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 y Ciencia de Datos

El mercado requiere profesionales capaces de comprender e interpretar grandes cantidades de información. Especialízate en el tratamientos de los datos para mejorar las estrategias y crear oportunidades de negocios.

Antecedentes Generales

Versión 3°: Próximamente
Lun y miér de 18:30 a 21:45 hrs.
Campus San Joaquín, metro San Joaquín
148 horas cronológicas.
$2.900.000.-
programas@ing.puc.cl
+56 2 2354 4516

El Diplomado en Big Data y Ciencias de Datos para Negocios aborda herramientas para trabajar con grandes volúmenes de datos, a través del tratamiento y análisis de la información, permitiendo una adecuada interpretación y comunicación de los resultados.

 

Las clases son tanto expositivas, como aplicadas, donde los alumnos utilizan las herramientas en diversos talleres que se realizan. Todas las actividades buscan potenciar las habilidades analíticas, estratégicas y toma de decisiones con datos en cualquier organización, además del trabajo en equipo.

 

Dirigido a:
Profesionales que deseen enfrentarse al desafío de sacar el mejor provecho posible a datos de gran tamaño y complejidad, a través de nuevas e innovadoras técnicas, con el objetivo de impactar la toma de decisiones claves en sus negocios. Está orientado a profesionales como ingenieros, economistas, estadísticos, y otros profesionales licenciados y/o con experiencia en áreas afines.

 


Contenidos del Programa

– Tendencias Tecnológicas y la estrategia: Big Data, IoT, Análisis de Datos, Inteligencia Artificial y Machine Learning
– Big Data: Definiciones, arquitecturas , Map-Reduce, Hadoop, Spark
– Bases de Datos, Data Warehouses y Data Lakes

– Tecnologías y servicios en la nube para BI, Big Data y Data Science
– Procesamiento de datos eficiente con tecnologías Big Data
– Diseño de arquitecturas de alta disponibilidad para BI y Big Data
– Diseño y uso de infraestructura de alto rendimiento para algoritmos de Data Science
– Estrategias y mejores prácticas en el desarrollo de componentes para arquitecturas de procesamiento masivo de datos
– Diferencias entre soluciones de datos tradicionales y soluciones de Big Data
– Gestión operativa de la infraestructura en un modelo de servicio continuo

– Conceptos generales de programación en R: variables, estructuras de control, condicionales
– Funciones y paquetes
– Vectores y Matrices
– Listas
– Data Frames
– Importación, limpieza y filtrado de datos
– Dataframes: construcción y mezcla
– Visualización gráfica
– Análisis estadístico de datos con R: población y muestreo, tipos de datos, tablas de frecuencias, estadísticos descriptivos, coeficiente de posición y dispersión, errores de los procesos de medición, aplicaciones
– Distribuciones de probabilidad
– Regresión lineal con R
– Regresión logística con R
– Series de tiempo

– Introducción: El concepto, el proceso y los problemas en que es relevante
– Análisis de la canasta de mercado y reglas de asociación
– Clasificación: Árboles de Decisión, K-vecinos cercanos
– Clustering: K-Means, Mean-Shift y Clustering aglomerativo
– Selección de modelos (hold out, cross validation

Unidad 1 Teoría sobre Visualización de Datos
– Introducción: breve historia, disciplinas de comunicación gráfica e importancia de visualizar datos
– La “des-Excelización” y democratización de datos en la empresa
– Condiciones necesarias para una visualización: datos y caso
– Objetivos de la visualización: contenido vs usuario, acceso, interacción y actualización
– Fuentes de información: sistemas transaccionales, sistemas web, datos públicos
– Preparación de datos: integridad, calidad, homologación
– Generalidades sobre tipos de datos: medidas, dimensiones
– Atributos a usar en una visualización
– Análisis de los tipos de gráficos más comunes para representar datos
– Exploración visual de datos
– Indicadores, Reportes y Dashboards
– Presentación de las herramientas principales del mercado
– Visualizaciones avanzadas: scripting

Unidad 2:  Visualización de Datos Aplicada
– Datos de empresa: reportes transversales a industrias y vistas específicas
– Revisión de casos de uso de Dashboards generales
– Revisión de casos de uso específicos por industrias
– Revisión de casos de uso por niveles de usuarios: analistas vs C-level

– La evolución de la ciencia de datos y el análisis predictivo para el apoyo a la toma de decisiones
– Las características que definen a una organización data-driven
– Cómo las empresas modernas estás generando productos y servicios analíticos
– Metodologías de análisis de datos y búsqueda de patrones
– Generación de modelos descriptivos, análisis de casos reales y trabajo práctico
– Generación de modelos predictivos y prescriptivos, análisis de casos reales y trabajo práctico
– Cómo interpretar modelos analíticos para tomar mejores decisiones de negocio

Aprendizaje Automático Supervisado
– Modelos de ML, capacidades y características, así como ejemplos de aplicación.
– Metodología de desarrollo de modelos
– Tratamiento y refinamiento de datos

Aprendizaje Profundo Supervisado
– Conceptos esenciales y diferencias con ML más básico
– Redes Neuronales Convolucionales y Redes Neuronales Recurrentes
– Análisis dimensional, entrenamiento, y tratamiento de grandes datos

Aprendizaje Automático No-Supervisado
– Diferentes modelos como K-Means, HDBSCAN, Restricted Boltzmann Machines, entre otros

Aplicaciones Industriales
– Clasificación, predicción, y recomendación, en contextos industriales y retail
– Procesamiento de lenguaje natural, en atención de clientes y ámbito legal

El futuro Inmediato en ML y DL
– Hacia el razonamiento artificial

Jefe de Programa

  • Jaime Navón Cohen
    Profesor Asociado Ciencia de la Computación UC
    jnavon@ing.puc.cl

    Doctor of Philosophy, University of North Carolina at Chapel Hill. Master of Science, Technion-Israel Institute of Technology. Ingeniero Civil Electricista, Pontificia Universidad Católica de Chile.

    Profesor Asociado y Director del Departamento de Ciencia de la Computación, Pontificia Universidad Católica de Chile.


Profesores

  • Mauricio Arriagada
    Doctor en Ciencias de la Ingeniería UC
    mauricio.arriagada@uc.cl

    Doctor en Ciencias de la Ingeniería, Pontificia Universidad Católica de Chile. Master in Computer Science, University of Northern Iowa (USA). Master en Ingeniería de Software e Ingeniero Civil en Computación e Informática, Universidad de Tarapacá (Chile).

  • Néstor Campos
    Gerente de Proyectos Estratégicos y Jefe de Arquitectura de Soluciones en Metric Arts
    programas@ing.puc.cl

    Máster en Ingeniería Informática, Universidad Andrés Bello. Ingeniero en Ejecución en Informática, DuocUC. Cuenta con más de 8 años de experiencia en el desarrollo de software en todas sus etapas (desde el diseño para la puesta en producción), pasando por proyectos de Inteligencia de Negocios y Big Data, específicamente en el diseño de arquitecturas confiables y tolerante a fallos para el procesamiento de datos para su posterior consumo por otras áreas de negocio, tanto en servidores internos de empresas como en servidores disponibles en plataformas en la nube (Azure, Google y Amazon). Gerente de Proyectos Estratégicos y Jefe de Arquitectura de Soluciones en Metric Arts.

  • Jaime Caiceo Duque
    Profesor Instructor Adjunto Departamento de Ciencias de la Computación UC
    jcaiceo@metricarts.com

    Magíster en Ciencias de la Ingeniería, Pontificia Universidad Católica de Chile. Ingeniero Civil de Industrias, Pontificia Universidad Católica de Chile.

    Director Ejecutivo Metric Arts. Profesor de Diplomados de Gestión del Conocimiento- Gestión Estratégica con TI para Profesionales- Business Intelligence, Facultad de Economía y Negocios, Universidad de Chile. Profesor de Gestión de Marketing- Arquitectura de Sistemas de Información-Sistemas de Información en la Pontificia Universidad Católica de Chile.

  • Matías Casassus
    Gerente de Data Science en Tiaxa
    programas@ing.puc.cl

    Ingeniero Civil Industrial, Pontificia Universidad Católica de Chile. Especializado en Business Intelligence y Data Science con un importante aporte de valor en la gestión integral de proyectos de estudios. Gerente de Data Science en Tiaxa desde 2017, previamente consultor de Business Inteligence de diversas empresas e industrias. Experiencia enfocada en el desarrollo de sistemas de punta destinados a mejorar el conocimiento del negocio y potenciar resultados.

  • Miguel Jorquera Viguera
    Líder Técnico del área de Data Science, Metric Arts
    programas@ing.puc.cl

    Magíster en Estadística, Licenciado en Matemática y Profesor de Ed. Media, Pontificia Universidad Católica de Chile. Actualmente desempeña el rol de Líder Técnico del área de Data Science en Metric Arts, desarrollando modelos predictivos, análisis y visualización de datos. También ha realizado docencia en cursos de capacitación impartidos por la misma empresa y diplomados a cargo de de la PUC y UAP.

  • Jaime Navón Cohen
    Profesor Asociado Ciencia de la Computación UC
    jnavon@ing.puc.cl

    Doctor of Philosophy, University of North Carolina at Chapel Hill. Master of Science, Technion-Israel Institute of Technology. Ingeniero Civil Electricista, Pontificia Universidad Católica de Chile.

    Profesor Asociado y Director del Departamento de Ciencia de la Computación, Pontificia Universidad Católica de Chile.

  • Rodrigo Sandoval
    CEO y fundador de R: Solver
    programas@ing.puc.cl

    Ingeniero Civil, mención Ciencias de la Computación y Master of Science, Pontificia Universidad Católica de Chile (UC). Profesor de Ciencias de la Computación de la UC en las áreas de Ingeniería de Software e Inteligencia Artificial, en pregrado y postgrado. CEO y fundador de R: Solver.

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

Diplomado en Big Data

Fecha de inicio: Versión 10°: Próximamente
X