Nuevo - Diplomado en Data Science

El presente diplomado entrega herramientas en data science para implementar soluciones de inteligencia de datos en la gestión y procesos de toma de decisiones.


Descripción

 

20% descuento a Afiliados a Caja Los Andes
El presente diplomado en data science entrega herramientas técnicas y metodológicas para que profesionales de las más diversas disciplinas puedan realizar procesos de análisis de datos, diseñar modelos matemáticos y estadísticos y generar aplicaciones que les permitan hacer inteligencia con los datos e información en diversos ámbitos de aplicación. La principal fortaleza del data science, es que no restringe su desarrollo sólo a matemáticos o informáticos, sus herramientas pueden ser de dominio de profesionales de las más diversas disciplinas, favoreciendo el trabajo inter y multidisciplinario, pues aporta una visión sistémica para comprender el comportamiento de sistemas complejos.

Dirigido a

Ingenieros Civiles y de Ejecución de los diversos ámbitos de especialización, Ingenieros Comerciales, Economistas, Administradores Públicos, Psicólogos, Sociólogos, y en general, profesionales de diversas disciplinas que se desempeñan en áreas de gestión de empresas o ámbito público, de diferentes rubros.

Prerrequisitos

Profesional universitario, licenciatura, egresado de instituto profesional, con al menos un año de experiencia laboral en áreas de gestión en empresas de diferentes rubros.

Objetivo de aprendizaje

1.    Comprender los fundamentos teóricos y conceptuales del big data y la ciencia de datos, como herramienta tecnológica para la gestión.
2.    Conocer métodos y modelos matemáticos y estadísticos fundamentales para el desarrollo de soluciones de data science.
3.    Emplear herramientas computacionales y de programación para data science.
4.    Reconocer los requerimientos tecnológicos y de visualización para grandes volúmenes de datos.
5.    Aplicar herramientas técnicas y metodológicas para diseñar e implementar técnicas de data science en procesos de análisis y toma de decisiones.

Desglose de cursos

Curso 1: Aplicación de los principios y fundamentos de la ciencia de datos.
Horas lectivas: 25 horas cronológicas
Créditos: 5

Objetivos específicos:
-    Conocer el concepto de big data y su desarrollo.
-    Descubrir los campos de aplicación del big data.
-    Distinguir los objetivos de la ciencia de datos y sus aplicaciones.
-    Reconocer la relación entre data science e innovación.

Contenidos:
-    Introducción
o    Evolución de la ciencia y la tecnología.
o    De la falta de datos al exceso de información.
o    El big data como desarrollo tecnológico de los datos.
o    Los desafíos del big data.
-    La ciencia de datos.
o    ¿Qué es el Data Science?
o    ¿Qué hace un Data Scientist?
o    Aplicaciones de Data Science
o    Desafíos éticos del Data Science
-    Data Science e Innovación
o    ¿Por qué el Data Science se relaciona con la innovación?
o    Innovar a partir de los datos.
o    Datos para detectar y crear necesidades.

Evaluaciones:
-    Quiz: Conceptos de data science 50%
-    Taller práctico de diseño de una solución innovadora basada en datos 50%.

Curso 2: Herramientas de análisis estadístico para Data Science
Horas lectivas: 25 horas cronológicas
Créditos: 5

Objetivos Específicos:
-    Utilizar las principales herramientas de estadística descriptiva y estimación.
-    Implementar correctamente usos de gráficos y clasificación.
-    Distinguir las diferencias entre eventos probabilísticos y determinísticos.
-    Aplicar los conceptos de error y experimentar modelos estadísticos y predicción.

Contenidos:
-    Estadística Descriptiva
o    Introducción.
o    Tablas de frecuencia.
o    Estadísticos descriptivos.
o    Conceptos de posición y dispersión.
o    Gráficos estadísticos
o    Aplicaciones e interpretación
-    Probabilidades.
o    Contexto matemático.
o    Muestra y población.
o    Modelos de probabilidad usual.
-    Inferencia
o    Principios de estimación.
o    Estimación por intervalos.
o    Pruebas de hipótesis.
o    Aplicaciones e interpretación.
-    Modelo Lineal
o    Análisis de varianza (ANOVA).
o    Regresión lineal simple y múltiple.
o    Análisis de residuos.
o    Bondad de Ajuste.
o    Aplicaciones en datos reales.
-    Modelos Generalizados.
o    Introducción a los modelos lineales generalizados.
o    Regresión logística.
o    Árboles de decisión.
o    Modelos de suavizamiento no paramétricos.
-    Tópicos de Modelación
o    Introducción a las series de tiempo.
o    Análisis de series cronológicas financieras.
o    Datos categóricos.

Evaluaciones:
-    Quiz que consiste en la resolución de problemas utilizando diferentes técnicas estadísticas (descriptiva, inferencial, probabilística, regresiones, series de tiempo, conglomerados, entre otros) 50%.
-    Taller práctico que contempla el diseñar el proceso de análisis de datos para entregar una solución a una situación problema. 50%.

Curso 3: Uso de herramientas computacionales para Data Science.
Horas lectivas: 25 horas cronológicas
Créditos: 5

Objetivos específicos:
-    Manejar las principales funcionalidades y usos del software R.
-    Utilizar y programar funciones, procesos recursivos y métodos de auto aprendizaje.
-    Aplicar modelos estadísticos más usuales en descripción de datos.
-    Identificar características de grandes volúmenes de datos y manejo de dimensionalidad.
-    Determinar métodos estadísticos en la clasificación de registros y validar los modelos estadísticos para el uso en datos.

Contenidos:
-    Introducción a la programación.
o    Instalación y primeros pasos del programa R.
o    Creación y manipulación de objetos.
o    Abrir y guardar bases de datos.
-    Procesos.
o    Operaciones.
o    Estructuras de control.
o    Métodos recursivos.
o    Funciones.
o    Aplicaciones.
-    Análisis Estadístico.
o    Descripción de datos y usos de filtros.
o    Simulación de variables aleatorias y determinísticas.
o    Procesos automatizados.
o    Aplicaciones en datos empresariales.
-    Volumen de datos.
o    Conceptos de Big Data.
o    Bases de datos y OLAP.
o    Representaciones gráficas.
o    Pre-procesamiento de datos.
-    Algoritmos.
o    Métodos de reducción de dimensión.
o    Algoritmos clasificadores.
o    Análisis de conglomerados.
o    Aplicaciones computacionales.
-    Validación
o    Método de Bootstrap.
o    Validación cruzada.
o    Aplicaciones, contexto e interpretación.

Evaluaciones:
-    Quiz, que consiste en la programación de algoritmos y códigos básicos en el software R, desarrollado de manera individual.
-    Taller práctico de aplicación uso de R a una base de datos 50%

Curso 4: Herramientas tecnológicas para visualización de datos.
Horas lectivas: 25 horas cronológicas
Créditos: 5

Objetivos específicos:
-    Distinguir las principales herramientas tecnológicas para big data.
-    Dominar conceptos básicos de programación, informática y metodología para big data.
-    Emplear los principales softwares interactivos de visualización de datos.
-    Determinar y reconocer los correctos y diversos usos de gráficos.

Contenidos:
-    Informática para big data.
o    Manejo de bases de datos.
o    Bases de datos relacionales.
o    Conceptos de programación para big data.
o    Arquitectura de datos.
-    Integración y análisis con big data.
o    Adquisición del dato.
o    Calidad y limpieza del dato.
o    Gobernanza de datos.
o    Computación cognitiva.
-    Visualización.
o    Terminología
o    Presentación de softwares gráficos
o    Aplicaciones prácticas
-    Principios gráficos
o    Color, Diseño y Evaluación
o    Gráficos básicos
o    Gráficos Multivariados
o    Gráficos de Texto
-    Métodos Interactivos
o    Animaciones
o    Gráficos Interactivos
-    Gráficos Avanzados
o    Gráficos temporales
o    Gráficos Geoespaciales
o    Gráficos Jerárquicos
o    Datos de red
-    Consideraciones finales
o    Métodos de rediseño y demostración
o    Ética gráfica.

Evaluaciones:
-    Quiz que consiste en la programación de códigos básicos en software para análisis de datos, en altos volúmenes, desarrollado de manera individual, 50%.
-    Taller práctico que contempla el realizar un proyecto de visualización de datos informativo, mediante uso de software especializado 50%.

Curso 5: Aplicaciones de Data Science.
Horas lectivas: 25 horas cronológicas
Créditos: 5

El curso final ofrece a los participantes contenidos electivos, que los participantes podrán tomar en función de sus requerimientos profesionales.
Los cursos optativos que componen el último módulo del diplomado son los siguientes:

Optativo 1:  Aplicaciones de Data Science en la gestión pública.
Horas lectivas: 25 horas cronológicas
Créditos: 5

Objetivos específicos:
-    Distinguir las principales herramientas técnicas para análisis de datos sociales
-    Identificar metodologías para la investigación social en base a datos.
-    Aplicar herramientas técnicas para realizar evaluación de impacto.
-    Implementar métodos de data science en políticas públicas.

Contenidos:
-    Social big data.
o    Introducción al social big data.
o    Evolución de datos sociales, fuentes y mecanismos de recolección.
o    Fuentes de datos sociales y públicos en Chile.
o    Ejemplos internacionales de open data.
-    Herramientas para recolección y análisis de datos sociales.
o    Diseño de encuestas.
o    Encuestas longitudinales.
o    Análisis de datos sociales.
o    Metodologías para evaluación de impacto de políticas públicas.
-    Evolución social y datos.
o    Análisis de datos demográficos.
o    Análisis de datos económicos.
o    Análisis de datos sociales.
o    Análisis de datos políticos.
-    Metodologías de análisis de datos sociales.
o    Metodologías de caracterización socioeconómica.
o    Metodologías para analizar comportamiento del consumidor.
o    Cruces de datos para configurar mapas sociales.
-    Casos de uso y aplicaciones.
o    Modelos de evaluación de impacto.
o    Ejemplos de análisis de políticas públicas a través de los datos.
o    Modelos de big data para datos públicos.
o    Smart Cities, big data para la planificación territorial.
o    Big data y seguridad ciudadana.

Evaluaciones:
-    Quiz, que consiste en la identificación de data science en diferentes esferas del ámbito público, desarrollado de manera individual, 50%
-    Taller práctico que contempla el realizar un proyecto de análisis de datos para la toma de decisiones, 50%


Optativo 2: Aplicaciones de Data Science en la gestión de empresas.
Horas lectivas: 25 horas cronológicas
Créditos: 5

Objetivos específicos:
-    Conocer el concepto de business analytics .
-    Entender los alcances y ventajas del Business Intelligence.
-    Aplicar herramientas técnicas para realizar análisis de información.
-    Analizar casos de uso y aplicaciones de data science en gestión.

Contenidos:
-    Business Analytics.
o    Introducción al business analitycs.
o    Metodología para construir proyectos de big data.
o    Fuentes de datos para la gestión.
o    Design thinking aplicado a proyectos de big data.
-    Introducción al Business Intelligence.
o    Origen y conceptos básicos del Business Intelligence.
o    Arquitectura e infraestructura requerida para su implementación.
o    Evolución y alcance del BI.
-    Data para Business Intelligence.
o    Fuentes de datos para inteligencia de negocios.
o    KPI: indicadores claves de éxito.
o    Evolución del comercio electrónico y datos asociados.
o    Internet de las cosas y datos disponibles.
-    Diseño de modelos de Business Intelligence.
o    Modelos de decisión en Inteligencia de Negocios.
-    Análisis de información.
o    El cuadro de mando integral.
o    Visualización de datos y tableros de control.
o    Información no estructurada en medios sociales.
o    Taller de decisiones estratégicas.
-    Casos de uso y aplicaciones.
o    Análisis big data en marketing digital.
o    Modelos de smart data e inteligencia de negocios.
o    Generación de emprendimientos a partir de big data.
o    Taller de Business Intelligence.

Evaluaciones:
-    Quiz, que consiste en la identificación de métodos de data science en diferentes contextos organizacionales.
-    Taller práctico que contempla el realizar un proyecto de análisis de datos para la toma de decisiones, 50%.

Equipo Docente

JEFE DE PROGRAMA
Wilfredo Palma Manríquez
Profesor Titular Departamento de Estadística, Facultad de Matemáticas, Pontificia Universidad Católica de Chile.
Ingeniero Matemático, Universidad de Chile.
Ph. D. en Estadística, Carnegie Mellon University, USA.
Director DATA UC, Unidad de Estudios Estadísticos de la Pontificia Universidad Católica de Chile.
Autor de los libros: Long-Memory Time Series: Theory and Methods; Advances in Economics and Econometrics, Statistics and Finance: An Interface; Advances in Econometrics, Data Mining y de más de 30 publicaciones científicas en el área de series de tiempo y modelos estadísticos.

EQUIPO DOCENTE

Alvarado Celis, Ana María
Profesora Instructor Adjunto Departamento de Estadística, Facultad de Matemáticas UC
Magíster en Estadística, Pontificia Universidad Católica de Chile.

Alvear Leyton, Alexis
Subdirector DATA UC
Magíster en Gestión de Negocios, Universidad de Sevilla, España.

Aravena Cuevas, Ricardo
Profesor Asociado Adjunto Departamento de Estadística, Facultad de Matemáticas UC
Magíster en Estadística, Pontificia Universidad Católica de Chile.

Bravo Mella Mónica
Profesora Instructor Adjunto Departamento de Estadística, Facultad de Matemáticas UC
Licenciada en Estadística, Pontificia Universidad Católica de Chile.

Caiceo Jaime
Ingeniero Civil Industrial, Magíster en Ciencias de la Ingeniería, Pontificia Universidad Católica de Chile.

Galea Rojas Manuel
Profesor Asociado Departamento de Estadística, Facultad de Matemáticas UC
Doctor en Estadística, Universidad de Sao Paulo.

Kuncar Campbell Francisco
Profesor Asistente Adjunto Departamento de Estadística, Facultad de Matemáticas UC
Magíster en Estadística, Pontificia Universidad Católica de Chile.

Muñoz Araya Miguel
Ingeniero Comercial Pontificia Universidad Católica de Chile
Diplomado en Inteligencia de Negocios Universidad de Chile.

Molina Núñez, Alonso
Estadístico, Pontificia Universidad Católica de Chile
Magíster en Estadística, Pontificia Universidad Católica de Chile

Olea Ortega Ricardo
Profesor Asistente Adjunto Departamento de Estadística, Facultad de Matemáticas UC
Doctor en Estadística, Pontificia Universidad Católica de Chile.

Palma Manríquez Wilfredo
Profesor Titular Departamento de Estadística, Facultad de Matemáticas UC
Ph. D. en Estadística, Carnegie Mellon University.

Quinlan Binelli José
Profesor Instructor Adjunto Departamento de Estadística
Doctor en Estadística, Pontificia Universidad Católica de Chile.

San Martín Gutiérrez Ernesto
Profesor Asociado Departamento de Estadística, Facultad de Matemáticas UC
Ph.D. in Sciences, Université Catholique de Louvain.

Vega Ricardo
Profesor Asistente Adjunto Escuela de Diseño UC
Diseñador y Artista, MFA Technology (Parsons, The New School, Nueva York).

Metodología

Clases teóricas expositivas y con espacios para discusión y reflexión de contenidos.

Talleres de aplicación de técnicas y metodologías para entrenamiento de competencias.  

Desarrollo de laboratorios de computación con la aplicación de modelos y métodos en software especializado.

Desarrollo y análisis de casos de estudio para identificar experiencias exitosas de implementación.

Talleres y laboratorios de aplicación mediante uso de bases de datos reales.

Requisitos de aprobación

El promedio final del diplomado será el promedio ponderado de la nota final de cada curso con las siguientes ponderaciones, en una escala de 1,0 a 7,0:

Curso 1: Aplicación de los principios y fundamentos de la ciencia de datos: 20%
Curso 2: Herramientas de análisis estadístico para Data Science: 20%
Curso 3: Uso de herramientas computacionales para Data Science: 20%
Curso 4: Herramientas tecnológicas para visualización de Datos: 20%
Curso 5: Aplicaciones en Data Science (para gestión pública o para gestión de empresas): 20%


Para aprobar el diplomado, el alumno debe cumplir con dos requisitos:

A) Un mínimo de asistencia de 75% a todo evento.

B) Requisito académico: Se cumple aprobando todos los cursos con nota mínima 4,0.

Nota: Las personas que no cumplan con el requisito de aprobación no recibirán ningún tipo de certificación.

Para aprobar los programas de diplomados se requiere la aprobación de todos los cursos que lo conforman y en el caso que corresponda, de la evaluación final integrativa.

Los alumnos que aprueben las exigencias del programa recibirán un certificado de aprobación otorgado por la Pontificia Universidad Católica de Chile.

El alumno que no cumpla con una de estas exigencias reprueba automáticamente sin posibilidad de ningún tipo de certificación.

Bibliografía

James, G., Witten, D., Hastie, T. and Tibshirani, R. (2013). An Introduction to Statistical Learning, with Applications in R, Springer

O’ Reilly Media (2013) Big Data Now, O’ Reilly Media, Inc

Material de Elaboración Propia.

Proceso de Admisión

Las personas interesadas deberán completar la ficha de postulación ubicada al lado derecho de esta página web. Un correo de confirmación solicitará enviar los siguientes documentos a la coordinación a cargo de Tatiana del Carmen Ortiz Acuña taortiz@mat.uc.cl

• Fotocopia Carnet de Identidad
• Copia Simple de Título o  grado académico
• Currículum Vitae
• Certificado laboral

- El postulante será contactado, para asistir a una entrevista personal (si corresponde) con el Jefe de Programa del Diplomado o su Coordinadora Académica.
- Las postulaciones son hasta una semana antes del inicio del Diplomado/Curso o hasta completar las vacantes.
- No se aceptarán postulaciones incompletas.
- El postular no asegura el cupo, una vez aceptado en el programa, se debe cancelar el valor para estar matriculado.

Las postulaciones son desde 1 de octubre del 2017 hasta el Viernes 13 de Abril de 2018 o hasta completar las vacantes.

VACANTES: 20

• El Programa se reserva el derecho de suspender la realización del diplomado/curso si no cuenta con el mínimo de alumnos requeridos. En tal caso se devuelve a los alumnos matriculados la totalidad del dinero en un plazo aproximado de 10 días hábiles con un vale vista que deberá ser retirado en el  Banco Santander.
• A las personas matriculadas que se retiren de la actividad antes de la fecha de inicio, se les devolverá el total pagado menos el 10% del total del arancel. A las personas que se retiren  una vez iniciado el programa por motivos de fuerza mayor, se les cobrarán las horas cursadas hasta la fecha  de la  entrega de solicitud formal de retiro más el 10% del valor total del programa. En ambos casos la devolución demorará 15 días hábiles y se efectuará a través de un vale vista que deberá ser retirado en el  Banco Santander.

imagen
SOLICITAR MÁS INFORMACIÓN
ACTIVIDAD NO DISPONIBLE
PARA INSCRIPCIÓN

POR FAVOR DÉJENOS SU CONSULTA
Y LO CONTACTAREMOS

Otros programas que pueden ser de su interés

Diplomado en Estadística, mención Métodos Estadísticos
IMPORTANTE : Politicas de privacidad

El sitio de educación continua UC utiliza cookies.

Las cookies son pequeños archivos que son transferidos a su dispositivo (Computadora o móvil) y que permanecen ahí por una duración de tiempo limitada, para ayudar a personalizar la experiencia de uso del sitio web y la publicidad que verá de los productos que este ofrece.
Educación continua UC utiliza tanto cookies propias como de terceros.

Particularmente el sitio utiliza cookies para habilitar las funcionalidades de remarketing de Google AdWords y retargeting de Facebook Exchange, para así realizar campañas personalizadas de anuncios en línea, para aquellas personas que han visitado el sitio web. Por tanto si navega por nuestro sitio web, es probable que luego vea anuncios de nuestra empresa en otros sitios que visite.

Si no desea que se muestren esos anuncios o que se almacenen datos sobre su actividad en nuestro sitio web, puede configurar su navegador, para dejar de aceptar cookies o para que le avise antes de aceptar una cookie de los sitios web que visite. Adicionalmente para el caso particular de Adwords, puede inhabilitar el uso de estas cookies mediante el Administrador de Preferencias de Anuncios de Google.