Diplomado en Python profesional

Docente(s): Antonio Ossa

Unidad académica responsable: Escuela de Ingeniería

Requisitos: Sin prerrequisitos

Créditos: 4

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

Descripción del curso

El curso comienza con sintaxis y tipos básicos en Python, para luego abordar las estructuras fundamentales como listas, tuplas, colas, diccionarios y sets, analizando ventajas y desventajas de cada una de ellas y técnicas de lectura y escritura de datos. Se estudian además los conceptos y técnicas del paradigma de orientación a objetos y su implementación en el lenguaje Python. El curso concluye enseñando cómo utilizar bibliotecas existentes para integrarlas efectivamente dentro de un programa. 

Los contenidos serán abordados en 6 clases en línea (8 semanas), donde se entregarán los contenidos mediante recursos interactivos que integran videos, esquemas, artículos, lecturas y preguntas formativas. Lo anterior, utilizando una plataforma educativa virtual.  

Resultados de aprendizaje

1. Utilizar las estructuras de datos secuenciales y no secuenciales más adecuadas en cada caso. 
2. Construir un programa utilizando los conceptos de la programación orientada a objetos. 
3. Incorporar funcionalidades disponibles en bibliotecas existentes a un programa propio. 

Contenidos:

• Introducción al lenguaje de programación Python y su sintaxis. 
• Estructuras de datos secuenciales: listas, tuplas, colas. 
• Estructuras de datos no secuenciales: diccionarios y sets. 
• Clases, objetos, atributos y métodos. 
• Interacción entre objetos. 
• Uso de módulos y bibliotecas existentes. 

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% 

*Nota: El orden de los cursos dependerá de la programación que realice la Dirección Académica

Docente(s): Jaime Navón

Unidad académica responsable: Escuela de Ingeniería

Requisitos: Sin prerrequisitos

Créditos: 4

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

Descripción del curso

El punto de partida para el trabajo de análisis de datos es obtenerlos desde las fuentes originales. Muchas veces están disponibles en forma de datasets ya preparados y compuestos por un conjunto de archivos de texto (csv, tsv, etc); otras veces es necesario conectarse con algún motor de bases de datos (MySQL, PostgreSQL, SQLServer, etc) y extraerlos directamente desde allí. En ocasiones es necesario transformar los datos extraídos para luego volver a cargar la data ya transformada, en otro motor de bases de datos que es usado para análisis (almacén de datos o data warehouse). 

Los alumnos de este curso aprenderán los conceptos fundamentales asociados a las bases de datos, y a interactuar con un motor de bases de datos real, mediante el lenguaje standard SQL, para luego aprender cómo conectarse a un motor de bases de datos desde un programa Python para extraer y manipular la información. Finalmente, se aborda la interacción, también desde Python, con un motor de la categoría NoSQL como MongoDB o similar. 

La metodología de enseñanza y aprendizaje para este curso online, a través de la Plataforma de Clase Ejecutiva, consiste en 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 provista para el curso. 

Resultados de aprendizaje

1. Describir las características de una base de datos relacional y una base de documentos. 
2. Interactuar directamente con un motor de bases de datos desde la herramienta de administración. 
3. Escribir consultas simples utilizando el lenguaje SQL. 
4. Formular consultas simples de una base de datos relacional mediante el lenguaje standard SQL. 
5. Construir programas Python que se conecten a un motor de bases de datos información. 

Contenidos:

• Conceptos y familiarización con ambiente de trabajo 
  • Conceptos fundamentales de bases de datos 
  • El modelo relacional 
  • MySQL desde el Workbench 
• Crear una BD simple con solo dos tablas y poblarla con información 
  • Introducción al lenguaje SQL 
  • Creación de una base de datos desde Python 
  • Tablas y tipos de datos 
  • Creación de tablas desde Python 
  • Agregar y eliminar información a una tabla desde Python 
• SQL y Dataframes 
  • Introducción a Pandas y Dataframes 
  • SQL joins 
  • Transacciones en bases de datos 
  • Eliminación y modificación de filas en una tabla 
• Extracción de información más sofisticada de la BD con consultas más complejas y trabajo con Dataframes 
  • Operaciones de conjunto y cláusulas de agrupación 
  • Ordenamiento y agrupación 
  • Carga de contenido csv desde una API Web 
  • Procesamiento de un archivo en formato csv 
• Bases de datos NoSQL de documentos, MongoDB y JSON 
  • Bases de datos NoSQL 
  • Introducción a MongoDB 
  • El formato JSON 
  • MongoDB desde Python 
• Extraer y procesar información JSON desde una BD MongoDB y desde una API en la Web y procesarla con un programa Python 
  • Conectando con MongoDB 
  • Interactuando con el motor MongoDB desde un programa 
  • Procesamiento de JSON desde Python 
  • Extracción de JSON desde una API Web 

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%

*Nota: El orden de los cursos dependerá de la programación que realice la Dirección Académica

Docente(s): Francisco Pérez

Unidad académica responsable: Escuela de Ingeniería

Requisitos: Sin prerrequisitos

Créditos: 4

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

Descripción del curso

Python se ha convertido en una de las herramientas fundamentales para los profesionales de Machine Learning. En este contexto, el saber usar librerías como scikit-learn, scipy, numpy, pandas o keras, constituye una competencia básica para el desarrollo de proyectos de este tipo en el entorno empresarial. Este curso busca entregar una base de conocimiento de los fundamentos que soportan estas potentes metodologías y herramientas, potenciando significativamente al participante para enfrentar desafíos que involucran inteligencia artificial y dándole así una ventaja competitiva en el mercado laboral. 

A través de este curso, los alumnos aprenderán los conceptos fundamentales asociados de Machine Learning tanto en su versión supervisada como no supervisada. Dicho aprendizaje será acompañado mediante un conjunto de librerías de Python, las que permitirán pasar de la teoría a la implementación de forma amigable, y actualizada a las tecnologías utilizadas en el mercado. 

La metodología de enseñanza y aprendizaje para este curso online consiste en 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 provista para el curso. 

Resultados de aprendizaje

1. Comprender aspectos formales de modelos de aprendizaje supervisado tradicionales, experimentando y comparando su rendimiento. 
2. Visualizar diferentes tipos de variables en una base de datos utilizando librerías de Python. 
3. Emplear modelos de redes neuronales artificiales básicas. 
4. Diseñar modelos de aprendizaje supervisado basados en regresiones. 
5. Implementar modelos de aprendizaje no supervisado a través de librerías de Python. 

Contenidos:

Introducción al Aprendizaje de Máquinas con Python 

Introducción al Aprendizaje de Máquina 

Tipos de problemas en Aprendizaje de Máquina 

Preprocesamiento de datos con Python 

Introducción a librerías del ecosistema de Data Science 

Tipos de variables 

Análisis descriptivo de variables 

Transformación de variables 

Visualización de variables 

Imputación de datos 

Regresiones 

Aprendizaje supervisado 

Regresión lineal 

Regresiones polinomiales 

Regresión con penalización 

Regresión logística 

Aprendizaje supervisado 

Naive Bayes 

Evaluación de clasificadores 

Árboles de decisión 

Random Forest 

Random Forest para regresión 

Redes neuronales 

Introducción a las redes neuronales artificiales 

Tecnologías para desarrollo de redes neuronales artificiales 

Redes neuronales artificiales 

Aprendizaje no supervisado 

Aprendizaje no supervisado 

K-Means 

Cluster jerárquico 

Evaluación de clusters 

Reducción de dimensionalidad 

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% 

Nota: El orden de los cursos dependerá de la programación que realice la Dirección Académica

Docente(s): Gabriel Dieguez y Joao López

Unidad académica responsable: Escuela de Ingeniería

Requisitos: Sin prerrequisitos

Créditos: 4

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

Descripción del curso

En la actualidad, las tecnologías web constituyen la base de múltiples sistemas fundamentales para el funcionamiento de nuestra sociedad. Su alcance abarca desde la presentación de información relativamente estática hasta aplicaciones muy complejas, como motores de correo, redes sociales o sistemas de monitoreo de infraestructura crítica. En este sentido, adquirir las habilidades para desarrollar de manera satisfactoria una aplicación web se vuelve sumamente valioso. 

Los alumnos de este curso aprenderán los conceptos fundamentales asociados a la web, desarrollando páginas estáticas mediante el uso de HTML y CSS. Posteriormente, podrán transformar estas páginas en aplicaciones web utilizando el lenguaje Python y el framework Django. Se abordará el uso de JavaScript para el procesamiento en el lado del cliente, y finalmente, se aprenderá a consumir y desarrollar una API REST. Para alcanzar estos objetivos, se empleará el framework Django junto con Django REST Framework. 

La metodología de enseñanza y aprendizaje para este curso en línea se basa en técnicas metodológicas activas, permitiendo que los participantes interactúen con sus pares y el profesor-tutor a través de los recursos tecnológicos proporcionados por la plataforma educativa virtual de Clase Ejecutiva destinada para el curso. 

Resultados de aprendizaje

1. Identificar los protocolos y estándares que rigen la World Wide Web (WWW). 
2. Reconocer la arquitectura y el funcionamiento de una aplicación web. 
3. Escribir páginas estáticas con HTML y CSS, así como el desarrollo de una aplicación web (en el lado del servidor) con la ayuda de un framework. 
4. Procesar información en el lado del cliente mediante el uso de JavaScript. 
5. Interactuar con una interfaz de programación de aplicaciones (API) desde un programa en Python. 
6. Desarrollar una interfaz de programación de aplicaciones (API REST) sencilla usando HTML, CSS, JavaScript y Python 

Contenidos:

• Introducción a la Web 
  • ¿Qué es la web? 
  • El protocolo HTTP. 
  • Estructura de las páginas con HTML 
  • Estilo de las páginas con CSS. 
• Arquitectura de una Aplicación Web e Introducción a Django 
  • Arquitectura MVC de la Web 
  • Introducción a Django 
  • Instalación de Django 
  • Creación de un proyecto Django 
  • El archivo settings 
• El framework Django 
  • Modelos y migraciones 
  • Views 
  • Templates 
  • Forms 
  • Admins 
• Procesamiento en el cliente con JavaScript en Django 
  • Routing 
  • Django Shell 
  • El lenguaje JavaScript 
  • Manipulación del DOM y eventos 
  • JavaScript en Django: un ejemplo de validación en el cliente 
• APIs REST. 
  • Introducción a las APIs REST 
  • Obtener información desde una API 
  • Modificar información a través de una API 
  • Setup para consumir una API 
  • Setup de Django REST Framework 
• APIs REST en Django: REST Framework 
  • Serializers 
  • Viewsets y paginación 
  • Routing de la API 
  • Probando nuestra API y documentación automática 
  • Consumiendo nuestra API para mejorar nuestra aplicación 

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% 

Nota: El orden de los cursos dependerá de la programación que realice la Dirección Académica