Modelamiento estadístico y sistemas recomendadores

ALEJANDRO JARA

Ph.D. en Matemáticas de la Universidad Católica de Leuven, Bélgica. Profesor Asociado del Departamento de Estadísticas de la UC.

* EP (Educación Profesional) de la Escuela de Ingeniería se reserva el derecho de reemplazar, 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 curso entregará al estudiante conocimientos y habilidades básicas de modelamiento matemático y estadístico que le permitan extraer información útil de un conjunto de datos. En particular, el estudiante aprenderá – de manera teórica y práctica, utilizando herramientas computacionales - a procesar, clasificar y agrupar datos, y utilizarlos como insumo para Sistemas Recomendadores.

Lo que el estudiante aprenda en el curso le permitirá trabajar con datos para poder convertir éstos en información útil para la toma de decisiones en su organización, en un amplio rango de aplicaciones, y/o para supervisar a equipos de personas dentro de la misma que deban realizar esta tarea.

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.

*Este curso es parte del Diplomado en Big Data para la toma de decisiones

• Se recomienda dominio básico de Excel y manejo de internet a nivel usuario.
• Se recomiendan conocimientos básicos de estadística.

1. Generar modelos estadísticos de alto impacto para la toma de decisiones en una empresa.

Horario: Online, Asincrónico

Duración: 75 horas (35 horas directas)

Créditos: 5 cr

Lugar de realización: Plataforma Clase Ejecutiva

Horas cronológicas: 75 horas (35 horas directas)

Créditos: 5 créditos

Resultados de Aprendizaje

1. Identificar el fundamento del modelamiento estadístico para el manejo de grandes volúmenes de datos.
2. Explicar el proceso de modelamiento y sus distintas fases para la implementación de soluciones.
3. Generar flujos de trabajo de datos para proyectos de Big Data en la organización.
4. Realizar inferencias estadísticas sobre datos para aumentar el impacto positivo en la toma de decisión de una organización, utilizando herramientas computacionales (software R).

Contenidos:

• Preprocesamiento de datos
  • Calidad de datos
  • Limpieza de datos
  • Integración de datos
  • Reducción de datos
  • Transformación de datos
• Métodos de clasificación
  • El proceso de clasificación
  • Árboles de decisión
  • Bayes ingenuo
  • K-vecinos más cercanos
  • Métodos conjuntos: Bagging, Boosting y Random Forests
• Métodos de Agrupación
  • Definición y propiedades
  • Métodos de partición: K-means y K-medoides
  • Métodos Jerárquicos
• Sistemas Recomendadores
  • Impacto y casos importantes
  • Filtrado colaborativo
  • Filtrado basado en contenido
  • Métodos híbridos

Metodología de enseñanza y aprendizaje: 

Se desplegarán semanalmente las clases, contenidos, actividades y evaluaciones. Las clases se estructuran bajo una lógica de diseño instruccional centrada en el estudiante, que contribuye a la motivación y facilita su aprendizaje. Se busca que estén siempre presente tres elementos: contenido, evaluación y reflexión. El componente de reflexión es clave para generar comunidades de aprendizaje activas que permitan compartir experiencias.

En el caso del contenido, este se organiza a través de recursos interactivos que integran videos, esquemas, artículos, lecturas complementarias y preguntas formativas, todos dispuestos para facilitar el aprendizaje de los estudiantes. 

En cuanto a las estrategias de evaluación, estas se organizan en cuestionarios con preguntas de opción múltiple, cuyo propósito es medir el nivel de aprendizaje logrado en cada una de las clases. Complementariamente, se dispone de foros en donde se evaluará tanto la participación como la calidad de dicha participación, brindando de esta forma al estudiante la oportunidad de intercambiar y fundamentar sus opiniones respecto a temas de actualidad asociados al contenido. Finalmente, el curso contempla la entrega de un trabajo, el que debe ser desarrollado a lo largo del curso, en donde se espera que el estudiante tenga la oportunidad de aplicar los conocimientos adquiridos y un examen final. 

Cada curso cuenta con tutores de contenidos cuya función es dar respuesta a todas las preguntas sobre la materia tratada, ya sea directamente, o bien, sirviendo de puente con el profesor responsable del curso. 

Cada curso además cuenta con una clase en vivo donde los alumnos podrán reforzar y resolver dudas. La asistencia a dicha clase es obligatoria y los alumnos podrán participar mediante streaming o asistiendo presencialmente en los lugares y horarios de realización que defina la Clase Ejecutiva. 

Para consultas técnicas (soporte técnico) o administrativas (coordinación asuntos estudiantiles) los alumnos pueden contactarse con la clase ejecutiva escribiendo mediante el formulario de “contacto Coordinación” dispuesto en el curso, el email alumnosuc@claseejecutiva.cl o llamando al número (+562) 2840 0821 en horario hábil (lunes a viernes de 9:00 a 18:00).

Evaluación de los Aprendizajes:

• Controles (15%).
• Foros de discusión (20%).
• Trabajo grupal (25%).
• Test on-line o presencial (40%).

BIBLIOGRAFÍA

• Han, J., Kamber, M., Pei, J. (2011). Data Mining: Concepts and Technique, Third Edition. The Morgan Kaufmann Series.
• Knell, R. (2013) Introductory R: A Beginner's Guide to Data Visualisation, Statistical Analysis and Programming in R, Kindle Edition
• Parra, D., & Sahebi, S. (2013). Recommender systems: Sources of knowledge and evaluation metrics. In Advanced Techniques in Web Intelligence-2 (pp. 149-175). Springer Berlin Heidelberg.
• Pichara, K.; Soto, A.; and Araneda, A. . (2008)  Detection of Anomalies in Large Datasets Using an Active Learning Scheme Based on Dirichlet Distributions. In IBERAMIA, volume 5290, of Lecture Notes in Computer Science, pages 163-172, 
• Vardeman, S. (1994) Statistics for Engineering Problem Solving. PWS Publishing Co.

Los alumnos deberán ser aprobados de acuerdo los criterios que establezca la unidad académica: 

• Calificación mínima de 4.0 en su promedio ponderado y 
• Realizar todas las actividades del curso

*En caso de que un alumno repruebe un curso perteneciente a un diplomado, en Educación Profesional Ingeniería UC ofrecemos la oportunidad de realizar un nuevo intento. Para ejercer este derecho, 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, y es factible para un máximo de 2 cursos por diplomado. 

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.