Diplomado en Ciencia de Datos para la Gestión - Online*

El Diplomado online en Ciencia de Datos para la Gestión tiene como propósito entregar los conocimientos y las herramientas para sacar partido de la revolución de la inteligencia artificial en el ámbito de la gestión y de los negocios. 


Descripción

Este diplomado está orientado a la gente que quiere adquirir las competencias fundamentales de Ciencias de Datos pero que no necesariamente tiene una base matemática ni tampoco se interesa por los detalles de los algoritmos, sino mas bien en la forma de ponerlo en práctica en los negocios y las organizaciones. 

Todo trabajo en ciencia de datos comienza con la obtención de los datos, y una de las principales fuentes son las bases de datos. Un curso de Python y base de datos te entregará las competencias para interactuar con un motor relacional o un motor noSQL desde un programa Python. El curso de Minería de Datos y Machine Learning, enseña las principales técnicas, algoritmos y métodos que permiten utilizar los datos para entender qué está sucediendo y obtener insights que permitan tomar mejores decisiones. El foco del curso de visualización apunta a ser capaces de producir visualizaciones efectivas desde una montaña de datos muy difíciles de entender. Por último, el curso de Presente y Futuro de la Inteligencia de Negocios, permite poner todo en la perspectiva de los negocios, entregando una visión muy amplia de lo que es y a qué apunta la Inteligencia de Negocios hoy en día. 

El formato del Diplomado en Ciencia de Datos para la Gestión es 100% en línea y se estructura sobre cuatro cursos que utilizan técnicas metodológicas activas. Gracias a estas últimas, el participante puede interactuar con sus pares y profesor-tutor a través de los recursos tecnológicos que provee la plataforma educativa virtual.

Dirigido a
  • Profesionales interesados en adquirir competencias en el área de Ciencia de Datos para aplicarlos en la gestión o la transformación digital de los negocios.
Prerrequisitos

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:

Es deseable contar con algún grado de conocimiento matemático (algebra lineal, estadística básica y cálculo).

Objetivo de aprendizaje
  • Diseñar y construir programas en lenguaje Python capaces interactuar con un motor de bases de datos para extraer y modificar información, y aplicar algoritmos y técnicas de minería de datos en el contexto de una analítica descriptiva y predictiva.
  • Presentar en forma gráfica la información de modo que pueda ser comprendida rápidamente.
  • Aplicar técnicas y enfoques de inteligencia de negocios para una gestión guiada por datos en el proceso de transformación digital.
Desglose de cursos

Nombre del curso: Python y Bases de Datos

Nombre en inglés: Python and Databases   

Horas cronológicas: 35; Créditos: 5 

Resultados del Aprendizaje

-                 Describir las características de una base de datos relacional y una base de documentos.

-                 Interactuar directamente con un motor de bases de datos desde la herramienta de administración.

-                 Escribir consultas simples utilizando el lenguaje SQL.

-                 Agregar, eliminar información y formular consultas simples de una base de datos relacional mediante el lenguaje standard SQL.

-                 Construir programas Python capaces de conectarse a un motor de bases de datos para extraer o registrar información. 

Contenidos:

-                 Conceptos fundamentales de bases de datos.

-                 El modelo relacional.

-                 El lenguaje de consultas estándar SQL.

-                 Interacción directa con una base de datos relacional usando SQL.

-                 Conectores y librerías Python para trabajo con Bases de Datos relacionales.

-                 Extracción directa de información desde un programa Python.

-                 La librería Pandas y el concepto de Dataframe.

-                 Extracción de información de mediana complejidad desde un programa Python.

-                 Modificación y eliminación de información de la base de datos desde Python.

-                 El modelo de documentos.

-                 El formato JSON.

-                 Interacción con una base de datos de documentos desde un programa Python. 

Metodología de enseñanza y aprendizaje:

La metodología se presenta más adelante ya que para todos los cursos es la misma. 

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)

 

Nombre del curso: Introducción a Minería de Datos y Machine Learning

Nombre en inglés: Introduction to Data Mining and Machine Learning   

Horas cronológicas: 35Créditos: 5 

Resultados de Aprendizaje

-                 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 metodología se presenta más adelante ya que para todos los cursos es la misma. 

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)

 

Nombre del curso: Visualización de Información en la Era de Big Data

Nombre en inglés: Information Visualization in the era of Big Data   

Horas cronológicas: 35; Créditos: 5 

Resultados de Aprendizaje

-                 Analizar y evaluar visualizaciones de información existentes, así como proponer mejoras.

-                 Identificar relaciones entre tipos de datos, tareas de visualización y tipos de gráficos para diseñar visualizaciones de información.

-                 Diseñar e implementar en lenguaje Python gráficos simples y avanzados usando datasets tabulares.

-                 Diseñar e implementar en lenguaje Python gráficos usando datasets de red.

-                 Diseñar e implementar en lenguaje Python gráficos para visualizar datos de texto y espaciales. 

Contenidos:

-                 Ejemplos históricos de Visualización de datos.

-                 Conceptos fundamentales de visualización de información.

-                 Funciones básicas de matplotlib y seaborn.

-                 Modelo anidado de Mundzner de 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. 

Metodología de enseñanza y aprendizaje:

La metodología se presenta más adelante ya que para todos los cursos es la misma. 

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)

 

Nombre del curso: Presente y Futuro de la Inteligencia de Negocios

Nombre en inglés: Business Intelligence: Present and Future   

Horas cronológicas: 35; Créditos: 5 

Resultados de Aprendizaje

  • Comprender las características de una plataforma moderna de análisis de datos y los desafíos de la forma actual de hacer Inteligencia de Negocios.
  • Utilizar los principios de agilidad aplicados a los proyectos de inteligencia de negocios.
  • Identificar los principios y roles básicos asociados al Gobierno de Datos.
  • Comprender la importancia del pensamiento analítico.
  • Identificar las características e importancia del rol de Traductor Analítico. 

Contenidos:

-                 Estado actual de la inteligencia de negocios.

-                 Plataforma Moderna de Análisis de Datos.

-                 Centralización vs Descentralización.

-                 Desafíos de la Inteligencia de Negocios actual.

-                 El rol de la Agilidad en la Inteligencia de Negocios.

-                 Principios de Gobierno de Datos.

-                 Roles asociados al Gobierno de Datos.

-                 Introducción a la Calidad de Datos.

-                 El pensamiento analítico como base de la creación de valor a partir de los datos.

-                 El nuevo rol del Traductor Analítico.

-                 Uniendo Todo: Inteligencia de Negocios para una nueva década. 

Metodología de enseñanza y aprendizaje:

La metodología se presenta más adelante ya que para todos los cursos es la misma. 

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)

 

Nota: El orden de los cursos dependerá de la programación que realice la Dirección Académica

 

Equipo Docente

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

Mauricio Arriagada

Doctor en Ciencias de la Ingeniería, Pontificia Universidad Católica de Chile. Master in Computer Science, University of Northern Iowa (USA). Master en Ingeniería de Software e Ingeniero Civil en Computación e Informática, Universidad de Tarapacá (Chile). 

Fernando Florenzano

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

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. 

Denis Parra

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

Cristián Rodríguez

Ingeniero Civil de Industrias UC con Mención en Tecnologías de la Información, Profesor Diplomado Inteligencia de Negocio, Profesor Magíster en Tecnologías de la Información y Gestión - Escuela de Ingeniería UC. Cofundador en Archetype, empresa consultora fundada el año 2016 y especializada en el área de Inteligencia de Negocios, Análisis de Negocios y Gestión Estratégica con Inteligencia de Negocios (Enterprise Performance Management). 

Hernán Valdivieso

Estudiante de Magíster en el Departamento de Ciencia de la Computación, Escuela de Ingeniería, Pontificia Universidad Católica de Chile. 

* 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.

Metodología

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. 

Al inicio de cada curso se contará con una clase sincrónica en formato streaming, en que el jefe de programa o un profesor del programa, introducirán a los alumnos en las materias a abordar. 

Requisitos de aprobación

La Nota final del diplomado se calculará de acuerdo a la siguiente ponderación de los cursos: 

Curso: Python y Bases de Datos                                                          25%

Curso: Introducción a Minería de Datos y Machine Learning                   25%

Curso: Visualización de Información en la Era de Big Data                     25%

Curso: Presente y Futuro de la Inteligencia de Negocios                        25%

 

Los alumnos deberán ser aprobados de acuerdo a los siguientes criterios: 

a)              Calificación mínima de todos los cursos 4,0 en su promedio ponderado y

b)             75% de asistencia o cifra superior a las sesiones presenciales. 

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. 

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 digital 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
  • Beaulieu, A. (2009). Aprende SQL, Anaya Multimedia-Anaya Interactiva. 2da Edición en español.
  • González, R. (2008). Python para todos. Creative Commons Reconocimiento 2.5 España. Descargable en http://mundogeek.net/tutorial-python/
  • González, P. (2014). Fundamentos de Bases de Datos con MySQL (Spanish Edition). Edición eBook Amazon Digital Services.
  • Hastie, T., Tibshirani, R., Friedman, J., The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2nd Ed.), Springer, 2009.
  • Lukaszewski, A. (2010) MySQL for Python, Packt Publishing.
  • Munzner, Tamara, Visualization Analysis and Design. A K Peters Visualization Series, CRC Press, 2014.
  • Tan Pang-Ning, Steinbach, M., Karpatne, A., Kumar, V. Introduction to Data Mining, 2nd Ed, Pearson 2019.
  • Ward, Matthew, Grinstein, Georges and Keim, Daniel Interactive Data Visualization: Foundations, Techniques, and Applications, A K Peters Visualization Series, CRC Press, 2010.
Proceso de Admisión

Las personas interesadas deberán enviar los documentos que se detallan más abajo al correo programas@ing.puc.cl.

  • Fotocopia Carnet de Identidad.
  • Fotocopia simple del Certificado de Título o del Título.
  • Curriculum Vitae actualizado.

-                 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.

SOLICITAR MÁS INFORMACIÓN
POSTULA AQUÍ

Mantente conectado a nuestras redes sociales