Diplomado en Data-driven management: modelos y casos de negocio

Docente(s): Rodrigo Carrasco

Unidad académica responsable: Escuela de Ingeniería

Créditos: 4

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

Descripción del curso:

En este curso los alumnos aprenderán a utilizar herramientas de analítica prescriptiva para resolver problemas complejos y optimizar procesos de negocio. Tendrán la oportunidad de analizar datos y modelar escenarios que permitan tomar decisiones informadas, mejorando la eficiencia y efectividad en diversas áreas operativas. 

Además, se familiarizarán con técnicas de modelamiento y optimización, aplicando conceptos matemáticos y algoritmos para desarrollar soluciones innovadoras. El curso brindará un enfoque práctico, mediante el uso de casos de estudio reales y ejercicios interactivos que facilitarán la comprensión y aplicación de los conocimientos adquiridos.

Resultados de aprendizaje:

• Representar problemas reales de decisión mediante modelos matemáticos, utilizando herramientas en Python y Excel para resolverlos.  
• Identificar problemas que pueden ser representados con modelos lineales, resolviéndolos mediante el algoritmo Simplex.  
• Producir modelos de decisión con variables binarias en diferentes contextos como logística, gestión de personas o asignación de recursos, resolviendo problemas reales.  
• Identificar problemas que requieren modelos no lineales para representarlos, considerando su pertinencia y entendiendo las herramientas disponibles para resolverlos.  
• Utilizar técnicas avanzadas de modelamiento y optimización para dar soluciones robustas y confiables a problemas complejos.  
• Aplicar de manera integrada los conocimientos adquiridos para el desarrollo de un modelo de optimización basado en datos reales.  

Contenidos:

• Introducción a la analítica prescriptiva y optimización
  • La importancia de la analítica prescriptiva. 
  • Fundamentos de la optimización matemática. 
  • Proceso de análisis de problemas aplicados. 
  • Cómo transformar problemas reales en modelos matemáticos. 
  • Instalación y configuración de herramientas en Python. 
• Optimizando lo lineal: modelos y aplicaciones prácticas
  • Modelos lineales en acción. 
  • Cómo transformar problemas complejos en modelos lineales. 
  • Algoritmo Simplex y su relevancia. 
  • Dualidad y análisis de sensibilidad para decisiones estratégicas. 
• Decisiones Sí o No: Modelos con variables binarias
  • Modelado de decisiones binarias: hacer o no hacer. 
  • Aplicaciones clave en planificación y logística. 
  • Algoritmo Branch and Bound. 
  • Cómo resolver problemas reales con variables binarias. 
• Más allá de lo lineal: modelos no Lineales y sus aplicaciones
  • Cuando y por qué usar modelos no lineales. 
  • Cómo manejar las complejidades de la optimización no lineal. 
  • Modelos convexos y su importancia. 
  • Aplicaciones en finanzas y machine learning. 
• Desafíos del mundo real: modelado y resolución de problemas complejos
  • Técnicas avanzadas para modelar problemas complejos. 
  • Optimización estocástica y decisiones bajo incertidumbre. 
  • Optimización robusta: asegurando soluciones confiables. 
• De la teoría a la práctica: proyecto integrador en optimización
  • Aplicación de todo lo aprendido en un caso real. 
  • Desarrollo y presentación de un modelo de optimización. 
  • Evaluación y retroalimentación con datos reales. 

Estrategias Metodológicas:

El curso está constituido de seis clases e-learning y dos clases sincrónicas. 

• Aprendizaje autónomo asincrónico 
• Clase expositiva 
• Foro 
• Estudio de caso 

Estrategias Evaluativas:

• 6 controles individuales: (15%) 
• 3 foros: (25%) 
• 1 trabajo de aplicación final grupal: (30%) 
• 1 examen final global individual: (30%) 

Docente: Hernán Valdivieso

Unidad académica responsable: Escuela de Ingeniería

Créditos: 4

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

Descripción del curso:

El curso comienza abordando la problemática de la obtención, preparación y limpieza de datos, para luego adentrarse en las técnicas y algoritmos asociados a la Minería de Datos, como clasificación, clustering, entre otros. Además, se exploran algoritmos, técnicas y herramientas de Machine Learning.

Los estudiantes de este curso adquirirán conocimientos fundamentales sobre Minería de Datos, comprendiendo las diversas fuentes de información a utilizar, revisando el preprocesamiento de datos y aplicando técnicas de extracción de conocimiento. Esto incluye el uso de reglas de asociación, árboles de decisión, algoritmos de clasificación y la evaluación de clasificadores, junto con una introducción al aprendizaje de máquina.

El enfoque del curso es práctico, privilegiando la experimentación mediante herramientas y entornos que permiten ejecutar y analizar ejemplos preconfigurados. Los estudiantes modificarán parámetros, observarán los efectos de dichos cambios y reflexionarán sobre su impacto en la calidad del modelo y la extracción de conocimiento.

Al finalizar el curso, los estudiantes comprenderán los principios teóricos y prácticos que sustentan las principales técnicas utilizadas en la minería de datos y el aprendizaje de máquina, pudiendo analizar sus resultados, evaluar su aplicabilidad en distintos contextos y reconocer sus potencialidades y limitaciones sin necesidad de programar directamente los algoritmos.

El desarrollo de estos aprendizajes se realizará a través de estudios de casos, mini proyectos prácticos, y el acceso a recursos especializados, lo que permitirá a los estudiantes experimentar, analizar y aplicar directamente los conceptos adquiridos.

La metodología de enseñanza y aprendizaje para este curso en línea se basa en técnicas metodológicas activas, permitiendo que el participante interactúe con sus pares y el profesor-tutor a través de los recursos tecnológicos proporcionados por la plataforma educativa virtual destinada para el curso.

Resultados de aprendizaje:

• Reconocer las principales teorías y prácticas de la Minería de Datos.
• Identificar relaciones interesantes en un conjunto de transacciones mediante el uso de reglas de asociación.
• Distinguir técnicas como árboles de decisión, clustering y otras, aplicándolas en escenarios prácticos reales.
• Evaluar la calidad y pertinencia de los resultados obtenidos, reconociendo las potencialidades y limitaciones de cada técnica.

Contenidos:

• Introducción a Minería de Datos y conceptos sobre Data Warehouse
• Procesamiento, selección y transformación de datos.
• Reglas de asociación
• Clasificación
  • Árbol de decisión
  • KNN
  • Random Forest
• Clustering
  • K-Means
  • Clustering jerárquico
• Introducción al Machine Learning
  • Modelo de entrenamiento
  • Métricas de evaluación

Estrategias Metodológicas:

El curso está constituido de seis clases e-learning y dos clases sincrónicas. 

• Aprendizaje autónomo asincrónico 
• Clase expositiva 
• Foro 
• Estudio de caso  

Estrategias Evaluativas:

El curso cuenta con las siguientes actividades de evaluación:

• 3 controles individuales – 40%
• 3 mini proyectos individuales – 60%

Docente responsable:Tomás Reyes Torres y Álvaro Chacón

Unidad académica responsable: Escuela de Ingeniería

Créditos: 4

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

Descripción del curso:

El uso de métodos cuantitativos permite obtener información relevante para apoyar la toma de decisiones, en un mundo que está volcándose totalmente hacia lo digital. Debido a lo anterior, las organizaciones en la actualidad han aumentado intensivamente el uso de técnicas de análisis de datos. 

En este contexto, el presente curso busca que los participantes logren aplicar la analítica de datos en la toma de decisiones en distintas industrias, utilizando herramientas propias del análisis descriptivo, predictivo, prescriptivo y conductual en los negocios, dentro del marco ético y regulatorio correspondiente.

Resultados de aprendizaje:

• Identificar nociones fundamentales del uso de herramientas de analítica de datos en el apoyo en la toma de decisiones de negocio
• Reconocer la relevancia y aplicaciones del análisis descriptivo en el apoyo en la toma de decisiones de negocio
• Distinguir la relevancia y aplicaciones del análisis predictivo en el apoyo en la toma de decisiones de negocio
• Revisar la relevancia y aplicaciones del análisis prescriptivo en el apoyo en la toma de decisiones de negocio
• Analizar casos reales de aplicación de herramientas de analítica de datos con foco en el apoyo en la toma de decisiones de negocio de organizaciones.
• Formular la aplicación de herramientas de analítica de datos con foco en el apoyo en la toma de decisiones de negocio de una organización

Contenidos:

• Introducción a Business Analytics (BA)
  • Qué es BA y sus orígenes
  • Introducción al análisis descriptivo, predictivo, prescriptivo, y conductual
  • Por qué es importante el BA para tu empresa u organización
  • Aplicaciones actuales y futuras
• Análisis descriptivo y gestión de los datos
  • El valor de los datos y relevancia del Big Data
  • El rol de los datos en el análisis descriptivo de BA
  • Visualización y exploración de datos (e.j., análisis de clusters)
  • Describiendo y pronosticando eventos futuros 
• Análisis predictivo y manejo de incertidumbre
  • Análisis de riesgo
  • Modelando la incertidumbre con datos históricos
  • Modelos probabilísticos y técnicas estadísticas
  • Modelos predictivos con Inteligencia Artificial
  • Evaluación de modelos predictivos 
• Análisis prescriptivo y recomendación de decisiones
  • Métodos de optimización
  • Valor de la simulación
  • Análisis de sensibilidad
  • Recomendaciones para la toma de decisiones  
• Casos reales de aplicaciones de BA
  • Métodos de recolección de datos
  • A/B Testing
  • Métodos de pronósticos
  • Análisis de regresiones
  • Modelos de optimización
  • Modelos de simulación 
• Analítica conductual y el futuro de BA
  • Modelando el comportamiento de las personas
  • Determinando tendencias futuras de consumo y actuando sobre ellas
  • Aplicaciones actuales de BA
  • Consideraciones éticas y regulatorias
  • El futuro de BA 

Estrategias Metodológicas:

El curso está constituido de seis clases e-learning y dos clases sincrónicas. 

• Aprendizaje autónomo asincrónico 
• Clase expositiva 
• Foro 
• Estudio de caso 

Estrategias Evaluativas:

El curso cuenta con las siguientes actividades de evaluación:

• 6 controles individuales: (15%) 
• 3 foros: (25%) 
• 1 trabajo de aplicación final grupal: (30%) 
• 1 examen final global individual: (30%)

Docente(s): Tomás Reyes y Santiago Mingo

Docente responsable: Tomás Reyes

Unidad académica responsable: Escuela de Ingeniería

Créditos: 4

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

Descripción del curso:

El curso tiene como objetivo generar en los estudiantes una comprensión global respecto a la aplicabilidad de la Inteligencia Artificial en los negocios, junto con el reconocimiento del panorama que está viviendo su industria, para así tomar decisiones más informado y de manera oportuna.

Para lograr lo anterior, se desarrollarán temáticas como la mejora en la capacidad predictiva, la interacción de la IA con las personas y el valor de los datos. El conocimiento de estos y otros conceptos claves, permitirán a los estudiantes y sus organizaciones, transitar de manera efectiva en un contexto de economía digital.

Resultados de aprendizaje:

• Comprender los fundamentos, tipos y alcances de la Inteligencia Artificial.
• Determinar la forma en que la IA permite generar mejores predicciones y cómo estas predicciones transforman la toma de decisiones en los negocios.
• Explicar el rol de la IA como apoyo al juicio humano, explorando sus aportes y límites en la toma de decisiones organizacionales.
• Reconocer el valor de los datos como activo estratégico, considerando qué es el Big Data y cómo su uso, junto a la IA, permite mejorar los procesos de decisión.
• Comprender los fundamentos, aplicaciones y desafíos de la IA generativa, y su impacto disruptivo en distintos sectores productivos.
• Utilizar la IA en estrategias de las organizaciones, considerando su potencial transformador, riesgos asociados y contribución al desarrollo sostenible.

Contenidos:

• Introducción a la Inteligencia Artificial
  • Introducción.
  • ¿Qué es la Inteligencia Artificial?
  • Tipos de IA.
  • Big Data.
  • Conclusiones.
• Mejores predicciones
  • Introducción.
  • ¿Qué son las predicciones?
  • Efecto del menor costo en la capacidad predictiva.
  • Efecto de mejores predicciones.
  • ¿Prediciendo el juicio humano?
  • Conclusiones.
• Interacción entre IA y las personas
  • Introducción.
  • ¿Cómo tomamos las decisiones?
  • ¿Qué nos aporta la IA en la toma de decisiones?
  • ¿Humanos y máquinas juntos?
  • Conclusiones.
• El valor de los grandes volúmenes de datos (big data) como activo estratégico
  • Introducción.
  • Aumento en el volumen de datos.
  • ¿Qué se entiende por Big Data?
  • ¿Por qué los datos son el nuevo petróleo?
  • Conclusiones.
• La Revolución de la Inteligencia Artificial Generativa
  • Introducción.
  • Fundamentos de la IA generativa.
  • Aplicaciones de la IA generativa en los negocios.
  • Impacto y desafíos de la IA generativa.
  • Conclusiones.
• IA y Estrategia
  • Introducción.
  • Construyendo estrategia con IA.
  • Riesgos asociados a la IA.
  • ¿Nos veremos beneficiados o perjudicados la IA superinteligente?
  • Una mirada general de la IA en las industrias.
  • El aporte de la IA en la sociedad: Construyendo un mejor futuro.
  • Conclusiones.

Estrategias Metodológicas:

El curso está constituido de seis clases e-learning y dos clases sincrónicas. 

• Aprendizaje autónomo asincrónico 
• Clase expositiva 
• Foro 
• Estudio de caso 

Estrategias Evaluativas:

• 6 controles individuales: (15%) 
• 3 foros: (25%) 
• 1 trabajo de aplicación final grupal: (30%) 
• 1 examen final global individual: (30%)