Construye aplicaciones y saca partido de las técnicas de Machine Learning en la era de la Big Data. Este Diplomado UC es desarrollado junto el Centro de Formación Profesional.
Todos hemos sido testigos de cómo en la actualidad la inteligencia artificial ha pasado a ser el gran protagonista. En buena medida, ello se debe a los espectaculares avances de los algoritmos y técnicas de Machine Learning (deep learning, reinforced learning) que permiten construir aplicaciones impresionantes en áreas como por ejemplo de reconocimiento visual. A su vez, el impresionante desempeño de estos algoritmos se debe a que gracias a las técnicas de Big Data, pueden ahora ser entrenados con volúmenes gigantescos de datos. Este diplomado permite a los participantes adquirir los conocimientos necesarios para construir soluciones inteligentes, a través de las técnicas y algoritmos más modernos de Machine Learning, y utilizando los enormes sets de datos que se generan diariamente.
Dirigido a:
– Profesionales que necesiten adquirir las competencias necesarias para construir aplicaciones de Big Data y Machine Learning, usando las herramientas del ecosistema Python.
– Interesados en el área de Ciencia de Datos que deseen adquirir habilidades para interactuar y visualizar volúmenes grandes de datos.
Requisitos de ingreso:
Es necesario contar con 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.
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/ .
- Introducción a Big Data
- El ecosistema Hadoop
- HDFS y YARN
- MapReduce
- Herramientas del ecosistema: Pig, Hive, HBase, Impala
- Fundamentos del ecosistema Spark
- RDDS en Spark
- Implementación de aplicaciones sobre Spark
- Spark SQL
- Conceptos fundamentales de Machine Learning
- Análisis, procesamiento y visualización de datos a través de Python.
- Algoritmos de aprendizaje supervisado en Python utilizando scikit-learn
o Regresión lineal
o Regresión logística
o Regresiones polinomiales
o Regresiones con penalización
o Árboles de decisión
o Random Forest
o Random Forest para regresiones
o Naive Bayes
o Vecino más cercano
o Redes neuronales
o Selección de modelos
- Algoritmos de aprendizaje no supervisado en Python utilizando scikit-learn
o K-means
o Mezcla de Gaussianas
o Cluster jerárquico
o Autoencoders
- Ejemplos históricos de visualización de datos
- Conceptos fundamentales de visualización de información
- Funciones básicas de matplotlib y seaborn
- Modelo anidado de Munzner para diseño y validación de visualización
- Reglas y recomendaciones generales para visualizaciones efectivas
- Diseño e implementación de gráficos simples para datos tabulares usando modelo anidado
- Diseño e implementación de gráficos avanzados para datos tabulares usando modelo anidado
- Reducción de dimensionalidad
- Diseño e implementación de gráficos avanzados para datos de red usando modelo anidado
- Visualización básica de datos de texto
- Visualización básica de datos espaciales
– Conceptos de inteligencia de negocios y de minería de datos
– Conceptos de ciencia de datos y de machine learning
– Aplicación al ámbito de transacciones estructuradas
– Aplicación al ámbito de aplicaciones de texto, audio y video
– Aprendizaje supervisado, aprendizaje no supervisado y aprendizaje reforzado
– Aplicaciones de aprendizaje supervisado, aprendizaje no supervisado y aprendizaje reforzado
– Estudio de casos: seguros, banca, retail, calidad del aire, transporte, compras públicas, finanzas, astronomía
Ph.D. Computer Science, University of North Carolina at Chapel Hill. Master of Science, Technion-Israel Institute of Technology. Ingeniero Civil Electricista, Universidad de Chile. Profesor Asociado del Departamento de Ciencia de la Computación de la Escuela de Ingeniería UC.
Ph.D. (c) en Ciencias de la Computación y Astrónomo, Pontificia Universidad Católica de Chile. Profesor de Educación Profesional de la Escuela de Ingeniería, Pontificia Universidad Católica de Chile.
Master of Engineering, Northwestern University. Ingeniero Civil de Industrias (con mención en Tecnologías de la Información), UC. Ha desarrollado diversos proyectos de analytics en varios países de Latinoamérica.
Profesor Instructor Adjunto del Departamento de Ciencia de la Computación de la Escuela de Ingeniería UC. CEO de Metric Arts, empresa consultora fundada el año 2007, especializada en las áreas de inteligencia de negocios y análisis de negocios.
Magíster en Ciencias de la Ingeniería, PUC. Ingeniero Civil Computación PUC.
Magíster en Ciencias de la Ingeniería, UC; Candidato a Doctor en Ciencias de la Ingeniería, UC. Ingeniero Civil Elestricista, UC.
Profesor Instructor, Departamento de Ciencia de la Computación, Escuela de Ingeniería UC.
Ph.D. Computer Science, University of North Carolina at Chapel Hill. Master of Science, Technion-Israel Institute of Technology. Ingeniero Civil Electricista, Universidad de Chile. Profesor Asociado del Departamento de Ciencia de la Computación de la Escuela de Ingeniería UC.
Ph.D. in Information Science, University of Pittsburgh, EE.UU. Ingeniero Civil en Informática, Universidad Austral de Chile. Profesor Asistente del Departamento de Ciencia de la Computación de la Escuela de Ingeniería UC. Experto en sistemas de recomendación y personalización automatizada. Su área principal de trabajo se desarrolla en las temáticas de análisis de redes sociales, minería de datos y técnicas de visualización para sistemas recomendadores.
Ph.D. (c) en Ciencias de la Computación, Pontificia Universidad Católica de Chile. Magíster en Gestión de Operaciones e Ingeniero Civil Industrial, Universidad de Talca. Profesor de Educación Profesional de la Escuela de Ingeniería, Pontificia Universidad Católica de Chile. Es Head of Advanced Analytics en BRAVE UP!
Ingeniero Civil Electrónico, Universidad Técnica Federico Santa María. Ph.D. (c) en Ciencias de la Computación, UC. Miembro del Laboratorio de Inteligencia Artificial (IALAB) y Profesor Instructor del Departamento de Ciencia de la Computación de la Escuela de Ingeniería UC.
Magíster en Ciencias de la Ingeniería e Ingeniero Civil en Computación, UC. Profesor Instructor del Departamento de Ciencia de la Computación de la Escuela de Ingeniería UC. Su área principal de trabajo es la docencia y el desarrollo de técnicas de visualización.
¿Te gustó este programa?
¡Compártelo en tus redes sociales!
