos:
- Sintaxis básica: variables, listas, diccionarios, bucles, funciones
- Pandas: la librería para manipular datos. DataFrames, filtros, agrupaciones, merge
- NumPy: arrays y operaciones numéricas
- Matplotlib + Seaborn: visualización de datos
Recursos gratuitos:
- freeCodeCamp en español (curso de Python)
- Kaggle Learn (módulos cortos y prácticos)
- Google Colab como entorno (sin instalar nada)
Fase 3: SQL (semanas 9-14)
SQL es imprescindible. No importa si haces análisis, machine learning o dashboards: los datos viven en bases de datos y SQL es el idioma para acceder a ellos.
Lo qué necesitas dominar:
- SELECT, WHERE, ORDER BY, GROUP BY
- JOINs (INNER, LEFT, RIGHT)
- Subqueries y CTEs
- Funciones de agregación (COUNT, SUM, AVG)
- Funciones de ventana (ROW_NUMBER, RANK, LAG)
Recursos gratuitos: SQLBolt, Mode Analytics SQL Tutorial, HackerRank SQL.
Fase 4: Visualización y herramientas BI (semanas 13-18)
Saber analizar datos no sirve si no puedes comunicar los resultados. Aquí entran las herramientas de Business Intelligence:
- Tableau Public: gratuito, potente, muy demandado en ofertas de empleo
- Power BI: versión desktop gratuita, muy usado en empresas
- Looker Studio: gratuito, conecta directo con Google Sheets y BigQuery
Con dominar una de las tres es suficiente para empezar. Yo empecé con Tableau y luego aprendí Power BI.
Fase 5: Proyectos reales (semanas 15-24)
Esta es la fase más importante. Sin proyectos no hay portfolio, y sin portfolio es muy difícil conseguir tu primer trabajo en datos.
Ideas de proyectos para principiantes:
- EDA de un dataset de Kaggle (ventas, películas, videojuegos)
- Dashboard interactivo en Tableau con datos públicos
- Análisis de tus propios datos (gastos, Spotify, Netflix)
- Web scraping + análisis (precios, ofertas de empleo)
Publica todo en GitHub y LinkedIn. No esperes a que sea perfecto.
Fase 6: Estadística inferencial + ML básico (semanas 20-30)
Una vez tienes la base sólida, puedes avanzar a:
- Tests de hipótesis y p-valores
- Regresion lineal y logística
- Árboles de decisión y Random Forest
- Scikit-learn como librería principal
No te agobies con deep learning todavía. El 90% de los trabajos de datos no lo requieren.
Cuánto tiempo necesitas
- Dedicando 2-3 horas al día: 6-8 meses para tener una base sólida y un portfolio
- Dedicando 1 hora al día: 10-12 meses
- Intensivo full-time: 3-4 meses
Lo importante no es la velocidad. Es la consistencia.
Errores que yo cometí
- Hacer demasiados cursos sin practicar (tutorial hell)
- Intentar aprender todo a la vez
- No empezar a hacer proyectos hasta sentirme "preparada"
- Comparar mi progreso con gente que lleva años
Si pudiera volver atrás, empezaría los proyectos desde la semana 4. Aprendes más haciendo que viendo videos.