Diplomado en Python y ciencia de datos

Docente(s): Felipe López y 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

Quienes trabajan en Ciencia de Datos saben que el manejo de la programación en lenguaje Python es una necesidad. Pero este lenguaje puede ser usado no solo en ese dominio sino como una herramienta multipropósito general. En este curso aprenderás a plantear la solución de un problema en términos algorítmicos y a expresarlo mediante este lenguaje de programación usando entre otros variables, control de flujo, estructuras de datos y funciones. 

Al finalizar el curso, serás capaz de desarrollar tus propios programas en Python y de seguir explorando para construir nuevos programas y cada vez más complejos. Este curso es el primer paso para convertirte en un/a profesional con habilidades básicas de programación. 

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. Identificar conceptos y operaciones básicas de programación, tales como variables, funciones, operadores lógicos.
2. Utilizar los comandos de control de flujo y los ciclos para la dirigir y repetir eficientemente un conjunto de operaciones básicas.
3. Emplear elementos básicos como tipos de archivos (.txt, csv), tipos de datos (texto, entero, decimal, listas), etc en el procesamiento de datos.
4. Aplicar conceptos y herramientas básicas de programación, como lectura, escritura de archivos y edición masiva de datos, resolviendo problemas reales relacionados con el procesamiento de datos.
5. Desarrollar programas en el lenguaje de programación Python que permitan resolver problemas sencillos.

Contenidos:

Módulo 1: Introducción a la programación 

•   Motivación 
  • De los datos a la información 
  • Datos, Información y Programación ¿Cómo conviven hoy estos elementos en el mundo laboral?: 
  • ¿Qué es la programación? 
  • Aplicaciones prácticas 
  • La programación en el mundo laboral y cómo debe convertirse en un hábito 
• Secuencias de comandos en Python 
• Operaciones básicas 
• Creación y asignación de variables 
• Operaciones lógicas 

Módulo 2: Control de Flujo 

• Control de Flujo: 
  • If 
  •  Else 
  •  Elif 
  •  Uso en conjunto 
• Ciclos: 
  •  While 
  • For 

Módulo 3: Tipos de datos y funciones 

• Tipos de datos: Enteros, decimales, textos y listas. 
• “Strings” 
  • ¿Qué es un string? 
  •  Funciones básicas de un string 
  • Funciones avanzadas de un string 
•  Funciones 
  • ¿Qué es una función? 
  •  ¿Por qué ocupar funciones? 
  • Declaración y uso de funciones. 
• Listas 
  • Creación de listas 
  • Obtener elementos 
  • Añadir elementos o quitar elementos 
  • Operaciones sobre listas 

Módulo 4: Procesamiento de datos 

• Listas de listas 
• Archivos 
  • Cómo se interactúa con archivos y para qué sirven 
  •  Leer archivos 
  •  Escribir archivos 
• Procesamiento de datos 
  • Carga masiva 
  • Edición masiva 
  • Ejemplos prácticos

Módulo 5: Diccionarios y Tuplas 

•  Listas y listas de listas 
• Manipulación de listas 
• Funciones sobre listas 
• Diccionarios 
• Operaciones sobre diccionarios 
• Aplicaciones de diccionarios 
• Aplicaciones con listas y diccionarios 
• Tuplas como tipo de dato inmutable 
• Operaciones sobre tuplas 
• Combinando listas, tuplas y diccionarios 

Módulo 6: Funciones 

• Concepto de función 
• Definición de funciones 
• Parámetros y valores de retorno 
• Importación y llamado de módulos 
• Invocación de funciones y scope 
• Parámetros con nombre y parámetros por defecto 
• Funciones recursivas 
• Aplicación de funciones 

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): Antonio Ossa

Unidad académica responsable: Escuela de Ingeniería

Requisitos: curso 1: Herramientas básicas de programación en Python

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%

Docente(s): Jaime Navón

Unidad académica responsable: Escuela de Ingeniería

Requisitos: curso 1: Herramientas básicas de programación en Python

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 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% 

Docente(s): mauricio Arriagada

Unidad académica responsable: Escuela de Ingeniería

Requisitos: curso 1: Herramientas básicas de programación en Python

Créditos: 4

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

Descripción del curso

El curso comienza abordando la problemática de la obtención, preparación y limpieza de datos, para luego adentrarse en las técnicas y algoritmos asociados a la minería de datos, como clasificación, clustering, entre otros. Además, se exploran algoritmos, técnicas y herramientas de machine learning.

Los estudiantes de este curso adquirirán conocimientos fundamentales sobre Minería de Datos, comprendiendo las diversas fuentes de información a utilizar, revisando el preprocesamiento de datos y aplicando técnicas de extracción de conocimiento. Esto incluye el uso de reglas de asociación, árboles de decisión, métodos de regresión, algoritmos de clasificación y la evaluación de clasificadores, junto con una introducción al aprendizaje de máquina.

El enfoque del curso es práctico, brindando oportunidades para aplicar los conocimientos en proyectos y casos concretos. Se proporcionan herramientas de extracción y análisis de información para que una organización pueda generar valor a partir de los datos, mejorando su posición competitiva.

Al finalizar el curso, los estudiantes contarán con conocimientos teóricos y prácticos sobre las principales técnicas utilizadas en la creación de programas capaces de extraer conocimiento relevante de bases de datos. También comprenderán algunas de las principales aplicaciones actuales de estas técnicas, así como sus potencialidades y limitaciones.

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. El curso se impartirá a través de una plataforma educativa virtual. 

Resultados de aprendizaje

1. Identificar las principales teorías y prácticas de la Minería de Datos.
2. Aplicar reglas de asociación de manera efectiva para la ubicación de relaciones interesantes en un conjunto de transacciones.
3. Aplicar técnicas como árboles de decisión, clustering y otras en escenarios prácticos reales

Contenidos

•  Conceptos sobre Data Warehouse y uso de Dataframes
• Procesamiento y consolidación de datos.
  • Preprocesamiento de datos
  • Selección y transformación de datos
• Reglas de asociación
• Aplicación de los algoritmos Random Forest y KNN
  • Árbol de decisión
  • KNN
  • Random Forest
• Aplicación de los algoritmos K-Means y DBSCAN
  •  Clustering
  • K-Means
  • Clustering jerárquico
• Introducción al Machine Learning
•  Modelo de entrenamiento
• Métricas de evaluación

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%