calendar correo curso diplomado horas lugar in-company magister magisteres programa-avanzado quotes reloj telefono contacto contacto grad video
Search
Generic filters
Search
Generic filters

Diplomado en Big Data

Nuevas tecnologías y herramientas para su exitosa incorporación en las organizaciones, logrando la extracción de conocimiento desde fuentes masivas de datos, tanto estructuradas, como no estructuradas, incluyendo textos, imágenes, voz e interacciones en redes sociales

Antecedentes Generales

Versión 10° Próximamente
Lun y mié de 18:30 a 21:45 hrs.
Campus San Joaquín, metro San Joaquín
144 horas cronológicas
$2.900.000.- (Convenio Marco ID 1602602)
programas@ing.puc.cl
+56 2 2354 4516

El Diplomado en Big Data prepara para los recientes avances en el procesamiento y análisis de datos, revolución tecnológica caracterizada por la aparición de eficaces herramientas para un uso efectivo de fuentes masivas de datos o Big Data. Este escenario abre grandes oportunidades para la creación de nuevos modelos de negocios, así como para la aparición de un nuevo ecosistema de emprendimientos orientados a aprovechar las nuevas tecnologías. En el corto plazo, las nuevas tecnologías para Big Data serán un elemento crítico y diferenciador para un sinnúmero de actividades del quehacer productivo.

 

Ya sea en el ámbito de la gestión o la implementación de tecnologías Big Data, su transversalidad y penetración auguran una gran necesidad por profesionales preparados en esta área. Estos profesionales están llamados a liderar la transformación del sector empresarial para enfrentar y sacar partido de las nuevas tecnologías. En economías avanzadas esto ya es una realidad, y tanto en Chile como en Latinoamérica no tardará en ocurrir lo mismo.

 

Dirigido a:
– Ingenieros Civiles Industriales, Civiles Informáticos, Civiles Electrónicos y Civiles Eléctricos.
– Licenciados en Computación y otros profesionales licenciados y/o con experiencia en áreas afines, que requieren conocimientos o habilidades en la materia.


Contenidos del Programa

Unidad I: Fundamentos de Hadoop
– Introducción a Hadoop
– Hadoop sistema distribuido de archivos: HDFS (Hadoop distributed file system)
– Hadoop distribución de tareas en un cluster: Paradigma Map Reduce
– Bases de datos no relacionales (NoSQL-Structured Query Language)
– Google Gran Tabla y Hadoop Hbase

 

Unidad II: Ecosistema Hadoop
– Introducción al ecosistema Hadoop de Cloudera
– Herramientas del ecosistema: Pig, Hive, Impala y Hue
– Movimiento masivo de datos: Sqoop
– Datos Secuenciales (Streaming): Flume
– Spark
– Librería de Aprendizaje de Máquina: Spark MLlib (Spark Machine learning library)

Unidad I: Conceptos Fundamentales de Aprendizaje de Máquina y Big Data
– Introducción al aprendizaje de máquina
– Técnica de vecinos cercanos
– Redes neuronales de capa oculta
– Modelos de aprendizaje de máximo margen
– Optimización y técnicas de descenso de gradiente estocástico
– Limitaciones de técnicas tradicionales de aprendizaje de máquina para problemas de Big Data

 

Unidad II: Técnicas de Aprendizaje de Máquina para Big Data
– Técnicas de hashing con colisión local
– Modelos jerárquicos composicionales y aprendizaje estructural
– Representaciones distribuidas
– Redes neuronales convolucionales de aprendizaje profundo
– Redes neuronales recurrentes

Unidad I: Técnicas de Visualización
– Fundamentos: abstracción de datos, marcas y canales, procesamiento humano de la información
– Representaciones estadísticas y algoritmos
– Reducción de dimensionalidad
– Visualización de datos espaciales, temporales y redes sociales
– Evaluación de sistemas de visualización
– Herramientas de software y estudio de casos

 

Unidad II: Sistemas de Recomendación
– Datos usados para generar recomendaciones
– Fuentes de información espacial, temporal y redes sociales
– Métricas de distancia
– Preferencias basadas en retroalimentación explícita e implícita
– Métodos de recomendación: personalizados, colaborativos, basados en contexto o contenido, híbridos
– Evaluación de sistemas recomendadores
– Estudio de casos

Unidad I: Computación de alto rendimiento para Big Data
– Introducción al procesamiento paralelo de datos
– Uso de recursos elásticos y procesamiento en la nube
– Modelos para almacenamiento distribuido de archivos en clusters
– Modelos para manejo distribuido de memoria en clusters
– Modelos para ejecución distribuida de proceso en clusters
– Procesamiento en unidades gráficas (GPUs-graphics processing unit)

 

Unidad II: Teoría de grafos para Big Data
– Conceptos fundamentales de teoría de grafos: grado, isomorfismos, conectividad, centralidad, traversabilidad, búsqueda y ranking, métricas de distancia
– Base de datos para grafos
– Grafos como herramienta analítica para Big Data
– Grafos para modelamiento y análisis de datos espaciales y redes sociales
– Grafos para modelamiento y análisis de datos dinámicos
– Grafos como herramienta de modelamiento y descubrimiento de patrones semánticos
– Estudio de casos


Cuerpo Académico

  • Hans Löbel Diaz
    Profesor Instructor del Departamento de Ciencia de la Computación de la Escuela de Ingeniería UC
    programas@ing.puc.cl +562 23545899

    Profesor Instructor del Departamento de Ciencia de la Computación de la Escuela de Ingeniería UC. Ingeniero Civil, Magíster en Ciencias de la Ingeniería y Doctor en Ciencias de la Ingeniería UC. Especialidad: Reconocimiento visual, Big data, aprendizaje de máquina (Machine Learning).

     

  • Ivania Donoso
    Magíster en Ciencias de la Ingeniería UC
    programas@ing.puc.cl

    Magíster en Ciencias de la Ingeniería, especialidad Computación e Ingeniera Industrial, Pontificia Universidad Católica de Chile. Desarrolladora Full-Stack. Desarrollo de backend y visualizaciones de la plataforma www.decidechile.cl

  • Santiago Larraín
    Magíster en Ciencias de la Ingeniería e Ingeniero Civil de Industria UC
    programas@ing.puc.cl

    Magíster en Ciencias de la Ingeniería e Ingeniero Civil de Industria, Pontificia Universidad Católica de Chile. Cofundador de emprendimiento. Proyecto que busca optimizar la relación comercial de empresas de consumo masivo en el canal tradicional mediante modelos de inteligencia artificial.

  • Andrés Letelier
    Magíster en Ciencias de la Ingeniería
    programas@ing.puc.cl

    Magíster en Ciencias de la Ingeniería, científico de datos y profesor universitario. Interesado en investigación, fundamentos de la informática, teoría de bases de datos y aprendizaje automático. Director de Investigación Académica, GobLab UAI.

  • Iván Lillo
    Profesor Instructor. Departamento de Ciencia de la Computación. Escuela de Ingeniería UC
    programa@ing.puc.cl

    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.

  • Hans Lobel
    Profesor Instructor Adjunto, Ciencia de la Computación, Ingeniería UC
    halobel@uc.cl

    Ph.D. y Magíster en Ciencias de la Ingeniería de la UC. Ingeniero Civil en Ciencia de la Computación de la UC.

    Profesor Instructor del Departamento de Ciencia de la Computación de la Escuela de Ingeniería UC.

    El Dr. Lobel es especialista en el tema de aprendizaje de máquina. Su área principal de trabajo es el desarrollo de técnicas de aprendizaje profundo para análisis de datos no estructurados con aplicaciones en el área de smart cities.

  • Denis Parra
    Profesor Asistente, Ciencia de la Computación Ingeniería UC.
    dparra@ing.puc.cl

    Ph.D. of Philosophy in Information Science, University of Pittsburgh, EE.UU. Ingeniero Civil en Informática de la Universidad Austral de Chile.

    Profesor Asistente del Departamento de Ciencia de la Computación de Ingeniería UC.

    El Dr. Parra es experto en sistemas de recomendación y personalización automatizada. Su área principal de trabajo se desarrolla en la frontera entre las temáticas de análisis de redes sociales, minería de datos y técnicas de visualización para sistemas recomendadores.

  • Cristian Ruz
    Profesor Asistente Adjunto, Ciencia de la Computación, Ingeniería UC.
    cruz@ing.puc.cl

    Ph.D. of Philosophy en Informática, Université de Nice Sophia Antipolis, Francia. Magíster en Ciencias de la Ingeniería de la UC. Ingeniero Civil en Ciencia de la Computación de la UC.

    Profesor Asistente del Departamento de Ciencia de la Computación de la Escuela de Ingeniería UC.

    El Dr. Ruz es experto en computación de alto rendimiento. Su área principal de trabajo se desarrolla en temas de middleware para cómputo paralelo, sistemas distribuidos y uso de recursos elásticos de procesamiento.

  • Álvaro Soto
    Profesor del Diplomado Big Data de Educación Profesional Ingeniería UC.
    programas@ing.puc.cl

    Profesor Asociado del Departamento de Ciencia de la Computación de la Escuela de Ingeniería UC.

    Ph.D. of Philosophy in Computer Science, Carnegie Mellon University, EE.UU. Master of Science, Louisiana State University, EE.UU.

    El Dr. Soto es especialista en aprendizaje de máquina. Su área principal de trabajo es el estudio y  desarrollo de nuevas técnicas de aprendizaje de máquina para la extracción de conocimiento desde grandes fuentes de datos no estructurados.

Solicita información y brochure aquí:


Este sitio está protegido por reCAPTCHA y se aplican la política de privacidad y términos del servicio de Google.

¿Listo para postular?

Postula Aquí

 

¿Te gustó este programa?
¡Compártelo en tus redes sociales!

Programas relacionados

X