Diplomado en Inteligencia de Negocios y Cloud Computing

Docente(s): Patricio Cofré

Unidad académica responsable: Escuela de Ingeniería

Requisitos: sin prerrequisitos

Créditos: 4

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

Descripción del Curso

Las técnicas asociadas a la ciencia de datos y al aprendizaje de máquina, a veces englobadas bajo el paraguas de la inteligencia artificial, han adquirido gran notoriedad en los últimos años. Esto se debe principalmente a que han comenzado a surgir aplicaciones espectaculares en diversos ámbitos de negocios y de la sociedad.

El presente curso está diseñado para abordar las temáticas asociadas a la ciencia de datos y el machine learning desde la perspectiva de sus aplicaciones en el mundo de los negocios y otros sectores. El curso inicia con una revisión de las técnicas básicas, para luego avanzar rápidamente a examinar aplicaciones interesantes, apreciar las oportunidades y comprender sus dificultades y limitaciones. Los alumnos aprenderán a utilizar técnicas y herramientas de aprendizaje supervisado y no supervisado para el descubrimiento de asociaciones, correlaciones o dependencias que pueden ser importantes en la toma de decisiones.

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

1. Identificar los principales conceptos y técnicas asociados a Machine Learning y ciencia de datos.
2. Reconocer la importancia y los principales desafíos de los datos en el contexto actual.
3. Asociar las diversas técnicas con oportunidades de aplicación en los negocios.
4. Examinar las dificultades y oportunidades en la aplicación de técnicas de ciencia de datos y aprendizaje de máquina.

Contenidos

• Introducción al aprendizaje de máquinas y ciencia de datos
  • Conceptos de inteligencia de negocios y minería de datos
  • Conceptos de ciencia de datos y aprendizaje de máquina
  • El auge actual del aprendizaje de máquina e inteligencia artificial
• Tipos de datos y aplicaciones
  • Aplicaciones sobre transacciones estructuradas
  • Aplicaciones sobre texto
  • Aplicaciones sobre audio
  • Aplicaciones sobre video
• Técnicas de ciencia de datos y aprendizaje de máquina
  • Visualización en ciencia de datos
  • Aprendizaje supervisado
  • Aprendizaje no supervisado
  • Aprendizaje reforzado
• Aplicaciones en los negocios
  • Aplicaciones de visualización en ciencia de datos
  • Aplicaciones de aprendizaje supervisado
  • Aplicaciones de aprendizaje no supervisado
  • Aplicaciones de aprendizaje reforzado
• Casos de ciencia de datos
  • Caso en compañía de seguros
  • Caso en banca
  • Caso en retail
  • Caso en calidad del aire
• Casos de aprendizaje de máquina
  • Caso en transporte público
  • Caso en compras públicas
  • Caso en industria financiera
  • Caso en observación astronómica

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): Sergio Bocaz

Unidad académica responsable: Escuela de Ingeniería

Requisitos: sin prerrequisitos

Créditos: 4

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

Descripción del curso

En este curso se aborda la problemática de gobernanza desde una perspectiva de las mejores prácticas utilizadas en la actualidad en la industria. Un proyecto de Inteligencia de Negocios tiene mucho en común con un proyecto de desarrollo de software, pero también tiene particularidades muy propias o específicas. También, al igual que en el caso de desarrollo de proyectos de software, las metodologías han cambiado mucho en los últimos años, influenciadas por las metodologías ágiles. Se estudiarán así los fundamentos asociados a la gestión de proyectos de Inteligencia de Negocios tanto desde la perspectiva clásica como de la más moderna.

El curso se centra en dos aspectos cruciales para la implementación de un proyecto de Inteligencia de Negocios en una organización. Primero, en la implementación de una gobernanza de datos que pavimente el camino para cualquier proyecto y segundo, en las técnicas metodológicas asociadas a la gestión del proyecto de este tipo. Se abarcan las metodologías clásicas y también las más innovadoras, de modo de entregar al alumno el más amplio rango de herramientas.

El formato de este Curso es 100% en línea y se utilizan 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 utilizada.

Resultados de aprendizaje

1.  Comprender los actuales modelos de Gobierno de Datos y las tendencias futuras.
2. Liderar el desarrollo de un proyecto de Inteligencia de Negocios en cualquier empresa u organización.
3. Conocer experiencias prácticas de compañías locales o multinacionales que han implementado modelos proyectos de Inteligencia de Negocios.

Contenidos

• Conceptos básicos de la gestión de proyectos BI
  • Principios básicos del PMI
  • Áreas de conocimiento
  • Personas, cultura y política
• Metodología clásica de gestión de proyectos BI
  • Contexto metodológico
  • Conceptos relevantes
  • Consideraciones relevantes
  • Prototipos
• Metodología moderna de gestión de proyectos BI
  • La naturaleza de la agilidad
  • Introducción a Scrum
  • Desarrollo de proyectos BI con metodología Scrum
• Conceptos básicos de gobierno de datos
  • La necesidad de gobierno
  • Desafío de fondo
  • Conceptos fundacionales clave
  • Desafíos del gobierno de datos
• Gobierno y calidad de datos
  • Roles
  • Estructura organizativa
  • Data Stewardship
  • Calidad de datos
  • Modelos de gobierno de datos
• Arquitectura, tecnología y soluciones
  • Arquitectura de datos
  • Master Data Management
  • Proveedores de nube

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 Gamboa

Unidad académica responsable: Escuela de Ingeniería

Requisitos: sin prerrequisitos

Créditos: 4

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

Descripción del curso

En este curso el estudiante analizará los conceptos fundamentales asociados a computación en la nube, tipo de servicios, forma de entrega de los servicios, elección de un proveedor, la ​​seguridad y la gobernanza, etc. Realizará un trabajo práctico consistente en hacer algunas tareas simples como instalar un servidor o recursos de almacenamiento masivo usando alguno de los proveedores más conocidos. 

El formato de estudio es 100% en línea y se estructura sobre técnicas metodológicas activas, mediante las cuales el participante puede interactuar con sus pares y tutor a través de los recursos tecnológicos que provee la plataforma educativa virtual. Se contempla el ejercicio práctico de los conocimientos adquiridos a través de mini proyectos de aplicación. 

Resultados de aprendizaje

1. Identificar las principales categorías disponibles en las grandes plataformas de computación en la nube.
2. Discutir ventajas y riesgos de una solución tecnológica genérica basada en computación en la nube.
3. Describir las principales tecnologías habilitantes relacionadas con computación en la nube.
4. Utilizar servicios básicos de cómputo y almacenamiento en la nube para el desarrollo de  proyectos de inteligencia de negocios

Contenidos

• Introducción: ¿Qué es Cloud Computing?: características principales, tipos de servicio, tipos de nube
• Tecnologías habilitantes (máquinas virtuales, arquitecturas orientadas a servicio, etc.)
• Virtualización
• Principales plataformas de servicios en la nube: Amazon AWS, Google Cloud, Microsoft Azure
• Tipos de servicios en la nube: desde el fierro virtual a los servicios cognitivos
• Tipos de almacenamiento en la nube
• Aspectos de seguridad

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): Stefanni Cavaletto

Unidad académica responsable: Escuela de Ingeniería

Requisitos: sin prerrequisitos

Créditos: 4

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

Descripción del curso

Hasta hace poco tiempo un proyecto de inteligencia artificial requería el poder disponer de máquinas muy potentes (clusters de máquinas con GPU's) y complejas infraestructuras para manejar los datos en un contexto de Big Data. Gracias a los servicios totalmente administrados que ofrecen los principales proveedores de servicios Cloud, cualquier persona, empresa u organización puede armar un proyecto incluso sin tener un ingeniero de datos a disposición. Es posible incluso acceder a modelos de reconocimiento de imágenes o video ya entrenados y listos para ser utilizados. 

El estudiante aprenderá algunos de los principales servicios totalmente administrados desde la nube que le permitirán armar una solución que incorpore inteligencia artificial sin necesidad de contar ni con infraestructura propia ni con capacidades propias de ingeniería de datos. Se realizarán miniproyectos que permitirán experimentar con algunas de las herramientas disponibles desde dos de los principales proveedores de servicios Cloud: Azure y GCP.

El formato de estudio es 100% en línea y se estructura sobre técnicas metodológicas activas, mediante las cuales el participante puede interactuar con sus pares y tutor a través de los recursos tecnológicos que provee la plataforma educativa virtual. Se contempla el ejercicio práctico de los conocimientos adquiridos a través de mini proyectos de aplicación.

Resultados de aprendizaje

1. Identificar las soluciones tecnológicas disponibles en los principales proveedores de Cloud que incorporan aprendizaje de máquina.
2. Desarrollar aplicaciones de Machine Learning usando servicios de Azure y de GCP en proyectos de inteligencia de negocios
3. Construir aplicaciones que incorporen los servicios cognitivos de imágenes, texto o voz disponibles en las grandes plataformas de servicios Cloud

Contenidos

• Introducción a Big data y ML
• Modelos de Regresión y Clasificación
• Preparación de Datos, el pipeline de datos
• Manejo de Big Data en la nube
• Servicios para ML en Azure
• Azure machine learning studio
• ML automatizado (Azure AML)
• Servicios cognitivos en Azure
• AutoML en GCP
• Introducción a Vertex AI en GCP
• Servicios cognitivos en GCP

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%