Acerca del programa:
Aprende técnicas de Machine Learning altamente utilizadas en contextos aplicados como: retail, industria bancaria y ciencias como la astronomía. Se utilizará el lenguaje de programación Python, acompañado de librerías especializadas para manejo de datos e implementación de modelos.
Dirigido a profesionales que tengan un dominio intermedio del lenguaje Python y que estén altamente motivados para formarse en el área de Ciencia de Datos.

Dirigido a:
- Profesionales que por sus funciones deben manejarse en los modelos de Machine Learning
Jefe de Programa

Jaime Navón Cohen
Equipo Docente
keyboard_arrow_downM.Sc. Francisco Pérez Galarce
Ph.D. candidate in Computer Science, Pontificia Universidad Católica de Chile. Magíster en Gestión de Operaciones e Ingeniero Civil Industrial, Universidad de Talca.
* 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_downPython 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.
Requisitos de Ingreso
keyboard_arrow_down- Conocimiento matemático (algebra lineal, estadística básica y cálculo).
- Conocimientos básicos de programación, específicamente en lenguaje Python. En particular, debe ser capaz de utilizar controles de flujo, distintos tipos de datos y funciones, y diccionarios con Python.
- Manejo básico de Office e Internet.
- Equipo computacional, con acceso a internet.
- Tener conocimientos básicos (a nivel de usuario) sobre el manejo de programas computacionales en ambiente operativo Windows y navegación por internet.
- Tener instalado en el computador un navegador como Explorer, Mozilla o Chrome.
Si desea evaluar su nivel, puede realizar una prueba opcional gratuita en este link: https://www.hackerrank.com/prueba- python. Se recomienda iniciar los test en orden, ya que van creciendo en dificultad. Los dos últimos tienen un nivel superior al requerido para ingresar al diplomado, y han sido instalados allí sólo como desafío. Si uno de los test falló, se recomienda revisar y ejercitar esos contenidos antes del inicio del programa.
A continuación, ponemos a su disposición algunos cursos optativos por si desea prepararse previamente al inicio del programa:
- MOOC “Introducción a la Programación en Python I: Aprendiendo a programar con Python”, disponible en el siguiente link: https://www.coursera.org/learn/aprendiendo-programar-python.
- Curso “Herramientas de programación en Python para procesamiento de datos”, disponible en el siguiente link: https://teleduc.uc.cl/curso/herramientas-programacion-python-procesamiento-datos/.
Objetivos de Aprendizaje
keyboard_arrow_down- Implementar modelos de Maching Learning a través del lenguaje de programación Python.
Desglose de cursos
keyboard_arrow_downHoras cronológicas: 75 (35 horas directas)
Créditos: 5
Resultados del Aprendizaje
- Comprender aspectos formales de modelos de aprendizaje supervisado tradicionales, experimentando y comparando su rendimiento.
- Visualizar diferentes tipos de variables en una base de datos utilizando librerías de Python.
- Emplear modelos de redes neuronales artificiales básicas.
- Diseñar modelos de aprendizaje supervisado basados en regresiones.
- Implementar modelos de aprendizaje no supervisado a través de librerías de Python.
Contenidos:
- Conceptos fundamentales de Machine Learning.
- Análisis, procesamiento y visualización de datos a través de Python.
- Algoritmos de aprendizaje supervisado en Python utilizando scikit-learn.
- Regresión Lineal.
- Regresión Logística.
- Regresiones Polinomiales.
- Regresiones con penalización.
- Árboles de Decisión.
- Random Forest.
- Random Forest para regresiones.
- Naive Bayes.
- Vecino más cercano.
- Redes Neuronales.
- Selección de modelos.
- Algoritmos de aprendizaje no supervisado en Python utilizando scikit-learn.
- K-means.
- Mezcla de Gaussianas.
- Cluster Jerárquico.
- Autoencoders.
Metodología de enseñanza y aprendizaje:
La modalidad de capacitación es e-learning asincrónica, por lo que los participantes accederán a una plataforma educativa virtual (LMS). Las actividades se desarrollan en forma remota, lo que permite entregar flexibilidad en los horarios, de manera que cada participante pueda distribuir su tiempo y ser autónomo en su proceso de aprendizaje. No obstante, el proceso de enseñanza-aprendizaje se acompañará con un tutor, quien tendrá un rol de mediador y facilitador, ofreciendo apoyo a los participantes en aspectos técnicos y también administrativos durante la actividad de capacitación.
Respecto a las estrategias de enseñanza - aprendizaje, se utilizarán videoclases, screencast y clases interactivas para la presentación de contenidos y actividades de aplicación que serán desarrolladas a partir de cuestionarios y tareas, dirigidas a que los participantes resuelvan problemas/situaciones aplicando los conocimientos aprendidos y comprobar la comprensión de los contenidos a través de test automáticos.
Los participantes también contarán con foros abiertos de consulta, como apoyo a su proceso de aprendizaje, donde podrán interactuar con sus pares y tutor.
Al inicio del curso se contará con una clase sincrónica en formato streaming, en que el jefe de programa o un profesor del programa, introducirán a los alumnos en las materias a abordar.
Evaluación de los aprendizajes:
- 3 controles individuales sobre los contenidos del curso - 13,3% c/u (40% en total)
- 3 miniproyectos: Miniproyecto 1: se pondrán en práctica el procesamiento de datos en Python - 15%. Miniproyecto 2: se pondrán en práctica la implementación de modelos de aprendizaje supervisado. - 15%. Miniproyecto 3: se pondrán en práctica la aplicación del algoritmo k-means utilizando librerías Python. - 30% (60% en total)
BIBLIOGRAFÍA
- Data Science from Scratch: First Principles with Python, Joel Grus, O´Reilly 2015.
- Introduction to Machine Learning with Python, Andreas C. Müller & Sarah Guido, 2016.
- Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython, Wes McKinney, O'Reilly 2017.
- Advanced Data Analytics Using Python,Sayan Mukhopadhyay, Apress, 2018.
Requisitos Aprobación
keyboard_arrow_down- Calificación mínima del curso 4,0 en su promedio ponderado.
En el caso de los programas en modalidad en línea, los estudiantes tendrán que cumplir con la calificación mínima de 4.0 y con los requisitos establecidos para cada programa. Si el alumno reprueba el curso tiene la posibilidad de realizarlo a la versión siguiente (2 strikes por curso).
Los participantes que aprueben las exigencias del programa recibirán un certificado de aprobación digital otorgado por la Pontificia Universidad Católica de Chile.
El participante que no cumpla con la exigencia reprueba automáticamente sin posibilidad de ningún tipo de certificación.
*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.
Proceso de Admisión
keyboard_arrow_downLas 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.
Cualquier información adicional o inquietud podrás escribir al correo programas@ing.puc.cl.
VACANTES: 40
INFORMACIÓN 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