Diplomado en Ciencia de datos para la gestión

Docente(s): Jaime Navón

Unidad académica responsable: Escuela de Ingeniería

Requisitos: Sin prerrequisitos

Créditos: 4

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

Descripción del curso

El punto de partida para el trabajo de análisis de datos es obtenerlos desde las fuentes originales. Muchas veces están disponibles en forma de datasets ya preparados y compuestos por un conjunto de archivos de texto (csv, tsv, etc); otras veces es necesario conectarse con algún motor de bases de datos (MySQL, PostgreSQL, SQLServer, etc) y extraerlos directamente desde allí. En ocasiones es necesario transformar los datos extraídos para luego volver a cargar la data ya transformada, en otro motor de bases de datos que es usado para análisis (almacén de datos o data warehouse). 

Los alumnos de este curso aprenderán los conceptos fundamentales asociados a las bases de datos, y a interactuar con un motor de bases de datos real, mediante el lenguaje standard SQL, para luego aprender cómo conectarse a un motor de bases de datos desde un programa Python para extraer y manipular la información. Finalmente, se aborda la interacción, también desde Python, con un motor de la categoría NoSQL como MongoDB o similar. 

La metodología de enseñanza y aprendizaje para este curso online, a través de la Plataforma de Clase Ejecutiva, 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. 

Resultados de aprendizaje

1. Describir las características de una base de datos relacional y una base de documentos. 
2.  Interactuar directamente con un motor de bases de datos desde la herramienta de administración. 
3. Escribir consultas simples utilizando el lenguaje SQL. 
4. Formular consultas simples de una base de datos relacional mediante el lenguaje standard SQL. 
5. Construir programas Python que se conecten a un motor de bases de datos información. 

Contenidos:

• Conceptos y familiarización con ambiente de trabajo 
  • Conceptos fundamentales de bases de datos 
  • El modelo relacional 
  • MySQL desde el Workbench 
• Crear una BD simple con solo dos tablas y poblarla con información 
  • Introducción al lenguaje SQL 
  • Creación de una base de datos desde Python 
  • Tablas y tipos de datos 
  • Creación de tablas desde Python 
  • Agregar y eliminar información a una tabla desde Python 
• SQL y Dataframes 
  • Introducción a Pandas y Dataframes 
  • SQL joins 
  • Transacciones en bases de datos 
  • Eliminación y modificación de filas en una tabla 
• Extracción de información más sofisticada de la BD con consultas más complejas y trabajo con Dataframes 
  • Operaciones de conjunto y cláusulas de agrupación 
  • Ordenamiento y agrupación 
  • Carga de contenido csv desde una API Web 
  • Procesamiento de un archivo en formato csv 
• Bases de datos NoSQL de documentos, MongoDB y JSON 
  • Bases de datos NoSQL 
  • ntroducción a MongoDB 
  • El formato JSON 
  • MongoDB desde Python 
• Extraer y procesar información JSON desde una BD MongoDB y desde una API en la Web y procesarla con un programa Python 
  • Conectando con MongoDB 
  • Interactuando con el motor MongoDB desde un programa 
  • Procesamiento de JSON desde Python 
  • Extracción de JSON desde una API Web 

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%

Docente(s): Mauricio Arriagada

Unidad académica responsable: Escuela de Ingeniería

Requisitos: Sin prerrequisitos

Créditos: 4

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

Descripción del curso

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.

Resultados de aprendizaje

1. Conocer y comprender las principales teorías y prácticas de la emergente área de Minería de Datos 
2. Aplicar reglas de asociación para encontrar relaciones en un set de transacciones. 
3. 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. 
4. Implementar soluciones usando herramientas de software de Minería de Datos aplicándolas en datos reales. 

Contenidos:

• Conceptos sobre Data Warehouse y uso de Dataframes 
• Procesamiento y consolidación de datos. 
  • Preprocesamiento de datos 
  • Selección y transformación de datos 
• Reglas de asociación 
• Aplicación de los algoritmos Random Forest y KNN 
  • Árbol de decisión 
  • KNN 
  •  Random Forest 
• Aplicación de los algoritmos K-Means y DBSCAN 
  • Clustering 
  •  K-Means 
  • Clustering jerárquico 
• Introducción al Machine Learning 
  • Modelo de entrenamiento 
  • Métricas de evaluación 

Estrategias metodológicas 

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

Estrategias evaluativas 

• Controles individuales – 40% 
• Mini proyectos individuales – 60%

Docente(s): Denis Parras, Fernando Florenzano y Hernán Valdivieso

Unidad académica responsable: Escuela de Ingeniería

Requisitos: Sin prerrequisitos

Créditos: 4

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

Resultados de 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%

Docente(s): Cristián Rodríguez y Marco Ramírez

Unidad académica responsable: Escuela de Ingeniería

Requisitos: Sin prerrequisitos

Créditos: 4

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

Descripción del curso

La Inteligencia de Negocios se ha consolidado como una práctica fundamental para generar valor a partir de los datos. Tradicionalmente, esta práctica se ha centrado en procesos de integración, almacenes de datos corporativos y visualización de datos (reportes, dashboards). Sin embargo, la irrupción de la Inteligencia Artificial y la Ciencia de los Datos requiere una mirada fresca que permita aprovechar las nuevas oportunidades. En este curso se describe la Inteligencia de Negocios actual y la que está apareciendo. 

El curso parte con un resumen de los componentes y roles “clásicos” de la Inteligencia de Negocios. A continuación, se presentan los principales desafíos que han surgido producto de la aparición de nuevas tecnologías, soluciones y necesidades de análisis de información. Se presentará una plataforma de análisis de datos moderna que frente a estos desafíos. Posteriormente pasaremos del mundo técnico al mundo más de gestión y personas. Hablaremos de Agilidad en Inteligencia de Negocios, de Gobierno y Calidad de Datos, de la necesidad de Pensamiento Analítico como base para la generación de valor. Luego, analizaremos la aparición del rol de Traductor Analítico y su importancia. Para cerrar, y considerando todos los puntos vistos en el curso, se presentará una visión moderna (y futura) de la Inteligencia de Negocios. 

La metodología de enseñanza y aprendizaje 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. 

Contenidos 

• Módulo 1: Conceptos de inteligencia de negocios 
  • Conceptos de inteligencia de negocios 
  • Plataforma clásica de inteligencia de negocios 
  • Nuevas tendencias que impactan la inteligencia de negocios 
  • Herramientas: introducción 
  • Herramientas: primeros pasos 
  • Herramientas: elementos reporte I 
• Módulo 2: Plataforma moderna de inteligencia de negocios 
  • Desafíos de inteligencia de negocios actual 
  • Presentación plataforma moderna de análisis de datos 
  • Componentes plataforma moderna de análisis de datos 
  • Centralización vs descentralización 
  • Herramienta: Elementos reporte II 
  • Herramienta: campos calculados 
• Módulo 3: Agilidad y gobierno en inteligencia de negocios 
  • Agilidad en inteligencia de negocios 
  • Introducción al gobierno de datos 
  • Roles asociados al gobierno de los datos 
  • Desafíos del gobierno de los datos 
  • Herramientas: agregar información al modelo 
• Módulo 4: Calidad de datos 
  • Introducción a la calidad de datos 
  •  Metodología de calidad de datos 
  • Desafíos de la calidad de datos 
• Módulo 5: Pensamiento analítico 
  • Introducción al pensamiento analítico  
  •  Pensamiento analítico y el valor de los datos 
  • Pensamiento analítico 
  • El nuevo rol del traductor analítico 
• Módulo 6: El futuro de la inteligencia de negocios 
  • Próximos años: principales desafíos 
  • El rol de los gerentes y directivos de la organización 
  • El (probable) invierno analítico 

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%