Diplomado en Data science

Estudia en la Universidad N°1 de habla hispana en Latinoamérica por QS Latam University Rankings 2024

Acerca del programa:

El presente diplomado entrega herramientas en data science para implementar soluciones de inteligencia de datos en la gestión y procesos de toma de decisiones. 


En este diplomado aprenderás en profundidad a programar códigos y realizar análisis estadístico en R y Python. Cada una de las clases tiene una orientación práctica y podrás ejercitar todo lo aprendido usando ambos softwares".


* ¿Otro programa de interés? ​

Haz click aquí para conocer el Diplomado en Estadística UC (inicio abril 2024).

Haz click aquí para conocer el Magíster en Estadística UC.


Dirigido a:

Ingenieros Civiles y de Ejecución de los diversos ámbitos de especialización, Ingenieros Comerciales, Economistas, Administradores Públicos, Psicólogos, Sociólogos, y en general, profesionales de diversas disciplinas que se desempeñan en áreas de gestión de empresas o ámbito público, de diferentes rubros. 


Jefe de Programa

Ricardo Olea Ortega

Licenciado en Matemáticas (2003), Estadístico (2003), Magíster en Estadística (2004) y Doctor en Estadística (Ph.D.) (2008) de la Pontificia Universidad Católica de Chile. Profesor e investigador del Departamento de Estadística de la Pontificia Universidad Católica de Chile desde el año 2008. Autor de más de una decena de artículos especializados, a la fecha ha dirigido una tesis doctoral y más de 10 tesis de magister. El año 2008 se le otorgo una mención honrosa a su tesis doctoral como finalista al área ciencias en la Pontificia Universidad Católica de Chile. Posee una extensa experiencia como docente, formando principalmente Ingenieros Civiles, Ingenieros Comerciales y Estadísticos. Es instructor y programador en diversos software estadísticos, principalmente en R-project, destacando el desarrollo de un paquete teórico y metodológica para pronósticos de series de tiempo con características localmente estacionarias. Consultor de diversas instituciones y empresas en modelos de predicciones de demanda, modelos econométricos, modelos financieros, modelos de riesgo, modelos de prepago y modelos de crecimiento.
linkedin

Equipo Docente

keyboard_arrow_down

Alvarado Celis, Ana María

Profesora Instructor Adjunto Departamento de Estadística, Facultad de Matemáticas UC Magíster en Estadística, Pontificia Universidad Católica de Chile.

Alvear Leyton, Alexis

Director Ejecutivo de DATA UC Magíster en Gestión de Negocios, Universidad de Sevilla, España.

Aravena Cuevas, Ricardo

Profesor Asociado Adjunto Departamento de Estadística, Facultad de Matemáticas UC Magíster en Estadística, Pontificia Universidad Católica de Chile.

Bravo Mella Mónica

Profesora Instructor Adjunto Departamento de Estadística, Facultad de Matemáticas UC Licenciada en Estadística, Pontificia Universidad Católica de Chile.

Galea Rojas Manuel

Profesor Asociado Departamento de Estadística, Facultad de Matemáticas UC Doctor en Estadística, Universidad de Sao Paulo.

Kuncar Campbell Francisco

Profesor Asistente Adjunto Departamento de Estadística, Facultad de Matemáticas UC Magíster en Estadística, Pontificia Universidad Católica de Chile.

Muñoz Araya Miguel

Ingeniero Comercial Pontificia Universidad Católica de Chile Diplomado en Inteligencia de Negocios Universidad de Chile.

Olea Ortega Ricardo

Profesor Asistente Adjunto Departamento de Estadística, Facultad de Matemáticas UC Doctor en Estadística, Pontificia Universidad Católica de Chile.

Palma Manríquez Wilfredo

Profesor Titular Departamento de Estadística, Facultad de Matemáticas UC Ph. D. en Estadística, Carnegie Mellon University.

Vega Ricardo

Profesor Asistente Adjunto Escuela de Diseño UC Diseñador y Artista, MFA Technology (Parsons, The New School, Nueva York).

Jonathan Acosta

Doctor en Matemática, Universidad Técnica Federico Santa María. 

Claudio Alarcón Ratsch

Estadístico, Pontificia Universidad Católica de Chile

Elías Alvear Binimellis

Estadístico, Pontificia Universidad Católica de Chile.

Alex Antequeda Campos

Estudiante Doctorado en Estadística, Pontificia Universidad Católica de Chile.

Francia Berna Sánchez

Ingeniera Informática Universidad del Bío Bío.

Esteban Castillo Rojas

Doctor en Física, Pontificia Universidad Católica de Chile.

Mauricio Castro Cepero

Doctor en Estadística, Pontificia Universidad Católica de Chile.

Gabriela Estay Canales

Magíster en Estadística, Pontificia Universidad Católica de Chile.

Bastián Galasso Díaz

Doctor en Estadística, Pontificia Universidad Católica de Chile.

María José García Zattera

Ph.D. in Sciences, Katholieke Universiteit Leuven.

Luis Gutiérrez Inostroza

Doctor en Estadística, Pontificia Universidad Católica de Chile.

Joshua Kunst Fuentes

Magíster en Estadística, Pontificia Universidad Católica de Chile.

Valeria Leiva Yamaguchi

Doctora en Estadística, Pontificia Universidad Católica de Chile.

Diego Muñoz Ureta

Estadístico, Pontificia Universidad Católica de Chile.

Juan Pablo Moraga Leigh

Matemático, Pontificia Universidad Católica de Chile.

Camila Paredes Saldaño

Estadística, Pontificia Universidad Católica de Chile.

María Constanza Prado Stuardo

Magíster en Estadística, Pontificia Universidad Católica de Chile.

Riva Quiroga Moya

Doctora en Letras con mención en Lingüistica, Pontificia Universidad Católica de Chile.

Esteban Rucán Carrasco

Estadístico, Pontificia Universidad Católica de Chile.

Gabriela Sandoval Moreno

Estudiante Doctorado en Estadística, Pontificia Universidad Católica de Chile.

José Miguel Ventura Valdivieso

Magíster en Estadística, Pontificia Universidad Católica de Chile.


Descripción

El desarrollo científico y tecnológico ha favorecido el acceso cada vez a más y mejor información y producto de eso hoy existe una abundancia de datos. Gracias a la disponibilidad de dispositivos y aparatos tecnológicos, hoy se realizan mediciones de múltiples variables y mediante algoritmos computacionales, se procesan grandes volúmenes de información.

Todo este fenómeno tecnológico, científico y matemático se conoce como big data, desarrollo que ha abierto la puerta de acceso a volúmenes insospechados de información. Así como el big data presenta infinitas potencialidades, también requiere de abordar importantes desafíos para su uso, siendo uno de los más importantes, el saber qué hacer con tantos datos, otorgarle un sentido a dicha información y utilizarla adecuadamente para construir innovaciones orientadas al desarrollo del conocimiento científico, social y económico.

Para abordar este desafío, surge el “data science” o “ciencia de datos”, actividad que mediante el uso de diversas herramientas matemáticas y estadísticas permite analizar, integrar, crear modelos y patrones y desarrollar diferentes procesos con los datos que permitan comprender los más diversos fenómenos. De esta forma el big data, transforma los datos en información, el data science transforma la información en conocimiento.

La principal fortaleza del data science, es que no restringe su desarrollo sólo a matemáticos o informáticos, sus herramientas pueden ser de dominio de profesionales de las más diversas disciplinas, favoreciendo el trabajo inter y multidisciplinario, pues aporta una visión sistémica para comprender el comportamiento de sistemas complejos.

El presente diplomado en data science entrega herramientas técnicas y metodológicas para que profesionales de las más diversas disciplinas puedan realizar procesos de análisis de datos, diseñar modelos matemáticos y estadísticos y generar aplicaciones que les permitan hacer inteligencia con los datos e información en diversos ámbitos de aplicación.

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 estadística 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 tecnologías que permitan la visualización de datos, y el curso final que entrega herramientas para la aplicación de ciencia de datos en diferentes disciplinas, donde se abordan contenidos más especializados, de tal forma que los participantes puedan implementar procesos inteligencia en la gestión empresarial, pública, tecnológica, y en diversos campos de aplicación.

Requisitos de Ingreso

Profesional universitario, licenciatura, egresado de instituto profesional, con al menos un año de experiencia laboral en áreas de gestión en empresas de diferentes rubros. 

Objetivos de Aprendizaje

Los objetivos generales de este diplomado son:

  • Comprender los fundamentos teóricos y conceptuales del big data y la ciencia de datos, como herramienta tecnológica para la gestión.
  • Conocer métodos y modelos matemáticos y estadísticos fundamentales para el desarrollo de soluciones de data science.
  • Emplear herramientas computacionales y de programación para data science.
  • Reconocer los requerimientos tecnológicos y de visualización para grandes volúmenes de datos.
  • Aplicar herramientas técnicas y metodológicas para diseñar e implementar técnicas de data science en procesos de análisis y toma de decisiones.

Metodología

Clases teóricas expositivas y con espacios para discusión y reflexión de contenidos. Talleres de aplicación de técnicas y metodologías para entrenamiento de competencias. Desarrollo de laboratorios de computación con la aplicación de modelos y métodos en software especializado. Desarrollo y análisis de casos de estudio para identificar experiencias exitosas de implementación. Talleres y laboratorios de aplicación mediante uso de bases de datos reales. 

Desglose de cursos

Curso 1: Fundamentos de la ciencia de datos. Horas lectivas: 25 horas cronológicas

Créditos: 5

Objetivos específicos:

  • Conocer el concepto de big data y su desarrollo.
  • Descubrir los campos de aplicación del big data.
  • Distinguir los objetivos de la ciencia de datos y sus aplicaciones.
  • Reconocer la relación entre data science e innovación.

Contenidos:

Introducción

  • Evolución de la ciencia y la tecnología.
  • De la falta de datos al exceso de información.
  • El big data como desarrollo tecnológico de los datos. o Los desafíos del big data.

La ciencia de datos.

  • ¿Qué es el Data Science?
  • ¿Qué hace un Data Scientist?
  • Aplicaciones de Data Science
  • Desafíos éticos del Data Science

Data Science e Innovación

  • ¿Porqué el Data Science se relaciona con la innovación?
  • Innovar a partir de los datos.
  • Datos para detectar y crear necesidades.

Evaluaciones:

  • Quiz: Conceptos de data science 50%
  • Taller práctico de diseño de una solución innovadora basada en datos 50%.

Curso 2: Herramientas Estadísticas y Forecast Horas lectivas: 35 horas cronológicas

Créditos: 7

Objetivos Específicos:

  • Utilizar las principales herramientas de estadística descriptiva y estimación.
  • Implementar correctamente usos de gráficos y clasificación.
  • Distinguir las diferencias entre eventos probabilísticos y determinísticos.
  • Aplicar los conceptos de error y experimentar modelos estadísticos y predicción.

Contenidos:

Estadística Descriptiva

  • Introducción.
  • Tablas de frecuencia.
  • Estadísticos descriptivos.
  • Conceptos de posición y dispersión.
  • Gráficos estadísticos
  • Aplicaciones e interpretación

Probabilidades.

  • Contexto matemático.
  • Muestra y población.
  • Modelos de probabilidad usual.

Inferencia

  • Principios de estimación.
  • Estimación por intervalos.
  • Pruebas de hipótesis.
  • Aplicaciones e interpretación.

Modelo Lineal

  • Análisis de varianza (ANOVA).
  • Regresión lineal simple y múltiple.
  • Análisis de residuos o Introducción a los modelos lineales generalizados.
  • Regresión logística y otros modelos.

Forecast

  • Introducción a las series de tiempo.
  • Análisis de series cronológicas financieras.
  • Aplicaciones de predicción temporal.

Evaluaciones:

  • Taller de Estadísticas descriptivas (25%)
  • Taller práctico de inferencia (25%)
  • Taller práctico de análisis de regresión lineal (25%)
  • Taller de aplicación de forecast (25%)

Curso 3: Herramientas computacionales y Machine Learning.

Horas lectivas: 35 horas cronológicas

Créditos: 7

Objetivos específicos:

  • Manejar las principales funcionalidades y usos del software
  • Utilizar y programar funciones, procesos recursivos y métodos de auto aprendizaje.
  • Aplicar modelos estadísticos más usuales en descripción de datos.
  • Identificar características de grandes volúmenes de datos y manejo de dimensionalidad.
  • Determinar métodos estadísticos en la clasificación de registros y validar los modelos estadísticos para el uso en datos.

Contenidos:

Introducción a la programación.

  • Instalación y primeros pasos del programa R.
  • Creación y manipulación de objetos.
  • Abrir y guardar bases de datos.

Procesos en conjunto de datos.

  • Operaciones.
  • Estructuras de control.
  • Métodos recursivos.
  • Funciones.
  • Descripción de datos y usos de filtros.
  • Simulación de variables aleatorias y determinísticas.
  • Aplicaciones en datos públicos y privados.

Machine Learning.

  • Reducción de dimensionalidad.
  • Métodos de clasificación.
  • Métodos de agrupamiento.
  • Procesos de máquina y ajuste.

Evaluaciones:

  • Taller de aplicación en exploración de datos (30%)
  • Taller práctico de estructuras estadísticas (30%)
  • Taller de Machine Learning (40%)

Curso 4: Herramientas tecnológicas para visualización de datos.

Horas lectivas: 25 horas cronológicas

Créditos: 5

Objetivos específicos:

  • Distinguir las herramientas más importantes para la manipulación de datos depurados.
  • Dominar conceptos básicos de programación, informática y metodología para visualización.
  • Emplear los principales softwares interactivos de visualización de datos.
  • Determinar y reconocer los correctos y diversos usos de gráficos.

Contenidos:

Introducción a Power BI

  • Instalación, generación de cuentas.
  • Manipulación de objetos o Generación de gráficos
  • Generación de cuadros interactivos.

Introducción a Tableau

  • Instalación, generación de cuentas.
  • Manipulación de objetos
  • Generación de gráficos
  • Generación de cuadros interactivos.
  • Análisis de tablas relacionales
  • Dashboard integrados.

Aplicaciones

  • Introducción de R- Markdown
  • Uso de librerías Shiny de R
  • Creación de cuadros dinámicos
  • Creación de apps dinámicas

Evaluaciones:

  • Taller práctico que contempla el realizar un proyecto de visualización de datos informativo, mediante uso de software especializado (100%.)

Curso 5: Aplicaciones de Data Science.

Horas lectivas: 30 horas cronológicas

Créditos: 6

Objetivos específicos:

  • Conocer el concepto de business analytics .
  • Entender los alcances y ventajas del Data Science en Banca y Mercados Financieros.
  • Aplicar herramientas y técnicas para realizar análisis de información.
  • Analizar casos de uso y aplicaciones de data science en gestión y texto.

Contenidos:

  • Aplicaciones de Data Science desde Business Intelligence.
  • Aplicaciones en el ámbito bancario.
  • Aplicaciones en ámbito de finanzas.
  • Aplicaciones en ámbito de marketing.
  • Aplicaciones en evaluación de impacto.
  • Aplicaciones en análisis de datos no estructurados y texto.

Evaluaciones:

  • 5 talleres de aplicaciones presenciales (20%)

Requisitos Aprobación

El promedio final del diplomado será 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: Aplicación de los principios y fundamentos de la ciencia de datos: 20%
  • Curso 2: Herramientas Estadísticas y Forecast: 20% Curso 3: Herramientas computacionales y Machine Learning: 20%
  • Curso 4: Herramientas tecnológicas para visualización de Datos: 20%
  • Curso 5: Aplicaciones en Data Science: 20%

Para aprobar el diplomado, el alumno debe cumplir con dos requisitos:

  • A) Un mínimo de asistencia de 75% a todo evento. B) Requisito académico: Se cumple aprobando todos los cursos con nota mínima 4,0.

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 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.

Proceso de Admisión

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: 

  • Currículum vitae actualizado.
  • Copia simple de título o licenciatura (de acuerdo a cada programa).
  • Fotocopia simple del carnet de identidad por ambos lados.

Mayor Información académica contactar a: Sebastián Massa Slimming al correo sebastian.massa@uc.cl

Información adicional del proceso de matrícula contactar a: Carla Diaz al correo cdiazmora@uc.cl

VACANTES: 80

Con el objetivo de brindar las condiciones y asistencia adecuadas, invitamos a personas con discapacidad física, motriz, sensorial (visual o auditiva) u otra, a dar aviso de esto durante el proceso de postulación.

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.


¿Te parece interesante este programa?

No