Aplicaciones de machine learning y ciencia de datos

Patricio Cofré

Master of Engineering Management, Northwesten University, Chicago, IL. Magíster en Ciencias de Ingeniería de la Pontificia Universidad Católica de Chile. Ingenierro Eléctrico de la Pontificia Universidad Católica de Chile. Diplomas en Data Science de University of Columbia y Professional Certification en Data Science de John Hopkins. Cofundador de Metric Arts ahora parte de EY.

* 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; y de asignar al docente que dicta el programa según disponibilidad de los profesores.

El presente curso está diseñado para abordar las temáticas asociadas a ciencia de datos y machine learning desde la perspectiva de las aplicaciones en el mundo de los negocios y otros. El curso comienza con una revisión de las técnicas básicas para pasar rápidamente a revisar aplicaciones interesantes, apreciar las oportunidades y entender sus dificultades y limitaciones. Los alumnos aprenderán a utilizar técnicas y herramientas de aprendizaje supervisado y no supervisado para el descubrimiento de asociaciones, correlaciones o dependencias que pueden ser importantes la toma de decisiones.

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.

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/.

1. Conocer y comprender las principales técnicas y herramientas asociadas a la ciencia de datos y el aprendizaje de máquina.
2. Analizar las oportunidades de aplicación que la ciencia de datos y el aprendizaje de máquina ofrecen, así como los principales desafíos y limitaciones que existen hoy en día.

Horas cronológicas: 75 (35 directas)

Créditos: 5

Resultados del Aprendizaje

1. Identificar los principales conceptos y técnicas asociados a Machine Learning y ciencia de datos.
2. Reconocer la importancia y los principales desafíos de los datos.
3. Asociar las diversas técnicas con oportunidades de aplicación en los negocios.
4. Examinar las dificultades y oportunidades en la aplicación de técnicas de ciencia de datos y aprendizaje de máquina.

Contenidos:

• Conceptos de inteligencia de negocios y de minería de datos.
• Conceptos de ciencia de datos y de machine learning.
• Aplicación al ámbito de transacciones estructuradas.
• Aplicación al ámbito de aplicaciones de texto, audio y video.
• Aprendizaje supervisado, aprendizaje no supervisado y aprendizaje reforzado.
• Aplicaciones de aprendizaje supervisado, aprendizaje no supervisado y aprendizaje reforzado.
• Estudio de casos: seguros, banca, retail, calidad del aire, transporte, compras públicas, finanzas, astronomía.

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 resuelver 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 del 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.

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)

BIBLIOGRAFÍA

• Ben Lorica & Paco Nathan. AI Adoption in the Enterprise. O'Reilly Media 2019.
• Doug Hudgeon & Richard Nichol. Machine Learning for Busuness. Manning Publications 2020.
• Hector Cuesta, Sampath Kumar. Practical Data Analysis, 2nd Ed. Packt Publishing 2016.
• Stylianos Kampakis. The Decision Maker’s Handbook to Data Science, 2nd Ed. APress 2020.

• 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.

*En caso de que un alumno repruebe un curso perteneciente a un diplomado, en Educación Profesional Ingeniería UC ofrecemos la oportunidad de realizar un nuevo intento. Para ejercer este derecho, el alumno deberá pagar un valor de 3 UF por curso, e indicar la fecha de la versión en la que desea matricularse. La gestión debe realizarse dentro de un máximo de 2 años a contar de la fecha de inicio del diplomado original, y es factible para un máximo de 2 cursos por diplomado. 

Las personas interesadas deberán completar la ficha de postulación que se encuentra al costado derecho de esta página web y enviar los siguientes documentos al momento de la postulación o de manera posterior a la coordinación a cargo: 

• Fotocopia Carnet de Identidad.

El postulante será contactado, para asistir a una entrevista personal (si corresponde) con el Jefe de Programa del Diplomado o su Coordinadora Académica. Cualquier información adicional o inquietud podrás escribir al correo programas@ing.puc.cl.

VACANTES: 40

INFORMACIONES RELEVANTES

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