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

Diplomado en Big Data y Ciencia de Datos para Negocios



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.



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

 

Cuenta con clases de tipo expositivas y talleres aplicados con metodología hands on. Todas las actividades teóricas y prácticas buscan potenciar las habilidades de capacidad de análisis, toma de decisiones y el trabajo en equipo, a través de la presencia y participación del alumno en las sesiones de los cursos.

 

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, y otros profesionales licenciados y/o con experiencia en áreas afines, que requieren conocimientos y habilidades en la materia.

 






Antecedentes Generales

  • Versión 1°: 29 de abril de 2019
    Lugar de realización: Campus San Joaquín, metro San Joaquín

  • Dos veces a la semana (excepto los días viernes) de 18:30 a 21:45 horas

  • 148 horas cronológicas.
  • $2.900.000.-
  • programas@ing.puc.cl
    +56 2 2354 4516

SEMINARIO: INTRODUCCIÓN A BIG DATA, DATA SCIENCE E INTELIGENCIA ARTIFICIAL
– 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

ARQUITECTURA E INFRAESTRUCTURA PARA BIG DATA Y DATA SCIENCE
– 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

PROGRAMACIÓN EN R PARA CIENCIA DE DATOS
– 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

MINERÍA DE DATOS
– 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

VISUALIZACIÓN DE DATOS
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

CIENCIA DE DATOS Y SUS APLICACIONES
– 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

FUNDAMENTOS Y APLICACIONES DE MACHINE LEARNING Y DEEP LEARNING
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 Ver ficha

Profesores

  • Mauricio Arriagada
    Master in Computer Science, University of Northern Iowa Ver ficha
  • Néstor Campos
    Gerente de Proyectos Estratégicos y Jefe de Arquitectura de Soluciones en Metric Arts Ver ficha
  • Jaime Caiceo Duque
    Profesor Instructor Adjunto Departamento de Ciencias de la Computación UC Ver ficha
  • Matías Casassus
    Ingeniero Civil Industrial, Pontificia Universidad Católica de Chile Ver ficha
  • Jaime Navón Cohen
    Profesor Asociado Ciencia de la Computación UC Ver ficha
  • Rodrigo Sandoval
    CEO y fundador de R: Solver Ver ficha

Ingresa tus datos para solicitar información y descargar brochure


 

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

X