Compartir en:
Acerca del programa:
En la era digital, la masiva producción de datos abre infinitas oportunidades para un efectivo análisis de éstos. El diplomado en Machine Learning aplicado apunta a brindar una sólida formación práctica en las principales técnicas, tecnologías y tendencias que marcan el estado del arte en el uso de Machine Learning para el procesamiento y análisis de datos.
Dirigido a:
- Ingenieros de todas las especialidades, que trabajen con datos, o que requieran conocimientos o habilidades en la materia.
- Licenciados en Computación, y otros profesionales licenciados y/o con experiencia en áreas afines, que requieren conocimientos o habilidades en la materia.
- Astrónomos, Matemáticos, Estadísticos, Biólogos y otros profesionales de áreas científicas afines que trabajen con datos, o que requieran conocimientos o habilidades en la materia.
Jefe de Programa
Hans Löbel
Equipo Docente
keyboard_arrow_downHernán Valdivieso
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.
Antonio Ossa Guerra
Magíster en Ciencia de la Computación, UC. Ingeniero Civil de Industrias con Diploma en Ingeniería de Computación, UC. Ingeniero en Machine Learning de PhageLab.
Vicente Domínguez
Magíster en Ciencias de la Ingeniería, Ingeniero Civil de Computación UC. Proveedor independiente de consultorías sobre Machine Learning y Sistemas Recomendadores para empresas.
Nicolás Alvarado
Profesor Instructor Adjunto Departamento de Ciencia de la Computación Escuela de Ingeniería UC. Doctorado en Ciencias de la Computación, Universidad Católica de Chile (UC). Magíster en Matemática, Universidad Católica de Chile (UC).
Ariel Reyes
Estudiante de doctorado en Ingeniería mención Ciencias de la Computación, Magíster en Matemáticas UC, licenciado en matemáticas UC. Ha trabajado por más de tres años como docente de la Facultad de Matemáticas UC.
* 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.
Descripción
keyboard_arrow_downEl 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.
Requisitos de Ingreso
keyboard_arrow_down- 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.
Objetivos de Aprendizaje
keyboard_arrow_downAplicar oportunidades y técnicas de Machine Learning en diversos dominios, considerando el escenario técnico, tecnológico y los desafíos asociados a su implementación en una organización.
Desglose de cursos
keyboard_arrow_downCurso 1: Fundamentos de Machine Learning
keyboard_arrow_downDocente(s): Nicolás Alvarado
Unidad académica responsable: Escuela de Ingeniería
Requisitos: sin prerrequisitos
Créditos: 3
Horas totales: 48 | Horas directas: 24 | Horas indirectas: 24
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 de aprendizaje
- Distinguir conceptos y técnicas del paradigma tradicional de aprendizaje de máquina.
- Aplicar las representaciones de datos y técnicas de optimización de Machine Learning.
- 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
Estrategias metodológicas:
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.
Estrategias evaluativas:
- Control escrito individual 1 - 25%
- Laboratorio práctico grupal 1 - 25%
- Control escrito individual 2 - 25%
- Laboratorio práctico grupal 2 - 25%
Curso 2: Deep Learning
keyboard_arrow_downDocente(s): Ariel Reyes
Unidad académica responsable: Escuela de Ingeniería
Requisitos: sin prerrequisitos
Créditos: 3
Horas totales: 48 | Horas directas: 24 | Horas indirectas: 24
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 de aprendizaje
- Identificar los conceptos fundamentales del paradigma de Deep Learning.
- Aplicar técnicas de Deep Learning para análisis de datos multidimensionales y técnicas para el modelamiento de imágenes, secuencias y datos temporales.
- 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
Estrategias metodológicas:
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.
Estrategias evaluativas:
- Control escrito individual 1 - 25%
- Laboratorio práctico grupal 1 - 25%
- Control escrito individual 2 - 25%
- Laboratorio práctico grupal 2 - 25%
Curso 3: Teoría de grafos para Machine Learning
keyboard_arrow_downDocente(s): Antonio Ossa
Unidad académica responsable: Escuela de Ingeniería
Requisitos: sin prerrequisitos
Créditos: 3
Horas totales: 48 | Horas directas: 24 | Horas indirectas: 24
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 de aprendizaje
- Distinguir los fundamentos de la teoría de grafos.
- Identificar los principales desafíos del uso de grafos en Machine Learning.
- Aplicar representaciones de grafos para el modelamiento de distintas fuentes de datos.
- 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.
Estrategias metodológicas:
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.
Estrategias evaluativas:
- Control escrito individual 1 (20%)
- Laboratorio práctico grupal 1 (30%)
- Control escrito individual 2 (20%)
- Laboratorio práctico grupal 2 (30%)
Curso 4: Plataformas para Machine Learning
keyboard_arrow_downDocente(s): Antonio Ossa
Unidad académica responsable: Escuela de Ingeniería
Requisitos: sin prerrequisitos
Créditos: 3
Horas totales: 48 | Horas directas: 24 | Horas indirectas: 24
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 de aprendizaje
- Desarrollar soluciones de Machine Learning utilizando Python y sus principales bibliotecas, utilizando los componentes fundamentales requeridos en estos sistemas.
- Implementar soluciones de Machine Learning utilizando las herramientas y funcionalidades de los entornos Hadoop y Spark.
- Desarrollar soluciones de Machine Learning en plataformas Cloud, aplicando sus herramientas principales y conceptos técnicos fundamentales.
Contenido:
- 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.
Estrategias metodológicas:
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.
Estrategias evaluativas:
- Control individual (20%)
- Tarea práctica grupal 1 (40%)
- Tarea práctica grupal 2 (40%)
Curso 5: Sistemas recomendadores
keyboard_arrow_downDocente(s): Vicente Domínguez
Unidad académica responsable: Escuela de Ingeniería
Requisitos: sin prerrequisitos
Créditos: 3
Horas totales: 48 | Horas directas: 24 | Horas indirectas: 24
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 de aprendizaje
- Distinguir los principales algoritmos y fuentes de datos usados para generar recomendaciones.
- Analizar algoritmos de recomendación, identificando sus fortalezas y debilidades.
- Diseñar los distintos componentes de un sistema recomendador.
- 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
Estrategias metodológicas:
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.
Estrategias evaluativas:
- 7 talleres prácticos individuales (resolución de problemas prácticos utilizando Python) – 100% (cada uno 14,26% aprox).
Curso 6: Visualización de información para Machine Learning
keyboard_arrow_downDocente(s): Hernán Valdivieso
Unidad académica responsable: Escuela de Ingeniería
Requisitos: sin prerrequisitos
Créditos: 3
Horas totales: 48 | Horas directas: 24 | Horas indirectas: 24
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 de aprendizaje
- Describir problemas éticos y de privacidad en el manejo de datos.
- Diseñar de forma justificada la representación visual de un conjunto de datos determinado.
- 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.
Estrategias metodológicas:
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.
Estrategias evaluativas:
- Taller 1 – 25%
- Control – 25%
- Taller 2 – 25%
- Taller 3 – 25%
- Examen – 25%
*Se promediarán las 4 mejores notas.
Requisitos Aprobación
keyboard_arrow_downLos cursos que componen el diplomado tienen la siguiente ponderación:
- Curso 1: Fundamentos de Machine Learning – 16,6%
- Curso 2: Deep Learning – 16,6%
- Curso 3: Teoría de grafos para Machine Learning – 16,6%
- Curso 4: Plataformas para Machine Learning – 16,6%
- Curso 5: Sistemas recomendadores – 16,6%
- Curso 6: Visualización de información para Machine Learning – 17%
Los alumnos deberán ser aprobados de acuerdo los siguientes criterios:
- Calificación mínima de todos los cursos 4.0 en su promedio ponderado.
- Asistencia mínima de 75%
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, 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.
* En caso de que un alumno repruebe uno o máximo dos cursos pertenecientes a un Diplomado, Educación Profesional Ingeniería UC ofrece la oportunidad de realizarlos en una siguiente versión del mismo programa. Para ello, el alumno deberá pagar un valor de 3 UF por curso e indicar la fecha de la versión en la que desea matricularse. La gestión debe realizarse dentro de un máximo de 2 años a contar de la fecha de inicio del Diplomado original. El estudiante debe considerar que de existir un cambio en la estructura curricular de su Diplomado que implique nuevos cursos, tendrá que realizarlos pagando un valor de 3 UF, además del que reprobó. Esto no obliga a la Universidad a dictar nuevamente el programa.
Proceso de Admisión
keyboard_arrow_downLas personas interesadas deberán completar la ficha de postulación, accesible haciendo clic en el botón ubicado en la esquina superior derecha de esta página web. Además, deberán enviar los siguientes documentos al momento de la postulación o, si lo prefieren, posteriormente a la coordinación académica correspondiente:
- Copia simple de Cédula de Identidad o pasaporte
- Currículum vitae actualizado
- Copia simple de título profesional y licenciatura
Para mayor informacion comunicarse con la coordinación académica al correo programas.ing@uc.cl
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
¿Te parece interesante este programa?
Sí No
