Diplomado en Data science

Estudia en la Universidad N°1 de Latinoamérica (QS Ranking Latam 2027)

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. 


Dirigido a:

  • Profesionales de diversas disciplinas que requieran analizar datos, generar evidencia y fundamentar la toma de decisiones en organizaciones públicas y privadas. Está dirigido especialmente a quienes se desempeñan en áreas de gestión, estudios, planificación, evaluación, inteligencia de negocios, analítica y desarrollo organizacional.
  • Entre ellos, ingenieros civiles y de ejecución de distintas especialidades, ingenieros comerciales, economistas, administradores públicos, psicólogos, sociólogos y otros profesionales que participan en procesos de análisis, gestión y apoyo a la toma de decisiones en instituciones, empresas y organismos del sector público o privado.



Jefe de Programa

Ricardo Olea Ortega

Profesor Docente Asociado del Departamento de Estadística UC y Jefe de Programa del Diplomado en Data Science. Doctor y Magíster en Estadística, Estadístico y Licenciado en Matemáticas por la Pontificia Universidad Católica de Chile. Académico del Departamento desde 2008, con docencia en probabilidad, inferencia, procesos estocásticos, análisis de regresión, análisis multivariado, series de tiempo y confiabilidad para Estadística, Ciencia de Datos e Ingeniería. Investiga en series de tiempo localmente estacionarias y de larga memoria. Consultor en proyección de demanda eléctrica y modelos de riesgo de crédito.

Equipo Docente

keyboard_arrow_down

Alexis Alvear Leyton

Director Ejecutivo de la Vicerrectoría de Inteligencia Digital de la Pontificia Universidad Católica de Chile. Es Ingeniero Civil Industrial por la Universidad Arturo Prat y MBA por la Universidad de Sevilla. Ha trabajado en gestión, transferencia tecnológica, ciencia de datos e inteligencia artificial, con experiencia consultora en banca, seguros, tecnología, minería y retail

Alonso Molina Núñez

Magíster en Estadística y Estadístico por la Pontificia Universidad Católica de Chile. Se desempeña como Head of AI & Data Science en Abastible y ha sido docente en el Diplomado en Data Science UC, el Magíster en Data Science de la Universidad Adolfo Ibáñez y la Facultad de Matemáticas UC. Sus intereses comprenden aprendizaje no supervisado, detección de datos atípicos, influencia local, programación, visualización y modelos estadísticos para ciencia de datos

Ana María Alvarado Celis    

Magíster en Estadística, Magíster en Inteligencia Artificial, Estadística y Licenciada en Matemáticas por la Pontificia Universidad Católica de Chile. Data Scientist en Enel Chile, en el área de Energy Transition Roadmap, con foco en mercados energéticos, modelamiento de escenarios y proyección de demanda. Fue Profesora Instructor Adjunta de la Pontificia Universidad Católica de Chile entre 2010 y 2022 y Subdirectora de Docencia de la Facultad de Matemáticas UC.

Bastián Galasso Díaz   

Doctor en Estadística, Magíster en Matemática y Licenciado en Matemáticas por la Pontificia Universidad Católica de Chile. Sus áreas de especialización incluyen la inferencia bayesiana, el modelamiento estadístico y la ciencia de datos. Data Analytics Lead en Coca-Cola Embonor y Part-time Lecturer en la UC, con experiencia en e-commerce. 

Cristian Vásquez Escobar     

Profesor Asistente UC. Doctor en Estadística (Ph.D.) y Magíster en Estadística por la Pontificia Universidad Católica de Chile. Licenciado en Estadística y Computación por la Universidad de Santiago de Chile.Sus áreas de especialización incluyen la analítica de negocios, la inteligencia de negocios y el modelamiento estadístico aplicado. Se especializa en inteligencia de negocios, business analytics, riesgo de crédito, aprendizaje automático, automatización de reportería y series de tiempo financieras; ha asesorado a BBVA, Santander, TransUnion Chile, Caja Los Andes, entre otras instituciones

Eduardo Rodríguez      

Doctor en Estadística por la Pontificia Universidad Católica de Chile. Máster en Big Data y Ciencia de Datos y Licenciado en Matemática por la Universidad de Concepción. Cuenta con más de 15 años como ejecutivo senior en gobierno de datos, ciencia de datos e inteligencia artificial en la industria financiera, incluyendo arquitecturas de datos, calidad y gobernanza de IA, modelos de valor de cliente y analítica avanzada. También ha sido docente de posgrado en ciencia de datos

Eloy Alvarado Narváez

Profesor Asistente UC. Doctor en Estadística por la Universidad de Valparaíso y Magíster en Estadística por la Pontificia Universidad Católica de Valparaíso.

Ernesto San Martín Gutiérrez

Profesor Titular UC. Es Ingeniero Civil Matemático por la Universidad de Chile, posee un DEA en Estadística y un Ph.D. en Ciencias, orientación Estadística, por la Université Catholique de Louvain. Realizó un posdoctorado en KU Leuven y es profesor invitado en LIDAM/CORE, UCLouvain. Investiga modelamiento estadístico de fenómenos sociales, psicometría, medición educacional, efectividad escolar, evaluación de políticas públicas, causalidad en ciencias sociales y análisis de encuestas. Es director del Laboratorio Interdisciplinario de Estadística Social (LIES) UC

Francia Berna Sánchez

Magíster en Innovación Curricular y Evaluación Educativa e Ingeniera Informática por la Universidad del Bío Bío. Sus áreas de especialización incluyen la inteligencia de negocios, la comunicación narrativa de datos y la gestión analítica. Actualmente es Jefa de Proyectos de la Vicerrectoría de Inteligencia Digital de la Pontificia Universidad Católica de Chile.

Francisco Kuncar Campbell  

Profesor Adjunto UC. Magíster en Estadística y Estadístico por la Pontificia Universidad Católica de Chile. Sus áreas de especialización incluyen la gestión de relaciones con clientes (CRM), la minería de datos, la inteligencia comercial y la analítica aplicada al sector financiero.  

Hernán Robledo Araya

Profeor Asistente UC. Magíster en Estadística y Estadístico por la Pontificia Universidad Católica de Chile. Sus áreas de especialización incluyen la psicometría, la medición educacional y el análisis de datos en ciencias sociales.         

Jonathan Acosta Salazar

Profesor Asistente UC. Doctor en Matemática, Ingeniero Civil Matemático y Licenciado en Ciencias de la Ingeniería Matemática Consorcio PUCV-UTFSM-UV. Sus áreas de especialización incluyen la estadística computacional, el aprendizaje estadístico y el modelamiento de datos.       

José Miguel Ventura Valdivieso    

Magíster en Estadística, Estadístico, Ingeniero Comercial y Licenciado en Matemática por la Pontificia Universidad Católica de Chile. Sus áreas de especialización incluyen la investigación de mercados, la analítica de marketing y la comunicación narrativa de datos. Socio fundador de La Vulca. Actualmente es asesor de múltiples empresas. Ha sido reconocido como el "Mejor Investigador de Mercados de Chile" (2016), "Mejor Consultor de Marcas de Chile" (2020), y "Mejor Director de Consultoría de Marcas" 2022, por MKTGBEST. 

Joshua Kunst Fuentes  

Estadístico y Magíster en Estadística por la Pontificia Universidad Católica de Chile. Sus áreas de especialización incluyen la ciencia de datos, el modelamiento predictivo, la visualización de datos y el desarrollo de herramientas analíticas en R. Experiencia en desarrollo, validación y monitoreo de modelos predictivos y scorecards en banca, telecom y retail.   

Laura Sánchez Fernández     

Magíster en Estadística y Licenciada en Matemáticas por la Pontificia Universidad Católica de Chile. Trabaja en la intersección entre la estadística y la inteligencia artificial, impulsando una enseñanza de las matemáticas orientada al pensamiento crítico. Creadora y conductora de “Desde tus zapatos” (también conocido como “Desde tus zapatos STEAM”), un espacio para dialogar sobre educación y experiencias docentes en el mundo hispanohablante.

Maritza Márquez Nieto         

Profesora Adjunta UC. Doctora en Matemática, Magíster en Matemáticas Aplicadas a la Ingeniería y Licenciada en Matemáticas por la Pontificia Universidad Católica de Valparaíso. Sus áreas de trabajo incluyen la modelación matemática, la estadística y la ciencia de datos.

Miguel Muñoz Araya   

Magíster en Métodos para la Investigación Social por la Universidad Diego Portales e Ingeniero Comercial por la Pontificia Universidad Católica de Chile. Cuenta con diplomados en Estadística, mención Métodos Cuantitativos, y en Big Data por la Pontificia Universidad Católica de Chile. Sus áreas de especialización incluyen la visualización de datos, la inteligencia de negocios y el análisis estadístico aplicado.    

Pedro Luiz Ramos        

Profesor Asistente UC. Doctor en Estadística por la Universidad de São Paulo, Brasil. Su investigación se centra en Probabilidad y Estadística, con especialización en inferencia bayesiana y clásica, selección de modelos, análisis de confiabilidad y control de calidad. Además, participa como investigador asociado en el Centro de Investigación en Matemática Aplicada a la Industria (CeMEAI) y se desempeña como director de tesis doctorales en Estadística e Ingeniería y Ciencias con la Industria.

Ricardo Olea Ortega    

Profesor Asociado UC. Doctor en Estadística (Ph.D.), Magíster en Estadística, Estadístico y Licenciado en Matemáticas por la Pontificia Universidad Católica de Chile. Sus áreas de especialización incluyen la estadística aplicada, el modelamiento predictivo y el análisis de series de tiempo. Cuenta con experiencia en docencia universitaria, investigación, programación en R y consultoría estadística para instituciones y empresas.

Riva Quiroga      

Profesora Asistente UC. Doctora en Lingüística por la Pontificia Universidad Católica de Chile. Es Research Fellow en Open Life Science y consultora independiente en ciencia de datos, con foco en ciencia abierta, minería de textos, web scraping, reproducibilidad, visualización y desarrollo de software para investigación. Es cofundadora y una de las chairs de LatinR, y ha sido instructora de minería de textos y web scraping en Python y R en el Diplomado en Ciencia de Datos de la Facultad de Matemáticas UC.

Descripción

El desarrollo científico y tecnológico ha incrementado el acceso a información más completa y precisa, generando una abundancia de datos sin precedentes. Gracias a la disponibilidad de dispositivos tecnológicos, hoy se pueden medir múltiples variables y procesar grandes volúmenes de información mediante algoritmos computacionales. Este fenómeno tecnológico, científico y matemático, conocido como Big Data, ha permitido acceder a volúmenes insospechados de información, transformando la manera en que interactuamos con los datos.

Si bien el Big Data ofrece infinitas posibilidades, también plantea desafíos cruciales, como el saber cómo interpretar y utilizar tantos datos. Transformar esta abundancia en información útil y aplicable para la generación de conocimiento científico, social y económico es uno de los principales retos actuales. Aquí es donde entra la ciencia de datos (Data Science), que, mediante herramientas matemáticas, estadísticas y computacionales, permite analizar, integrar y modelar datos para comprender fenómenos complejos. En este contexto, el Big Data convierte los datos en información, y la ciencia de datos transforma esta información en conocimiento.

Una de las grandes fortalezas de la ciencia de datos es que no está restringida a matemáticos o informáticos. Sus herramientas pueden ser utilizadas por profesionales de diversas disciplinas, favoreciendo el trabajo interdisciplinario y multidisciplinario. Esto aporta una visión sistémica para abordar problemas complejos y comprender el comportamiento de sistemas dinámicos.

El Diplomado en Ciencia de Datos proporciona herramientas técnicas y metodológicas que capacitan a profesionales de distintas áreas para analizar datos, diseñar modelos matemáticos y estadísticos, y desarrollar aplicaciones orientadas a generar conocimiento estratégico e inteligencia en diferentes ámbitos.

El programa está compuesto por cinco cursos obligatorios, estructurados para abordar los contenidos con niveles de profundidad acordes a los objetivos de cada módulo. Comienza con un curso introductorio que ofrece bases teóricas, históricas y conceptuales de la disciplina, e incluye un proyecto integral que se extiende a lo largo del programa, permitiendo a los estudiantes aplicar progresivamente las herramientas y metodologías aprendidas. El proyecto se desarrolla mediante tres entregas parciales y culmina con la presentación de un póster y un video. El segundo curso se centra en los modelos matemáticos y estadísticos clásicos, integrando el uso de herramientas computacionales (R, Python y SQL) e incorporando experimentación, causalidad aplicada y estadística bayesiana. En el tercer curso, se aborda el aprendizaje automático (Machine Learning), proporcionando técnicas avanzadas para el diseño y programación de algoritmos predictivos, e incorpora inteligencia artificial generativa (modelos de lenguaje, RAG y agentes) y la puesta en producción de modelos (MLOps). El cuarto curso desarrolla competencias en tecnologías de visualización de datos, facilitando la comunicación efectiva de hallazgos. Finalmente, el diplomado culmina con un curso especializado que brinda una visión amplia de las aplicaciones de la ciencia de datos en sectores clave como el marketing y la industria bancaria, explorando además otras áreas como la gestión pública, la salud y la innovación tecnológica.

El programa, impartido en modalidad online con clases en vivo, hará uso de la plataforma LMS Moodle, desarrollada por la Facultad de Matemáticas. A través de este entorno virtual, los alumnos podrán acceder a materiales de trabajo, presentaciones de clases, ejercicios y evaluaciones, facilitando así un aprendizaje estructurado e interactivo.

Para los cursos 2 y 3, el programa dispone además de material de repaso asincrónico, orientado a reforzar los contenidos de programación, estadística y machine learning.

Requisitos de Ingreso

  • Título profesional universitario, grado de licenciatura o título de instituto profesional. Se sugiere experiencia laboral en áreas de análisis de datos, gestión o estudios, en organizaciones públicas o privadas. No se requieren conocimientos previos de programación.

Objetivos de Aprendizaje

Resultado de Aprendizaje General

  • Diseñar estrategias integrales en ciencia de datos que integren fundamentos teóricos, métodos matemáticos y estadísticos, herramientas computacionales avanzadas, técnicas de visualización, y aplicaciones prácticas en sectores clave, con el propósito de resolver problemas complejos y generar conocimiento estratégico para la toma de decisiones basada en datos.

Desglose de cursos

Curso 1: Fundamentos de la Ciencia de Datos.

keyboard_arrow_down
Fundamentals of data science.

Descripción del curso: 

Este curso práctico guía a los estudiantes en la comprensión y aplicación de la ciencia de datos como herramienta clave para la innovación tecnológica. Durante todo el diplomado, los participantes desarrollarán un proyecto integral que les permitirá aplicar progresivamente las herramientas y metodologías adquiridas en los distintos módulos. El proyecto se organiza en tres entregas (definición del problema y análisis exploratorio, propuesta metodológica e implementación) y culmina con un póster y un video breve que comunican los resultados. El curso aborda aspectos fundamentales de la ciencia de datos, como su definición, el rol del científico de datos, sus aplicaciones prácticas y los desafíos éticos asociados. A través del proyecto, los estudiantes explorarán cómo los datos pueden ser utilizados estratégicamente para detectar y satisfacer necesidades, promoviendo soluciones innovadoras y contextualizadas a problemas reales.         

Resultados de Aprendizaje:   

  • Aplicar las etapas del ciclo de ciencia de datos a la delimitación de un problema organizacional.
  • Analizar desafíos éticos relacionados con la calidad, privacidad y uso de datos en casos reales.
  • Evaluar la viabilidad de una propuesta de proyecto de ciencia de datos según el problema, los datos disponibles y su alcance.

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.
    • 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     
    • ¿Por qué el Data Science se relaciona con la innovación?Innovar a partir de los datos.
    • Datos para detectar y crear necesidades.
  • Metodologías para proyectos de ciencia de datos
  • Toolbox para proyectos de ciencia de datos
  • Storytelling y comunicación de proyectos de ciencia de datos

Estrategias Metodológicas:   

  • Clases expositivas
  • Análisis de casos

Estrategias Evaluativas

  • Quiz 1: 20%
  • Proyecto integral, entregas 1, 2 y 3: 60%
  • Proyecto integral, póster y video final: 20%. El proyecto integral les permitirá aplicar progresivamente las herramientas y metodologías adquiridas en los distintos módulos.

Curso 2: Modelos Matemáticos y Estadísticos Clásicos

keyboard_arrow_down
Classical Mathematical and Statistical Models

Descripción del curso: 

En este curso, los estudiantes adquirirán habilidades fundamentales y avanzadas para el análisis estadístico y predictivo. Aprenderán a emplear herramientas de estadística descriptiva, distinguir entre eventos probabilísticos y determinísticos, y aplicar modelos estadísticos en análisis predictivo y de series de tiempo. Además, desarrollarán competencias en inferencia estadística, modelos lineales y técnicas de predicción temporal. El curso se apoya en los lenguajes de programación R y Python, junto con SQL para la consulta de bases de datos, herramientas ampliamente reconocidas en la ciencia de datos por su flexibilidad, potencia y capacidad para manejar grandes volúmenes de datos. R es ideal para análisis estadísticos y visualización de datos, mientras que Python se destaca por su versatilidad en modelado predictivo y aplicaciones avanzadas. El aprendizaje será complementado con análisis de casos prácticos, permitiendo a los estudiantes integrar conocimientos y aplicarlos en escenarios reales de análisis y predicción. El curso incorpora además experimentación y causalidad aplicada (pruebas A/B), estadística bayesiana y preparación de datos para machine learning. La evaluación consistirá en trabajos prácticos y estudios de caso que demuestren su capacidad para implementar las herramientas estudiadas en entornos computacionales modernos.

Resultados de Aprendizaje:   

  • Aplicar herramientas computacionales de R, Python y SQL para el importar, manipular, visualizadar y exportar datos. 
  • Analizar datos mediante técnicas descriptivas e inferenciales pertinentes al problema.
  • Evaluar modelos estadísticos predictivos según sus supuestos, ajuste y desempeño.
  • Manejo de herramientas computacionales: Utilizar R, Python y SQL para importar, manipular, visualizar y exportar datos.
  • Analizar datos mediante técnicas descriptivas e inferenciales pertinentes al problema.
  • Evaluar soluciones innovadoras en ciencia de datos, integrando modelos probabilísticos, inferenciales y predictivos con herramientas computacionales como R y/o Python, para abordar problemas complejos mediante el análisis de series de tiempo y técnicas avanzadas de modelado estadístico.

Contenidos:

  • Introducción a Herramientas Computacionales
    • Introducción a Python: configuración y primeros pasos.
    • Introducción a Pandas: manipulación y análisis de datos en Python.
    • Introducción a R: conceptos básicos y entorno de trabajo.
    • Introducción a Tidyverse: librerías esenciales para manipulación y visualización de datos en R.
    • Introducción a SQL: consultas y manipulación de bases de datos.
    • Uso de Google Colab como entorno de trabajo.
  • Manipulación y Visualización de Datos
    • Importar, manipular y exportar datos en R y/o Python.
    • Visualización de datos: gráficos básicos e interactivos en R y/o Python.
  • Estadística Descriptiva y Exploratoria
    • Introducción a la estadística: conceptos clave.
    • Tablas de frecuencias y estadísticos descriptivos.
    • Medidas de posición y dispersión.
    • Gráficos estadísticos y su interpretación.
    • Aplicaciones prácticas de estadística descriptiva.
  • Probabilidad
    • Fundamentos de probabilidad y su contexto matemático.
    • Diferenciación entre muestra y población.
    • Modelos de probabilidad clásicos y su interpretación práctica.
  • Introducción a la Inferencia Estadística
    • Distribuciones muestrales y principios de estimación.
    • Construcción e interpretación de intervalos de confianza.
    • Pruebas de hipótesis: aplicaciones y análisis en R y/o Python.
  • Modelos Predictivos
    • Análisis de varianza (ANOVA) para comparar grupos.
    • Regresión lineal simple y múltiple: teoría y aplicaciones en R y/o Python.
    • Introducción a los modelos lineales generalizados.
    • Regresión logística: fundamentos y aplicaciones en R y/o Python
  • Experimentación y Causalidad Aplicada
    • Diseño de experimentos y pruebas A/B.
    • Causalidad aplicada: efectos de tratamiento e inferencia causal.
  • Estadística Bayesiana
    • Fundamentos de la inferencia bayesiana: distribuciones a priori y a posteriori.
    • Aplicaciones de modelos bayesianos en R y/o Python.
  • Análisis de Series de Tiempo
    • Introducción a las series de tiempo y sus componentes.
    • Análisis de patrones temporales en datos cronológicos.
    • Modelos de series de tiempo estacionarias y no estacionarias.
    • Implementación en R y/o Python.
  • Preparación para Machine Learning
    • Tratamiento y representación de variables.
    • Preparación de datos y esquemas de validación.

Estrategias Metodológicas:   

  • Clases expositivas
  • Análisis de casos

Estrategias Evaluativas

  • Rúbrica cuantitativa al 100%. A través de Talleres que permitan poner en práctica los contenidos vistos en el curso. 
  • Taller 1: 50%.
  • Taller 2: 50%.

Curso 3: Aprendizaje Automático (Machine Learning)

keyboard_arrow_down
Machine Learning.

Descripción del curso: 

En este curso, los estudiantes desarrollarán habilidades para manejar las principales funcionalidades y aplicaciones de los lenguajes de programación R y/o Python, empleando técnicas avanzadas para la exploración, análisis y modelado de datos.

A través de clases expositivas y análisis de casos, profundizarán en el uso de procesos recursivos, métodos de aprendizaje automático y modelos estadísticos aplicados a la clasificación y gestión de grandes volúmenes de datos. El curso incorpora además métodos de ensamble (boosting), la evaluación y selección de modelos, técnicas de inteligencia artificial generativa (embeddings, modelos de lenguaje, RAG y agentes) y la puesta en producción de modelos (MLOps).

La evaluación se basará en la implementación de modelos estadísticos y de machine learning, validando la capacidad de los estudiantes para aplicar estos métodos a datos reales de manera eficiente y fundamentada.

Resultados de Aprendizaje:   

  • Aplicar algoritmos de aprendizaje supervisado y no supervisado a conjuntos de datos.
  • Analizar el desempeño de modelos mediante métricas y procedimientos de validación.
  • Evaluar alternativas de aprendizaje automático según el problema, la generalización y la interpretabilidad.
  • Evaluar alternativas de aprendizaje automático según el problema, la generalización y la interpretabilidad..
  • Comprender el funcionamiento de las aplicaciones de inteligencia artificial generativa (modelos de lenguaje, RAG y agentes) y los principios para llevar modelos de machine learning a producción.

Contenidos:

  • Introducción a los Modelos de Machine Learning  
    • Origen y evolución del aprendizaje automático (Machine Learning).
    • Aplicaciones prácticas de Machine Learning en ciencia de datos.
    • Herramientas esenciales para proyectos de Data Science
    • Tipos de aprendizaje: supervisado y no supervisado.         
  • Tipos de Aprendizaje y Etapas de Machine Learning      
    • Clasificación de imágenes: fundamentos y ejemplos.
    • Conceptos de modelamiento en Machine Learning.
    • Etapas del proceso: Entrenamiento y validación.
    • Problemas de Underfitting y Overfitting.
    • Validación cruzada (Cross Validation).
    • Feature engineering: metodologías de selección de variables.
    • Implementación de estos conceptos en R y/o Python.        
  • Árboles de Decisión, Bagging, Random Forest y Boosting       
    • Recordatorio de los modelos supervisados.
    • Árboles de decisión: criterios de ramificación, ventajas y limitaciones.
    • Métodos avanzados: Bagging, Random Forest y Boosting.
    • Implementación de árboles de decisión y Random Forest en R y/o Python.  
  • Otros Clasificadores Supervisados
    • Máquinas de soporte vectorial (SVM) y clasificadores clásicos.
    • Naive Bayes y clasificación probabilística.
    • Implementación en R y/o Python.
  • Evaluación y Selección de Modelos
    • Métricas de evaluación de modelos supervisados.
    • Criterios de selección de modelos.
    • Evaluación estadística de modelos predictivos y bootstrap.
  • Algoritmos No Supervisados       
    • Revisión de conceptos de modelos no supervisados.
    • Algoritmos de agrupación: K-means, K-mode, K-prototype.
    • Implementación de algoritmos de agrupación en R y/o Python.  
  • Técnicas de Reducción de Dimensionalidad  
    • Importancia y objetivos de la reducción de dimensionalidad.
    • Técnicas clásicas: Análisis de componentes principales (PCA). Análisis factorial.
    • Técnicas avanzadas: t-SNE. Autoencoders.
    • Implementación de técnicas de reducción de dimensionalidad en R y/o Python.    
  • Detección de Anomalías     
    • Importancia de la detección de anomalías en Data Science.
    • Métodos de detección:
    • Componentes principales (PCA).
    • Isolation Forest.
    • Implementación en R y/o Python.
  • Aplicaciones de Inteligencia Artificial
    • Ejemplos prácticos de inteligencia artificial en diversos sectores.        
  • Redes neuronales       
    • Componentes y estructuras.
    • Redes neuronales convolucionales (Convolutional Neural Networks).         
    • Deep learning, autoencoders y representaciones.
  • LSTM (Long Short-Term Memory) para predicción de series de tiempo.   
  • Sistemas de recomendación: fundamentos y aplicaciones.        
  • Inteligencia Artificial Generativa
    • Embeddings y representaciones vectoriales.
    • Modelos de lenguaje de gran escala (LLM) y prompt engineering.
    • Generación aumentada por recuperación (RAG).
    • Agentes.
  • MLOps y Pipelines Productivos
    • Pipelines de entrenamiento, despliegue y monitoreo de modelos.
  • Implementación de aplicaciones de IA en R y Python.    

Estrategias Metodológicas:   

  • Clases expositivas
  • Análisis de casos

Estrategias Evaluativas:        

  • Rúbrica cuantitativa al 100%.
  • A través de Talleres que permitan poner en práctica los contenidos vistos en el curso. 
    • Taller 3: 50%.
    • Taller 4: 50%.

Curso 4: Visualización de Datos

keyboard_arrow_down
Data Visualization

Descripción del curso: 

En este curso, los estudiantes aprenderán a identificar y utilizar herramientas clave para la visualización efectiva de datos, integrando conceptos básicos de programación y metodologías específicas de diseño visual. El curso comienza con los fundamentos de la visualización de datos, la visualización estadística y exploratoria, y el storytelling para comunicar hallazgos. Mediante clases expositivas y análisis de casos, se familiarizarán con herramientas interactivas como Power BI, Looker Studio (antes Google Data Studio) y R Markdown, y explorarán el uso de librerías como Shiny para desarrollar visualizaciones y cuadros dinámicos. La evaluación estará basada en ejercicios prácticos, donde los estudiantes demostrarán su capacidad para crear visualizaciones interactivas que comuniquen datos de manera efectiva y profesional. 

Resultados de Aprendizaje:   

  • Aplicar criterios de selección de gráficos según el tipo de datos y el propósito comunicativo.
  • Analizar visualizaciones según su claridad, precisión y adecuación a la audiencia
  • Aplicar conceptos básicos de programación y metodologías para el diseño visual efectivo.
  • Diseñar visualizaciones dinámicas utilizando software interactivo como Power BI, Looker Studio y librerías de R, integrando gráficos adecuados que maximicen la efectividad en la comunicación de datos y su impacto en la toma de decisiones.

Contenidos:

  • Fundamentos de Visualización y Storytelling
    • Principios de percepción visual y selección del gráfico adecuado.
    • Visualización estadística y exploratoria.
    • Storytelling con datos.
  • Introducción a Power BI y Google Data Studio      
    • Instalación y configuración inicial.
    • Manipulación de datos y objetos visuales.
    • Creación de gráficos y cuadros interactivos.
    • Integración de datos y generación de dashboards interactivos.
    • Aplicaciones en R
  • Introducción a R Markdown para reportes dinámicos.
  • Uso de librerías Shiny para crear aplicaciones interactivas.
    • Desarrollo de cuadros y gráficos dinámicos personalizados.
    • Creación de aplicaciones dinámicas con R y Shiny.

Estrategias Metodológicas:   

  • Clases expositivas
  • Análisis de casos

Estrategias Evaluativas:        

  • Rúbrica cuantitativa al 100%
  • A través de Talleres que permitan poner en práctica los contenidos vistos en el curso. 
    • Taller 5: 100%.

Curso 5: Aplicaciones de la Ciencia de Datos

keyboard_arrow_down
Applications of Data Science

Descripción del curso: 

En este curso, los estudiantes explorarán el concepto de Business Analytics y las ventajas del Data Science en sectores clave como la banca, los mercados financieros, el marketing y el análisis de texto. A través de clases expositivas y análisis de casos prácticos, los participantes aprenderán a aplicar herramientas y técnicas para el análisis de información, la evaluación de impacto y el procesamiento de datos no estructurados. El curso también incluye prácticas de obtención de datos mediante Web Scraping y APIs, y de procesamiento de lenguaje natural (NLP), utilizando R y Python para resolver problemas reales. La evaluación se centrará en el desarrollo y análisis de casos de uso aplicados en contextos empresariales, financieros y de marketing.

Resultados de Aprendizaje:   

  • Aplicar técnicas de ciencia de datos a un caso organizacional.
  • Analizar los resultados de una solución de datos en relación con el problema y sus limitaciones.
  • Evaluar la utilidad de una solución de ciencia de datos para decisiones organizacionales, según criterios de desempeño, viabilidad y uso responsable.

Contenidos:

  • Conceptos de Business Analytics y su relación con Data Science.
  • Aplicaciones en el ámbito bancario.
  • Aplicaciones en finanzas, riesgo y negocio.
  • Aplicaciones en marketing y analítica de clientes.
  • Evaluación de impacto utilizando ciencia de datos.
  • Procesamiento de texto y lenguaje natural (NLP): extracción y procesamiento de información clave.
  • Obtención de datos: web scraping, APIs y pipelines en R y Python.

Estrategias Metodológicas:   

  • Clases expositivas
  • Análisis de casos

Estrategias Evaluativas:

  • Rúbrica cuantitativa al 100%.
  • A través de Talleres que permitan poner en práctica los contenidos vistos en el curso. 
  • Quiz 2: 100%.

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 del 1.0 a 7.0:

  • Curso 1: Fundamentos de la ciencia de datos:  18 %
  • Curso 2: Modelos matemáticos y estadísticos clásicos: 35%
  • Curso 3: Aprendizaje automático (machine learning):  35%
  • Curso 4: Visualización de datos: 6%
  • Curso 5: Aplicaciones de la ciencia de datos: 6%

Nota: Las personas que no cumplan con el requisito de aprobación no recibirán ningún tipo de certificación.

Los resultados de las evaluaciones serán expresados en notas, en escala de 1,0 a 7,0 con un decimal, sin perjuicio que la Unidad pueda aplicar otra escala adicional.

Para aprobar un Diplomado o Programa de Formación o Especialización, se requiere la aprobación de todos los cursos que lo conforman y, en los casos que corresponda, de otros requisitos que indique el programa académico.

El estudiante será reprobado en un curso o actividad del Programa cuando hubiere obtenido como nota final una calificación inferior a cuatro (4,0).

Los alumnos que aprueben las exigencias del programa recibirán un certificado de aprobación digital otorgado por la Pontificia Universidad Católica de Chile. 

Además, se entregará una insignia digital por diplomado. Sólo cuando alguno de los cursos se dicte en forma independiente, además, se entregará una insignia por curso.

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. 

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. 

https://educacioncontinua.uc.cl/pagos-y-convenios/ 


¿Te parece interesante este programa?

Sí No