Diplomado en Data science

Docente(s): Alexis Alvear (responsable del curso)

Unidad académica responsable: Facultad de Matemáticas.

Requisitos: Sin prerrequisitos

Créditos: 3

Horas totales: 60 | Horas directas: 15 | Horas indirectas: 45

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 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:     

• Comprender el desarrollo histórico y tecnológico de la ciencia de datos.
• Explicar los fundamentos de la ciencia de datos y su impacto.
• Formular estrategias innovadoras basadas en ciencia de datos, integrando la comprensión de desafíos éticos, la relación con la innovación y la aplicación de conceptos en casos reales, para abordar problemáticas complejas de manera estratégica y responsable.

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.        

Estrategias Metodológicas:     

• Clases expositivas
• Análisis de casos

Estrategias Evaluativas 

• Proyecto basado en problemas integral: 100%
• Que les permitirá aplicar progresivamente las herramientas y metodologías adquiridas en los distintos módulos.

Docente(s): Ricardo Olea. (responsable del curso)

Unidad académica responsable: Facultad de Matemáticas.

Requisitos: Sin prerrequisitos

Créditos: 6

Horas totales: 100 | Horas directas: 60| Horas indirectas: 40          

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, 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. 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:     

• Manejo de herramientas computacionales: Utilizar R y/o Python para importar, manipular, visualizar y exportar datos.
• Estadística descriptiva y exploratoria: Resumir y analizar datos mediante herramientas estadísticas básicas, visualización efectiva y conceptos de posición, dispersión e interpretación.
• Formular 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.
• 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
• 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.

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.

Docente(s): Ricardo Olea. (responsable del curso)

Unidad académica responsable: Facultad de Matemáticas.

Requisitos: Sin prerrequisitos

Créditos: 6

Horas totales: 100 | Horas directas: 60 | Horas indirectas: 40         

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.

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:

• Manejar las principales funcionalidades y usos del software R y/o Python.
• Utilizar y programar funciones, procesos recursivos y métodos de auto aprendizaje.
• Crear estrategias estadísticas avanzadas que integren modelos descriptivos, métodos de clasificación y manejo de grandes volúmenes de datos, incorporando técnicas para la reducción de dimensionalidad y validación de modelos, con el objetivo de resolver problemas complejos y optimizar la toma de decisiones basada en datos.

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).
  •  Implementación de estos conceptos en R y/o Python. 
• Árboles de Decisión, Bagging y Random Forest       
  • Recordatorio de los modelos supervisados.
  • Árboles de decisión: criterios de ramificación, ventajas y limitaciones.
  • Métodos avanzados: Bagging y Random Forest.
  • Implementación de árboles de decisión y Random Forest en R y/o Python.     
• 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).     
• LSTM (Long Short-Term Memory) para predicción de series de tiempo.
• Sistemas de recomendación: fundamentos y aplicaciones.  
• Implementación de aplicaciones de IA en R y Python.        
• Estadística Espacial para Data Science
  • Conceptos básicos de estadística espacial.
  • Aplicaciones y ejemplos en proyectos de ciencia de datos.

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.

Docente(s): Ricardo Olea (responsable del curso)

Unidad académica responsable: Facultad de Matemáticas.

Requisitos: Sin prerrequisitos

Créditos: 1

Horas totales: 25 | Horas directas: 15 | Horas indirectas: 10           

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. Mediante clases expositivas y análisis de casos, se familiarizarán con herramientas interactivas como Power BI, 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:     

• Identificar las herramientas principales para la manipulación y visualización de datos.
• Aplicar conceptos básicos de programación y metodologías para el diseño visual efectivo.
• Diseñar visualizaciones dinámicas utilizando software interactivo como Power BI, Google Data 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:

• 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.

Docente(s): Alexis Alvear. (responsable del curso)

Unidad académica responsable: Facultad de Matemáticas.

Requisitos: Sin prerrequisitos

Créditos: 1

Horas totales: 25 | Horas directas: 15 | Horas indirectas: 10           

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 en Web Scraping y análisis de texto, 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:     

• Comprender el concepto de Business Analytics y su relación con la ciencia de datos.
• Identificar las ventajas y aplicaciones del Data Science en banca, mercados financieros y marketing.
• Formular soluciones empresariales basadas en herramientas y técnicas de análisis de información, evaluando casos prácticos de Data Science que incluyan el procesamiento de texto y datos no estructurados, para abordar problemas complejos de manera estratégica y eficiente.

Contenidos:

• Conceptos de Business Analytics y su relación con Data Science.
• Aplicaciones en el ámbito bancario.
• Aplicaciones en los mercados financieros.
• Aplicaciones en marketing y estrategias comerciales.
• Evaluación de impacto utilizando ciencia de datos.
• Aplicaciones en análisis de texto: extracción y procesamiento de información clave.
• Introducción a Web Scraping: técnicas y herramientas 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.