Educación Continua
El curso online Introducción a Minería de Datos y Machine Learning tiene como propósito enseñar cuáles son los elementos que le permiten entender las principales teorías y prácticas de la emergente área de Minería de Datos. Se introducen también conceptos de Machine Learning. Al final del curso el alumno tendrá un conocimiento teórico y práctico de las principales técnicas utilizadas actualmente en la creación de programas capaces de extraer conocimiento relevante desde información de bases de datos, y conocer algunas de las principales aplicaciones donde este tipo de técnicas están siendo utilizadas en la actualidad, comprendiendo sus potencialidades y limitaciones.
El curso comienza con la problemática de obtención, preparación y limpieza de los datos para pasar luego a las técnicas y algoritmos asociados a la minería de datos para clasificación, clustering, etc. además de algoritmos, técnicas y herramientas de machine learning.
Los alumnos de en este curso aprenderán los conceptos fundamentales asociados a Minería de Datos, entendiendo cuáles son las diferentes fuentes de información a utilizar, revisar un pre procesamiento de datos, y posteriormente entender y aplicar las diferentes técnicas de extracción de conocimiento de datos utilizando reglas de asociación, árboles de decisión, métodos de regresión, algoritmos de clasificación, evaluación de clasificadores y una introducción al aprendizaje de máquina.
El enfoque del curso es de tipo práctico, con oportunidades de aplicar los conocimientos en proyectos y casos concretos. Se entregan herramientas de extracción y análisis de información para que una organización pueda generar valor desde los datos para mejorar su posición competitiva.
La metodología de enseñanza y aprendizaje para este curso online consiste en técnicas metodológicas activas, donde el participante puede interactuar con sus pares y profesor-tutor a través de los recursos tecnológicos que provee la plataforma educativa virtual provista para el curso.
- Profesionales que necesiten extraer conocimiento desde diferentes fuentes de información.
- Interesados en el área de Ciencia de Datos que deseen adquirir habilidades para procurar los datos de entrada al proceso de análisis.
- Es obligatorio contar con conocimientos de programación, específicamente en lenguaje Python. Para cumplir con este requisito será necesario cumplir con una de estas alternativas:
- Acreditar por medio de algún certificado la realización previa de algún curso de Python, ya sea de pregrado, postgrado o capacitación. Ejemplos de cursos de capacitación:
▪ 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/
▪ Curso “Herramientas avanzadas de programación en Python para procesamiento de datos”, disponible en el siguiente link: https://teleduc.uc.cl/curso/herramientas-avanzadas-de-programacion-en-python-para-procesamiento-de-datos/
- Aprobar una prueba de diagnóstico diseñada por el Jefe de Programa del curso.
Es deseable contar con algún grado de conocimiento
- Comprender los conceptos fundamentales de Minería da Datos
- Aplicar técnicas de extracción de conocimiento para análisis de datos.
- Aplicar algoritmos para encontrar patrones, establecer agrupaciones y clasificar datos.
- Comprender los fundamentos básicos de Aprendizaje de Máquina.
DESGLOSE
Horas cronológicas: 27; Créditos: 5
Resultados del Aprendizaje
Al finalizar el curso el alumno será capaz de:
- Conocer y comprender las principales teorías y prácticas de la emergente área de Minería de Datos
- Aplicar reglas de asociación para encontrar relaciones en un set de transacciones.
- Desarrollar soluciones a problemas reales de Big Data y ciencia de datos que involucren la necesidad de técnicas de Minería de Datos como árboles de decisión y clustering.
- Implementar soluciones usando herramientas de software de Minería de Datos aplicándolas en datos reales.
Contenidos:
- Conceptos fundamentales de Minería de Datos
- Preparación de datos y reducción de información
- Reglas de Asociación
- Algoritmos de Clasificación
- Algoritmos de Clustering y medidas de similaridad
- Selección de modelos e introducción a Machine Learning
Metodología de enseñanza y aprendizaje:
La modalidad de capacitación es e-learning asincrónica, por lo que los participantes accederán a una plataforma educativa virtual (LMS). Las actividades se desarrollan en forma remota, lo que permite entregar flexibilidad en los horarios, de manera que cada participante pueda distribuir su tiempo y ser autónomo en su proceso de aprendizaje. No obstante, el proceso de enseñanza-aprendizaje se acompañará con un tutor, quien tendrá un rol de mediador y facilitador, ofreciendo apoyo a los participantes en aspectos técnicos y también administrativos durante la actividad de capacitación
Respecto a las estrategias de enseñanza - aprendizaje, se utilizarán videoclases, screencast y clases interactivas para la presentación de contenidos y actividades de aplicación que serán desarrolladas a partir de cuestionarios y tareas, dirigidas a que los participantes resuelvan problemas/situaciones aplicando los conocimientos aprendidos y comprobar la comprensión de los contenidos a través de test automáticos.
Los participantes también contarán con foros abiertos de consulta, como apoyo a su proceso de aprendizaje, donde podrán interactuar con sus pares y tutor.
Evaluación de los aprendizajes:
- Tres pruebas on-line, todas de igual ponderación (40% en total)
- Tres actividades de aplicación, la tercera con doble ponderación (60% en total)
JEFE DE PROGRAMA
Jaime Navón Cohen
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.
EQUIPO DOCENTE
Dr. Mauricio Arriagada Benítez
Doctor en Ciencia de la Ingeniería, Pontificia Universidad Católica de Chile – Chile , Master en Ciencias de la Ingeniería de la Pontificia Universidad Católica de Chile – Chile, Ingeniero Civil en Computación e Informática, Universidad de Tarapacá – Chile. Master in Computer Science, University of Northern Iowa – USA. Master en Ingeniería de Software, Universidad de Tarapacá – Chile. Director Magister en Procesamiento y Gestión de Información (MPGI) UC.
* 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.
- Calificación mínima del curso 4,0 en su promedio ponderado.
En el caso de los programas en modalidad en línea, los estudiantes tendrán que cumplir con la calificación mínima de 4.0 y con los requisitos establecidos para cada programa.
Los participantes que aprueben las exigencias del programa recibirán un certificado de aprobación digital otorgado por la Pontificia Universidad Católica de Chile.
El participante que no cumpla con la exigencia reprueba automáticamente sin posibilidad de ningún tipo de certificación.
BIBLIOGRAFÍA
- Data Mining: Practical Machine Learning Tools and Techniques, Ian H. Witten, Eibe Frank
- Data Mining: Concepts and Techniques, Jiawei Han and Micheline Kamber.
- Inmon, W.H., ”Building the DataWarehouse”, John Wiley and Sons; 3th edition, 2002.
- Berry, M. and Linoff, G., ”Data Mining Techniques for Marketing, Sales and Customer Support”, Wiley, 1997.
Las personas interesadas deberán enviar los documentos que se detallan más abajo al correo programas@ing.puc.cl.
- Fotocopia Carnet de Identidad.
El postular no asegura el cupo, una vez aceptado en el programa, se debe cancelar o documentar el valor, para estar matriculado.
VACANTES: 50
“No se tramitarán postulaciones incompletas”.
El Programa se reserva el derecho de suspender la realización del 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.
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.