Visualización de información en la era del Big Data

Estudia en la Universidad N°1 de habla hispana en Latinoamérica 2024 por QS World University Rankings

Acerca del programa:

Aprende a analizar y evaluar visualizaciones de información existentes y, también, a diseñar e implementar representaciones visuales de datos.

Dirigido a profesionales con conocimientos de programación, que puedan o no estar involucrados en el área de Ciencia de Datos, o simplemente que estén interesados en aprender más de los modos de visualización.

Curso de Visualización información en la era del Big Data UC

Dirigido a:

  • Profesionales que necesitan evaluar la calidad y efectividad de visualizaciones de información, y que puedan proponer mejoras para la presentación visual de los datos.
  • Interesados en el área de Ciencia de Datos que deseen adquirir conocimientos para diseñar e implementar visualizaciones de información efectivas para satisfacer necesidades de información.

Jefe de Programa

Jaime Navon

Ph.D. Computer Science, University of North Carolina at Chapel Hill. Master of Science, Technion-Israel Institute of Technology. Ingeniero Civil Electricista, Pontificia Universidad Católica de Chile. Profesor Asociado del Departamento de Ciencia de la Computación, Pontificia Universidad Católica de Chile.
linkedin

Equipo Docente

keyboard_arrow_down

Denis Parra

Profesor Asistente UC; Ingeniero Civil en Informática, Universidad Austral de Chile; Doctor of Philosophy in Information Science, University of Pittsburgh, EE.UU.

Fernando Florenzano

Magíster en Ciencias de la Ingeniería, PUC. Ingeniero Civil Computación PUC.

Hernán Valdivieso

Magíster en Ciencias de la Ingeniería e Ingeniero Civil en Computación, UC. Profesor Instructor del Departamento de Ciencia de la Computación de la Escuela de Ingeniería UC. Su área principal de trabajo es la docencia y el desarrollo de técnicas de visualización.

EP (Educación Profesional) de la Escuela de Ingeniería se reserva el derecho de remplazar, en caso de fuerza mayor, a él o los profesores indicados en este programa.

Descripción

La visión desempeña un papel fundamental en nuestro sistema cognitivo humano. Presentar información en formato visual puede ayudarnos en diversas tareas, como realizar análisis exploratorio de datos, comunicar los resultados de análisis, detectar problemas en fuentes de datos existentes y respaldar nuestra toma de decisiones. Para crear visualizaciones de datos efectivas en estas tareas, es necesario no solo aprender herramientas de software, sino también comprender los principios visuales y cognitivos que influyen en nuestra percepción. Además, es crucial identificar la relación entre tipos de datos y distintos formatos de representación visual.

Los estudiantes de este curso adquirirán conocimientos sobre los conceptos fundamentales de visualización de información, lo que les permitirá analizar y evaluar visualizaciones existentes. Posteriormente, aprenderán una metodología para diseñar y evaluar visualizaciones de información efectivas: el modelo anidado de Munzner. Con estos principios y el modelo anidado, los estudiantes aprenderán prácticamente cómo seleccionar la codificación visual óptima para diversos tipos de conjuntos de datos (tabulares, de red, espaciales, de texto) y atributos (continuos, categóricos, ordinales). Además, se introducirá el concepto de reducción de dimensionalidad, que los estudiantes aplicarán para visualizar datos con un gran número de atributos o dimensiones.

Los contenidos serán abordados en 6 clases en línea (8 semanas), donde se entregarán los contenidos mediante recursos interactivos que integran videos, esquemas, artículos, lecturas y preguntas formativas. Esto se impartirá a través de una plataforma educativa virtual.

Requisitos de Ingreso

Se recomienda contar con conocimientos básicos de programación, específicamente en lenguaje Python. En particular, debe ser capaz de utilizar controles de flujo, distintos tipos de datos y funciones, y diccionarios con Python.

Si desea evaluar su nivel, puede realizar una prueba opcional gratuita en este link: https://www.hackerrank.com/prueba- python. Se recomienda iniciar los test en orden, ya que van creciendo en dificultad. Los dos últimos tienen un nivel superior al requerido para ingresar al diplomado, y han sido instalados allí sólo como desafío. Si uno de los test falló, se recomienda revisar y ejercitar esos contenidos antes del inicio del programa.

A continuación, ponemos a su disposición algunos cursos optativos por si desea prepararse previamente al inicio del programa:

  • MOOC “Introducción a la Programación en Python I: Aprendiendo a programar con Python”, disponible en el siguiente link: https://www.coursera.org/learn/aprendiendo-programar-python.
  • Curso “Herramientas de programación en Python para procesamiento de datos”, disponible en el siguiente link: https://teleduc.uc.cl/curso/herramientas-programacion-python-procesamiento-datos/.


Objetivos de Aprendizaje

  1. Diseñar visualización de máxima efectividad utilizando distintos tipos de datasets.

Desglose de cursos

Horas totales: 75 | Horas directas: 35 |Horas indirectas: 40

Créditos: 4

Resultados del Aprendizaje

  1. Evaluar visualizaciones de información existentes y proponer mejoras en ellas.
  2. Implementar en lenguaje Python gráficos simples y avanzados usando diversos tipos de datasets.
  3. Diseñar nuevas visualizaciones mediante la identificación de las relaciones entre tipos de datos, las tareas de visualización y los tipos de gráficos. 

Contenidos:

  • Ejemplos históricos de Visualización de datos.
  • Conceptos fundamentales de visualización de información.
  • Funciones básicas de matplotlib y seaborn.
  • Modelo anidado de Munzner para diseño y validación de visualización.
  • Reglas y recomendaciones generales para visualizaciones efectivas.
  • Diseño e implementación de gráficos simples para datos tabulares usando modelo anidado.
  • Diseño e implementación de gráficos avanzados para datos tabulares usando modelo anidado.
  • Reducción de dimensionalidad.
  • Diseño e implementación de gráficos avanzados para datos de red usando modelo anidado.
  • Visualización básica de datos de texto.
  • Visualización básica de datos espaciales.

Estrategias metodológicas

  • Aprendizaje autónomo asincrónico estructurado en 6 módulos
  • Clases expositivas
  • Foros
  • Estudio de caso

Estrategias evaluativas

  • 3 controles individuales: 40%
  • 3 mini proyectos individuales :60%

Requisitos Aprobación

Los alumnos deberán ser aprobados de acuerdo los criterios que establezca la unidad académica: 

  • Calificación mínima de todos los cursos 4,0 en su promedio ponderado.

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

Los resultados de las evaluaciones serán expresados en notas, en escala de 1,0 a 7,0 con un decimal, sin perjuicio que la Unidad pueda aplicar otra escala adicional.

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

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

  • Fotocopia Carnet de Identidad.

Cualquier información adicional o inquietud podrás escribir al correo programas@ing.puc.cl.

VACANTES: 40

Con el objetivo de brindar las condiciones de infraestructura necesaria y la asistencia adecuada al inicio y durante las clases para personas con discapacidad: Física o motriz, Sensorial (Visual o auditiva) u otra, los invitamos a informarlo. 

El postular no asegura el cupo, una vez inscrito o aceptado en el programa se debe pagar el valor completo de la actividad para estar matriculado.

No se tramitarán postulaciones incompletas.

Puedes revisar aquí más información importante sobre el proceso de admisión y matrícula


¿Te parece interesante este programa?

No