Diplomado en Machine Learning aplicado

HANS LÖBEL, Ph.D  

Ph.D. y Magíster en Ciencias de la Ingeniería de la UC. Ingeniero Civil en Ciencia de la Computación de la UC. Profesor Asistente de los departamentos de Ingeniería de Transporte y Logística y de Ciencia de la Computación de la Escuela de Ingeniería UC. El Dr. Löbel es especialista en aprendizaje de máquina (Machine Learning), reconocimiento visual y big data. Su área principal de trabajo es el desarrollo de técnicas de aprendizaje profundo para análisis de datos no estructurados con aplicaciones en el área de smart cities. 

DENIS PARRA, Ph.D 

Ph.D. in Information Science, University of Pittsburgh, EE.UU. Ingeniero Civil en Informática de la Universidad Austral de Chile. Profesor Asistente del Departamento de Ciencia de la Computación de Ingeniería UC. El Dr. Parra es experto en sistemas de recomendación y personalización automatizada. Su área principal de trabajo se desarrolla en la frontera entre las temáticas de análisis de redes sociales, minería de datos y técnicas de visualización para sistemas recomendadores. 

HERNÁN VALDIVIESO, M.Sc. 

Profesor Instructuro del Departamento de Ciencia de la Computación, Escuela de Ingeniería UC; Ingeniero Civil en Computación y Magíster en Ciencias de la Ingeniería, UC. Su área principal de trabajo es la docencia y el desarrollo de técnicas de visualización. 

GERMÁN CONTRERAS 

Ingeniero Civil de Computación de la UC. Desarrollador de software en Kimche, empresa EdTech enfocada en facilitar la toma de decisiones de gestión educativa basada en datos haciendo uso de herramientas y tecnologías de Big Data. 

SEBASTIÁN BUGUEDO 

Desarrollador de software en Kimche; Licenciado en Ciencias de la Ingeniería, UC; Estudiante de Magíster en Ciencias de la Ingeniería, UC. 

ANDRES CARVALLO, Ph.D 

Ph.D. en Ciencias de la Ingeniería mención en Ciencia de la Computación de la UC. Actualmente se desempeña como Postdoctorado en el Centro de Investigación en Inteligencia Artificial (CENIA). El Dr. Carvallo es experto en sistemas de recomendación, recuperación de información y procesamiento de lenguaje natural. Sus áreas principales de trabajo y aplicaciones se centran en minería de texto biomédico, inteligencia artificial explicable y minería de datos. 

* EP (Educación Profesional) de la Escuela de Ingeniería se reserva el derecho de remplazar, en caso de fuerza mayor, a él o los profesores indicados en este programa; y de asignar al docente que dicta el programa según disponibilidad de los profesores. 

El uso de datos para tomar decisiones y predecir comportamientos ha comenzado a surgir en los más diversos ámbitos de nuestro quehacer social y laboral, lo que, acompañado de nuevas plataformas tecnológicas de cómputo para el procesamiento de datos, generan un escenario propicio para la irrupción masiva de técnicas de Machine Learning. Las oportunidades que abre un efectivo uso de estas técnicas junto con la actual abundancia de datos son enormes; ello ha motivado un gran interés, y acelerado el desarrollo de nuevas tecnologías dedicadas a su aplicación en diversos dominios de la sociedad. En este contexto, el diplomado en Machine Learning aplicado apunta a entregar una sólida formación práctica en las principales técnicas, tecnologías y tendencias que marcan el estado del arte de esta área, enfatizando el uso de fuentes de datos diversas, tanto estructuradas como no estructuradas, en una amplia gama de áreas de aplicación.

Como eje central, se aborda la aplicación de técnicas de Machine Learning en diversos dominios de interés, cubriendo no solo los aspectos prácticos, sino también los técnico-teóricos que entregan que permiten su correcto funcionamiento. Junto con esto, el programa pone especial énfasis en la enseñanza de las herramientas y plataformas tecnológicas que permiten aplicar estas técnicas, de modo que los estudiantes puedan llevar rápidamente a la práctica los conocimientos adquiridos. Con el fin de enriquecer esta perspectiva, los cursos del programa no sólo exploran el uso de datos estructurados tradicionales, sino también de datos no estructurados, como es el caso de datos textuales, imágenes, sensores o interacciones en redes sociales. Con el fin de enfatizar aún más la naturaleza aplicada y práctica del diplomado, se consideran cursos dedicados a sistemas recomendadores y teoría de grafos para Machine Learning, dos de las áreas de aplicación de estas técnicas con mayor crecimiento en la industria. Adicionalmente, el diplomado abarca tópicos de visualización de información, elemento clave para facilitar la inclusión de analistas humanos en el ciclo de entrenamiento, validación y auditoría de modelos de Machine Learning, cuando estos son utilizados para tomar decisiones que involucran o afectan a las personas.

De esta manera, el programa entrega herramientas para entender el escenario técnico y tecnológico que da vida a Machine Learning; describir los principales elementos y desafíos de esta área en cuanto a su aplicación en diversos dominios; conocer y entender las principales tecnologías detrás de aplicaciones; y diseñar y aplicar soluciones a problemáticas reales en diversos dominios, donde el aprendizaje basado en datos es factible.

Los cursos ponen especial énfasis en la aplicación de Machine Learning en múltiples dominios, cubriendo los aspectos técnicos y teóricos, y llevando estos últimos a la práctica mediante programación y el uso de librerías y herramientas especializadas. La metodología combina clases expositivas con apoyo audiovisual, talleres con ejercicios prácticos de programación guiados y aplicados a distintos dominios, y el estudio de casos de Machine Learning en distintos dominios.

• Licenciatura o título profesional universitario en una disciplina afín a la Ingeniería.
• Experiencia laboral de 2 años en al área de tecnologías de información, científica, o afín.
• A responsabilidad del alumno, se sugiere experiencia básica en lenguajes de programación, además de un buen nivel de comprensión lectora de inglés.

• Identificar oportunidades de implementación y uso de tecnologías relacionadas con Machine Learning en la organización.
• Analizar escenario técnico y tecnológico que da vida a Machine Learning, considerando los principales elementos y desafíos de esta área en cuanto a su aplicación en diversos dominios.
• Aplicar las principales técnicas de Machine Learning en dominios diversos donde exista disponibilidad de datos.

El marco metodológico combina diferentes métodos de enseñanza, con el propósito de lograr un alto nivel de aprendizaje en los alumnos. Para ello se contemplan:

Exposiciones conceptuales y participativas apoyadas por material audio visual.

Clases expositivas e interactivas, donde el profesor realizará un juego de preguntas a los alumnos, con el propósito de aprovechar la historia y experiencia de los participantes.

Actividades prácticas de análisis, ajustadas a las necesidades e intereses de los participantes y sus empresas; éstas se realizarán en grupos.

Revisión y discusión de lecturas, y casos escritos que serán proporcionados por los docentes.

Curso 1

Nombre del curso: Fundamentos de Machine Learning

Nombre en inglés: Machine Learning fundamentals

Horas cronológicas: 24

Créditos: 5

Descripción del curso

Machine Learning, o aprendizaje de máquina, es la ciencia encargada de generar nuevas tecnologías que sean capaces de aprender desde fuentes de datos diversas. Este curso es una vitrina a sus conceptos y algoritmos fundamentales. En particular, el curso se centra en una mirada práctica y aplicada de técnicas para el aprendizaje y predicción sobre datos estructurados provenientes de variadas fuentes.

Resultados del Aprendizaje

1. Distinguir conceptos y técnicas del paradigma tradicional de aprendizaje de máquina.
2. Aplicar las representaciones de datos y técnicas de optimización de Machine Learning.
3. Implementar soluciones basadas en modelos de Machine Learning en base a bibliotecas de software existentes. 

Contenidos

• Fundamentos de Machine Learning
• Técnicas de vecinos cercanos
• Árboles y ensambles
• Máquina de vectores de soporte
• Aplicaciones de Machine Learning en múltiples dominios

Metodología de enseñanza y aprendizaje

El marco metodológico combina diferentes métodos de enseñanza, con el propósito de lograr un alto nivel de aprendizaje en los alumnos. Para ello se contemplan:

Exposiciones conceptuales y participativas apoyadas por material audio visual.

Clases expositivas e interactivas, donde el profesor realizará un juego de preguntas a los alumnos, con el propósito de aprovechar la historia y experiencia de los participantes.

Actividades prácticas de análisis, ajustadas a las necesidades e intereses de los participantes y sus empresas; éstas se realizarán en grupos.

Revisión y discusión de lecturas, y casos escritos que serán proporcionados por los docentes.

Evaluación de los aprendizajes

Control escrito individual 1 (20%)

Taller práctico grupal 1 (30%)

Control escrito individual 2 (20)

Taller práctico grupal 2 (30%)

Bibliografía mínima

Hastie, Tibshirani, Friedman, (2017), The Elements of Statistical Learning, Springer.

Bibliografía complementaria

Burkov, (2019), The Hundred Page Machine Learning Book.

VanderPlass, (2016), Python Data Science Handbook, O’Reilly Media.

Curso 2

Nombre del curso: Deep Learning

Nombre en inglés: Deep Learning

Horas cronológicas: 24

Créditos: 5

Descripción del curso

Este curso introduce los principales conceptos y técnicas de Deep Learning, actualmente el área más exitosa del Aprendizaje de Máquina. En particular, se enfocarán estos contenidos a nuevos tipos de datos no estructurados, introduciendo técnicas recientes del estado del arte y aplicaciones de estas.

Resultados del Aprendizaje

1. Identificar los conceptos fundamentales del paradigma de Deep Learning.
2. Aplicar técnicas de Deep Learning para análisis de datos multidimensionales y técnicas para el modelamiento de imágenes, secuencias y datos temporales. 
3. Implementar soluciones basadas en modelos de Deep Learning en base a bibliotecas de software existentes.

Contenidos

• Fundamentos de aprendizaje profundo
• Perceptrón y redes neuronales de capa oculta
• Redes neuronales convolucionales
• Redes neuronales recurrentes, modelos seq2seq y mecanismos de atención
• Entornos de desarrollo para aprendizaje profundo
• Aplicaciones de Deep Learning en múltiples dominios

Evaluación de los aprendizajes

Control escrito individual 1 (20%)

Taller práctico grupal 1 (30%)

Control escrito individual 2 (20%)

Taller práctico grupal 2 (30%)

Bibliografía mínima

Goodfellow, Y., Bengio, A., Courville, (2017), Deep Learning, MIT Press.

Bibliografía complementaria

F. Chollet, (2017), Deep Learning with Python, Manning.

Zhang, A., Lipton, Z., Li, M., Smola, A., (2021), Dive into Deep Learning. [https://d2l.ai/d2l-en.pdf] 

Curso 3

Nombre del curso: Teoría de grafos para Machine Learning

Nombre en inglés: Graph theory for Machine Learning

Horas cronológicas: 24

Créditos: 5

Descripción del curso

En este curso se introducen los conceptos fundamentales de la teoría de grafos y sus aplicaciones en Machine Learning. Complementando estos aspectos, el curso considera el análisis de casos de uso para el uso de datos basado en grafos en el contexto de Machine Learning, además de la aplicación de herramientas para realizarlo.

Resultados del Aprendizaje

1. Distinguir los fundamentos de la teoría de grafos.
2. Identificar los principales desafíos del uso de grafos en Machine Learning.
3. Aplicar representaciones de grafos para el modelamiento de distintas fuentes de datos.
4. Aplicar las principales técnicas para el uso de grafos como herramienta analítica.

Contenidos

• Conceptos fundamentales de teoría de grafos
• Base de datos para grafos.
• Grafos como herramienta analítica.
• Grafos para modelamiento y análisis de datos dinámicos, datos espaciales y redes sociales.
• Redes neuronales para grafos.
• Estudio de casos y aplicaciones en diversos dominios.

Evaluación de los aprendizajes

Control escrito individual 1 (20%)

Laboratorio práctico grupal 1 (30%)

Control escrito individual 2 (20%)

Laboratorio práctico grupal 2 (30%)

Bibliogradía Mínima

Benjamin, A., Chartrand, G., Zhang, P., (2015), The Fascinating World of Graph Theory, Princeton University Press.

Bibliografía complementaria

Robinson, I., Webber, J., (2013), Graph Databases, O"Reilly.

Pitas, I., (2016), Graph-Based Social Media Analysis, Chapman & Hall/CRC.

Curso 4

Nombre del curso: Plataformas para Machine Learning

Nombre en inglés: Machine Learning platforms

Horas cronológicas: 24

Créditos: 5

Descripción del curso

En este curso se introducen y aplican las distintas plataformas, lenguajes y librerías requeridas en los distintos pasos involucrados en la construcción de sistemas de Machine Learning, con especial énfasis en el uso del lenguaje Python para este propósito. El objetivo es que los estudiantes se familiaricen con estas y que desarrollen nociones de los tipos de problemas que pueden ser solucionados de manera efectiva con ellas.

Resultados del Aprendizaje

• Distinguir los principales componentes con que debe contar una solución basada en Machine Learning.
• Desarrollar algoritmos de Machine Learning utilizando el lenguaje Python
• Identificar los principios conceptuales y técnicos en los que se basan los entornos Hadoop y Spark.
• Utilizar las herramientas de Hadoop y Spark para Machine Learning.
• Reconocer las bases conceptuales y técnicas sobre las cuales funcionan las plataformas Cloud.
• Aplicar las principales herramientas de las plataformas Cloud para Machine Learning.

Contenidos

• Python como entorno para Machine Learning y ciencia de datos
• Pandas y scikit-learn
• Plataforma Hadoop y Spark
• PySparkML, SparkSQL y SparkML.
• Aspectos técnicos de las plataformas Cloud.
• Herramientas Cloud para Machine Learning.

Evaluación de los aprendizajes

Control individual (20%)

Tarea práctica grupal 1 (40%)

Tarea práctica grupal 2 (40%)

Bibliografía mínima

VanderPlass, (2016), Python Data Science Handbook, O’Reilly Media.

Bibliografía complementaria

T. White, (2015), Hadoop: The Definitive Guide, O"Reilly Media.

B. Chambers y M. Zaharia, (2018), Spark: The Definitive Guide, O’Reilly Media.

Ruparelia, N. (2016), Cloud Computing. MIT Press. 

Curso 5

Nombre del curso: Sistemas recomendadores

Nombre en inglés:  Recommender systems

Horas cronológicas: 24

Créditos: 5

Descripción del curso

El curso introduce el área de Sistemas Recomendadores, los cuales mediante esquemas de Machine Learning, tienen como objetivo ayudar a un usuario o a grupos de usuarios a filtrar y descubrir información relevante y de manera personalizada. Se presentarán los principales algoritmos para generar recomendaciones, las fuentes de datos usadas y el estudio de casos avanzados.

Resultados del Aprendizaje

1. Distinguir los principales algoritmos y fuentes de datos usados para generar recomendaciones.
2. Analizar algoritmos de recomendación, identificando sus fortalezas y debilidades.
3. Diseñar los distintos componentes de un sistema recomendador.
4. Evaluar un sistema recomendador usando diversas métricas y la factibilidad de su implementación.

Contenidos

• Datos usados para generar recomendaciones: información espacial, temporal y redes sociales.
• Preferencias basadas en retroalimentación explícita e implícita.
• Métodos de recomendación y evaluación de Sistemas Recomendadores.
• Estudio de casos y aplicaciones en diversos dominios

Evaluación de los aprendizajes

Control escrito individual 1 (20%)

Laboratorio práctico grupal 1 (30%)

Control escrito individual 2 (20%)

Laboratorio práctico grupal 2 (30%) 

Bibliografía mínima

Ricci et al., (2015), Recommender Systems Handbook, Springer.

Bibliografía complementaria

Agarwal at al., (2015), Statistical methods for recommender systems. Cambridge University Press.

Dietmar ,Jannach at al. (2010), Recommender systems: an introduction. Cambridge University Press.

Curso 6

Nombre del curso: Visualización de Información para Machine Learning

Nombre en inglés:  Information Visualization for Machine Learning

Horas cronológicas: 24

Créditos: 5

Descripción del curso

El curso introduce el área de Visualización de Información, donde se estudiarán técnicas y algoritmos para crear visualizaciones efectivas basadas en principios de diseño gráfico, artes visuales, y psicología cognitiva. En particular, el curso enfoca sus técnicas y casos de estudio en aplicaciones de Machine Learning.

Resultados del Aprendizaje

1. Describir problemas éticos y de privacidad en el manejo de datos.
2. Diseñar de forma justificada la representación visual de un conjunto de datos determinado.
3. Evaluar el diseño de la visualización de datos basándose en la naturaleza de los datos subyacentes, el público objetivo y el propósito general.

Contenidos

• Fundamentos: abstracción de datos, marcas y canales, procesamiento humano de la información.
• Herramientas de visualización y aplicaciones en Machine Learning.
• Procesamiento y visualización con lenguaje Python.
• Visualización en distintos dominios y aplicaciones de Machine Learning: tabulares, espaciales, redes y texto.
• Pensamiento crítico para evaluar visualizaciones.
• Ética y privacidad en el manejo de datos.
• Aplicaciones en diversos dominios.

Evaluación de los aprendizajes

Control escrito individual 1 (20%)

Laboratorio práctico grupal 1 (30%)

Control escrito individual 2 (20%)

Laboratorio práctico grupal 2 (30%) 

Bibliografía mínima

Munzner, Tamara. Visualization Analysis and Design, CRC Press, 2014

Bibliografía complementaria

Ware, Colin, Information visualization: perception for design, Elsevier, 2012. 

Los cursos que componen el diplomado tienen la siguiente ponderación:

• Curso 1: Fundamentos de Machine Learning 15%
• Curso 2: Deep Learning 15%
• Curso 3: Teoría de grafos para Machine Learning 15%
• Curso 4: Plataformas para Machine Learning 15%
• Curso 5: Sistemas recomendadores 15%
• Curso 6: Visualización de información para Machine Learning 15%

Asistencia: 10%

Para aprobar el diplomado, el alumno debe con el siguiente requisito:

Requisito académico: Se cumple aprobando todos los cursos con nota mínima 4,0.

*Si bien el porcentaje de asistencia no es un requisito para la aprobación final del diplomado o curso, dentro de las clases pueden realizarse actividades no grabadas y evaluadas, sin previo aviso. En los casos en que la asistencia sea considerada como una calificación en la ponderación de la nota final del programa, el % de asistencia a clases será expresado en una calificación que tiene un 70% de exigencia para la nota 4,0. Esta calificación se promedia con la nota del diplomado según la ponderación indicada.

Para aprobar los programas de diplomados se requiere la aprobación de todos los cursos que lo conforman.

Los alumnos que aprueben las exigencias del programa recibirán un certificado de aprobación digital 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.

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: 

• Fotocopia Carnet de Identidad.
• Fotocopia simple del Certificado de Título
• Curriculum Vitae actualizado.

El postulante será contactado, para asistir a una entrevista personal (si corresponde) con el Jefe de Programa del Diplomado o su Coordinadora Académica. Cualquier información adicional o inquietud podrás escribir al correo programas@ing.puc.cl.

VACANTES: 40

INFORMACION RELEVANTE

Con el objetivo de brindar las condiciones de infraestructura necesaria y la asistencia adecuada al inicio y durante las clases para personas con discapacidad: Física o motriz, Sensorial (Visual o auditiva) u otra, los invitamos a informarlo. 

• 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