Educación Continua
El presente diplomado entrega herramientas en data science para implementar soluciones de inteligencia de datos en la gestin y procesos de toma de decisiones. Los softwares que se utilizan en el programa son R, Python, Power BI y Tableau.
30% de descuento hasta 15 de enero del ao 2021 (vlido al momento de matrcula).
Convenio Marco: 1610601
El programa contar con dos versiones. Los postulantes pueden seleccionar una de las dos modalidades.
Modalidad online - clases en vivo:
Lunes y mircoles de 18:30-21:30 horas (inicio 19 de abril)
- Primer semestre streaming-clases en vivo.
- Segundo semestre streaming-clases en vivo.
Modalidad semipresencial:
Martes y jueves de 18:30-21:30 horas (inicio 20 de abril)
- Primer semestre streaming-clases en vivo.
- Segundo semestre 100% presencial.
POSTULA AQU A VERSIN SEMIPRESENCIAL:
https://educacioncontinua.uc.cl/40675-ficha-diplomado-en-data-science
El desarrollo cientfico y tecnolgico ha favorecido el acceso cada vez a ms y mejor informacin y producto de eso hoy existe una abundancia de datos. Gracias a la disponibilidad de dispositivos y aparatos tecnolgicos, hoy se realizan mediciones de mltiples variables y mediante algoritmos computacionales, se procesan grandes volmenes de informacin. Todo este fenmeno tecnolgico, cientfico y matemtico se conoce como big data, desarrollo que ha abierto la puerta de acceso a volmenes insospechados de informacin.
As como el big data presenta infinitas potencialidades, tambin requiere de abordar importantes desafos para su uso, siendo uno de los ms importantes, el saber qu hacer con tantos datos, otorgarle un sentido a dicha informacin y utilizarla adecuadamente para construir innovaciones orientadas al desarrollo del conocimiento cientfico, social y econmico.
Para abordar este desafo, surge el data science o ciencia de datos, actividad que mediante el uso de diversas herramientas matemticas y estadsticas permite analizar, integrar, crear modelos y patrones y desarrollar diferentes procesos con los datos que permitan comprender los ms diversos fenmenos. De esta forma el big data, transforma los datos en informacin, el data science transforma la informacin en conocimiento.
La principal fortaleza del data science, es que no restringe su desarrollo slo a matemticos o informticos, sus herramientas pueden ser de dominio de profesionales de las ms diversas disciplinas, favoreciendo el trabajo inter y multidisciplinario, pues aporta una visin sistmica para comprender el comportamiento de sistemas complejos.
El presente diplomado en data science entrega herramientas tcnicas y metodolgicas para que profesionales de las ms diversas disciplinas puedan realizar procesos de anlisis de datos, disear modelos matemticos y estadsticos y generar aplicaciones que les permitan hacer inteligencia con los datos e informacin en diversos mbitos de aplicacin.
El diplomado se compone de 5 cursos, un primer curso introductorio a los fundamentos de la ciencia de datos y big data, un segundo curso que aborda los contenidos de estadstica necesarios para data science, un tercer curso que entrena en el uso de herramientas computacionales para desarrollar aplicaciones en data science, un cuarto curso que desarrolla competencias para uso de tecnologas que permitan la visualizacin de datos, y el curso final que entrega herramientas para la aplicacin de ciencia de datos en diferentes disciplinas, donde se abordan contenidos ms especializados, de tal forma que los participantes puedan implementar procesos inteligencia en la gestin empresarial, pblica, tecnolgica, y en diversos campos de aplicacin.
Ingenieros Civiles y de Ejecucin de los diversos mbitos de especializacin, Ingenieros Comerciales, Economistas, Administradores Pblicos, Psiclogos, Socilogos, y en general, profesionales de diversas disciplinas que se desempean en reas de gestin de empresas o mbito pblico, de diferentes rubros.
Profesional universitario, licenciatura, egresado de instituto profesional, con al menos un ao de experiencia laboral en reas de gestin en empresas de diferentes rubros.
Los objetivos generales de este diplomado son:
- Comprender los fundamentos tericos y conceptuales del big data y la ciencia de datos, como herramienta tecnolgica para la gestin.
- Conocer mtodos y modelos matemticos y estadsticos fundamentales para el desarrollo de soluciones de data science.
- Emplear herramientas computacionales y de programacin para data science.
- Reconocer los requerimientos tecnolgicos y de visualizacin para grandes volmenes de datos.
- Aplicar herramientas tcnicas y metodolgicas para disear e implementar tcnicas de data science en procesos de anlisis y toma de decisiones.
Curso 1: Fundamentos de la ciencia de datos.
Horas lectivas: 25 horas cronolgicas
Crditos: 5
Objetivos especficos:
- Conocer el concepto de big data y su desarrollo.
- Descubrir los campos de aplicacin del big data.
- Distinguir los objetivos de la ciencia de datos y sus aplicaciones.
- Reconocer la relacin entre data science e innovacin.
Contenidos:
- Introduccin
- Evolucin de la ciencia y la tecnologa.
- De la falta de datos al exceso de informacin.
- El big data como desarrollo tecnolgico de los datos.
- Los desafos del big data. - La ciencia de datos.
- Qu es el Data Science?
- Qu hace un Data Scientist?
- Aplicaciones de Data Science
- Desafos ticos del Data Science - Data Science e Innovacin
- Porqu el Data Science se relaciona con la innovacin?
- Innovar a partir de los datos.
- Datos para detectar y crear necesidades.
Evaluaciones:
- Quiz: Conceptos de data science 50%
- Taller prctico de diseo de una solucin innovadora basada en datos 50%.
Curso 2: Herramientas Estadsticas y Forecast
Horas lectivas: 35 horas cronolgicas
Crditos: 7
Objetivos Especficos:
- Utilizar las principales herramientas de estadstica descriptiva y estimacin.
- Implementar correctamente usos de grficos y clasificacin.
- Distinguir las diferencias entre eventos probabilsticos y determinsticos.
- Aplicar los conceptos de error y experimentar modelos estadsticos y prediccin.
Contenidos:
- Estadstica Descriptiva
- Introduccin.
- Tablas de frecuencia.
- Estadsticos descriptivos.
- Conceptos de posicin y dispersin.
- Grficos estadsticos
- Aplicaciones e interpretacin - Probabilidades.
- Contexto matemtico.
- Muestra y poblacin.
- Modelos de probabilidad usual. - Inferencia
- Principios de estimacin.
- Estimacin por intervalos.
- Pruebas de hiptesis.
- Aplicaciones e interpretacin. - Modelo Lineal
- Anlisis de varianza (ANOVA).
- Regresin lineal simple y mltiple.
- Anlisis de residuos
- Introduccin a los modelos lineales generalizados.
- Regresin logstica y otros modelos. - Forecast
- Introduccin a las series de tiempo.
- Anlisis de series cronolgicas financieras.
- Aplicaciones de prediccin temporal.
Evaluaciones:
- Taller de Estadsticas descriptivas (25%)
- Taller prctico de inferencia (25%)
- Taller prctico de anlisis de regresin lineal (25%)
- Taller de aplicacin de forecast (25%)
Curso 3: Herramientas computacionales y Machine Learning.
Horas lectivas: 35 horas cronolgicas
Crditos: 7
Objetivos especficos:
- Manejar las principales funcionalidades y usos del software R.
- Utilizar y programar funciones, procesos recursivos y mtodos de auto aprendizaje.
- Aplicar modelos estadsticos ms usuales en descripcin de datos.
- Identificar caractersticas de grandes volmenes de datos y manejo de dimensionalidad.
- Determinar mtodos estadsticos en la clasificacin de registros y validar los modelos estadsticos para el uso en datos.
Contenidos:
- Introduccin a la programacin.
- Instalacin y primeros pasos del programa R.
- Creacin y manipulacin de objetos.
- Abrir y guardar bases de datos. - Procesos en conjunto de datos.
- Operaciones.
- Estructuras de control.
- Mtodos recursivos.
- Funciones.
- Descripcin de datos y usos de filtros.
- Simulacin de variables aleatorias y determinsticas.
- Aplicaciones en datos pblicos y privados. - Machine Learning.
- Reduccin de dimensionalidad.
- Mtodos de clasificacin.
- Mtodos de agrupamiento.
- Procesos de mquina y ajuste.
Evaluaciones:
- Taller de aplicacin en exploracin de datos (30%)
- Taller prctico de estructuras estadsticas (30%)
- Taller de Machine Learning (40%)
Curso 4: Herramientas tecnolgicas para visualizacin de datos.
Horas lectivas: 25 horas cronolgicas
Crditos: 5
Objetivos especficos:
- Distinguir las herramientas ms importantes para la manipulacin de datos depurados.
- Dominar conceptos bsicos de programacin, informtica y metodologa para visualizacin.
- Emplear los principales softwares interactivos de visualizacin de datos.
- Determinar y reconocer los correctos y diversos usos de grficos.
Contenidos:
- Introduccin a Power BI
- Instalacin, generacin de cuentas.
- Manipulacin de objetos
- Generacin de grficos
- Generacin de cuadros interactivos. - Introduccin a Tableau
- Instalacin, generacin de cuentas.
- Manipulacin de objetos
- Generacin de grficos
- Generacin de cuadros interactivos.
- Anlisis de tablas relacionales
- Dashboard integrados. - Aplicaciones
- Introduccin de R- Markdown
- Uso de libreras Shiny de R
- Creacin de cuadros dinmicos
- Creacin de apps dinmicas
Evaluaciones:
- Taller prctico que contempla el realizar un proyecto de visualizacin de datos informativo, mediante uso de software especializado (100%.)
Curso 5: Aplicaciones de Data Science.
Horas lectivas: 30 horas cronolgicas
Crditos: 6
Objetivos especficos:
- Conocer el concepto de business analytics.
- Entender los alcances y ventajas del Data Science en Banca y Mercados Financieros.
- Aplicar herramientas y tcnicas para realizar anlisis de informacin.
- Analizar casos de uso y aplicaciones de data science en gestin y texto.
Contenidos:
- Aplicaciones de Data Science desde Business Intelligence.
- Aplicaciones en el mbito bancario.
- Aplicaciones en mbito de finanzas.
- Aplicaciones en mbito de marketing.
- Aplicaciones en evaluacin de impacto.
- Aplicaciones en anlisis de datos no estructurados y texto.
Evaluaciones:
- 5 talleres de aplicaciones presenciales (20%)
JEFE DE PROGRAMA
Wilfredo Palma Manrquez
Profesor Titular Departamento de Estadstica, Facultad de Matemticas, Pontificia Universidad Catlica de Chile.
Ingeniero Matemtico, Universidad de Chile.
Ph. D. en Estadstica, Carnegie Mellon University, USA.
Director DATA UC, Unidad de Estudios Estadsticos de la Pontificia Universidad Catlica 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 ms de 30 publicaciones cientficas en el rea de series de tiempo y modelos estadsticos.
EQUIPO DOCENTE
Alvarado Celis, Ana Mara
Profesora Instructor Adjunto Departamento de Estadstica, Facultad de Matemticas UC Magster en Estadstica, Pontificia Universidad Catlica de Chile.
Alvear Leyton, Alexis
Director Ejecutivo de DATA UC
Magster en Gestin de Negocios, Universidad de Sevilla, Espaa.
Aravena Cuevas, Ricardo
Profesor Asociado Adjunto Departamento de Estadstica, Facultad de Matemticas UC Magster en Estadstica, Pontificia Universidad Catlica de Chile.
Bravo Mella Mnica
Profesora Instructor Adjunto Departamento de Estadstica, Facultad de Matemticas UC Licenciada en Estadstica, Pontificia Universidad Catlica de Chile.
Galea Rojas Manuel
Profesor Asociado Departamento de Estadstica, Facultad de Matemticas UC Doctor en Estadstica, Universidad de Sao Paulo.
Kuncar Campbell Francisco
Profesor Asistente Adjunto Departamento de Estadstica, Facultad de Matemticas UC Magster en Estadstica, Pontificia Universidad Catlica de Chile.
Muoz Araya Miguel
Ingeniero Comercial Pontificia Universidad Catlica de Chile Diplomado en Inteligencia de Negocios Universidad de Chile.
Molina Nez, Alonso
Estadstico, Pontificia Universidad Catlica de Chile
Magster en Estadstica, Pontificia Universidad Catlica de Chile
Olea Ortega Ricardo
Profesor Asistente Adjunto Departamento de Estadstica, Facultad de Matemticas UC Doctor en Estadstica, Pontificia Universidad Catlica de Chile.
Palma Manrquez Wilfredo
Profesor Titular Departamento de Estadstica, Facultad de Matemticas UC Ph. D. en Estadstica, Carnegie Mellon University.
San Martn Gutirrez Ernesto
Profesor Asociado Departamento de Estadstica, Facultad de Matemticas UC Ph.D. in Sciences, Universit Catholique de Louvain.
Vega Ricardo
Profesor Asistente Adjunto Escuela de Diseo UC
Diseador y Artista, MFA Technology (Parsons, The New School, Nueva York).
- Clases tericas expositivas y con espacios para discusin y reflexin de contenidos. Talleres de aplicacin de tcnicas y metodologas para entrenamiento de competencias.
- Desarrollo de laboratorios de computacin con la aplicacin de modelos y mtodos en software especializado.
- Desarrollo y anlisis de casos de estudio para identificar experiencias exitosas de implementacin. Talleres y laboratorios de aplicacin mediante uso de bases de datos reales.
El promedio final del diplomado ser 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: Aplicacin de los principios y fundamentos de la ciencia de datos: 20%
Curso 2: Herramientas Estadsticas y Forecast: 20%
Curso 3: Herramientas computacionales y Machine Learning: 20%
Curso 4: Herramientas tecnolgicas para visualizacin de Datos: 20%
Curso 5: Aplicaciones en Data Science: 20%
Para aprobar el diplomado, el alumno debe cumplir con dos requisitos:
- Un mnimo de asistencia de 75% a todo evento.
- Requisito acadmico: Se cumple aprobando todos los cursos con nota mnima 4,0.
Nota: Las personas que no cumplan con el requisito de aprobacin no recibirn ningn tipo de certificacin.
- Para aprobar los programas de diplomados se requiere la aprobacin de todos los cursos que lo conforman y en el caso que corresponda, de la evaluacin final integrativa.
- Los alumnos que aprueben las exigencias del programa recibirn un certificado de aprobacin otorgado por la Pontificia Universidad Catlica de Chile.
- El alumno que no cumpla con una de estas exigencias reprueba automticamente sin posibilidad de ningn tipo de certificacin.
- 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 Elaboracin Propia.
Las personas interesadas debern completar la ficha de postulacin que se encuentra en www.educacioncontinua.uc.cl y enviar los siguientes documentos a la coordinacin del programa, el seor Sebastin Massa Slimming,al correo sebastian.massa@mat.uc.cl:
- Currculum vitae actualizado.
- Copia simple de ttulo o licenciatura.
- Certificado laboral.
VACANTES: 80
No se tramitarn postulaciones incompletas.
- El Programa se reserva el derecho de suspender la realizacin del diplomado/curso si no cuenta con el mnimo de alumnos requeridos. En tal caso se devuelve a los alumnos matriculados la totalidad del dinero en un plazo aproximado de 10 das hbiles.
- A las personas matriculadas que se retiren de la actividad antes de la fecha de inicio, se les devolver el total pagado menos el 10% del total del arancel.
Importante- Sobre retiros y suspensiones-
- La coordinacin del programa se reserva el derecho de suspender o reprogramar la realizacin de la actividad si no cuenta con el mnimo de alumnos requeridos o por motivos de fuerza mayor. En tal caso se devuelve a los alumnos matriculados la totalidad del dinero a la brevedad posible con un mximo de 10 das hbiles. La devolucin se efectuar con depsito en la cuenta (corriente o vista) que indique el alumno o a travs de un vale vista que deber ser retirado en cualquier sucursal del Banco Santander.
- A las personas matriculadas que se retiren de la actividad antes de la fecha de inicio, se les devolver el total pagado menos el 10% del valor del programa.* A las personas que se retiren una vez iniciada la actividad, se les cobrar las horas o clases cursadas o asistidas y materiales entregados a la fecha de la entrega de solicitud formal de retiro ms el 10% del valor del programa*
- La solicitud de retiro debe realizarse a la coordinacin a cargo y hasta antes de que el 50% de la actividad se haya desarrollado (Reglamento de alumno de Educacin Continua).
- En ambos casos la devolucin, demorar cmo mximo 15 das hbiles y se efectuar con depsito en la cuenta (corriente o vista) que indique el alumno o a travs de un vale vista que deber ser retirado en cualquier sucursal del Banco Santander. *El 10% corresponde al uso de vacante y se calcula en base al precio publicado, no el valor final pagado.
