calendar correo curso diplomado horas lugar in-company magister magisteres programa-avanzado quotes reloj telefono contacto contacto grad video
Search
Coincidencias exactas
Buscar por
Seleccionar todos
Magisters
Diplomados
Cursos
Profesores
Noticias
Páginas

Diplomado en Big Data y Machine Learning (Online)

Aprende a construir aplicaciones y soluciones que puedan aprovechar las técnicas del aprendizaje de máquinas (deep learning, reinforced learning) en la era del Big Data, adquiriendo los conocimientos necesarios para construir soluciones inteligentes que utilizan las técnicas y algoritmos más modernos de Machine Learning, ocupando los enormes sets de datos que se generan diariamente.

La metodología de enseñanza y aprendizaje online consiste en herramientas activas, donde el participante puede interactuar con sus pares y profesor-tutor, a través de los recursos tecnológicos que provee la plataforma educativa virtual.

Versión disponible a todo Chile y la región.

Antecedentes Generales

23/03/2021
4 cursos x 6 semanas c/u
Modalidad:
Online
140 cronológicas / 187 pedagógicas
$1.890.000 en Chile / USD 2400 resto del mundo
Tutor de apoyo permanente
4 clases sincrónicas por curso
Cuestionarios de selección múltiple
Proyectos aplicados
Material multimedia de apoyo
programas@ing.puc.cl

Todos hemos sido testigos de cómo en la actualidad la inteligencia artificial ha pasado a ser un gran protagonista, debido que los datos son la columna vertebral de cualquier negocio. Aprovechar los datos con que se cuenta hace una diferencia respecto a la competencia, por lo que los profesionales que dominan estas técnicas son altamente demandados.  Los espectaculares avances de los algoritmos y técnicas de Machine Learning (deep learning, reinforced learning) permiten construir aplicaciones impresionantes en áreas como, por ejemplo, de reconocimiento visual. El gran 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.

 

 

Objetivos de Aprendizaje:

– Conocer la problemática de Big Data, las plataformas más importantes y las técnicas que permiten manejar esa data. Además, conocer las principales aplicaciones de Ciencia de Datos y Machine Learning.

– Comprender e implementar los principales algoritmos de Machine Learning usando el lenguaje Python.

– Presentar visualmente la data en forma efectiva.

 

 

Requisitos de Ingreso:

– Se recomienda 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/

Contenidos del Programa

Al final del curso podrás:

– Entender la problemática y particularidades del manejo de Big Data

– Conocer los principios, bases técnicas y herramientas del ecosistema Hadoop

– Utilizar las herramientas del ecosistema Hadoop para el manejo de volúmenes gigantescos de datos

– Conocer Apache Spark, un framework de procesamiento de datos de propósito general

– Utilizar las principales herramientas del framework Spark para análisis de datos y aplicación de técnicas de Machine Learning

– Aplicar herramientas de visualización para facilitar la interpretación de resultados 

 

Contenidos: 

– Introducción a Big data

– El ecosistema Hadoop

– HDFS, YARN

– Hadoop MapReduce

– Herramientas del ecosistema Hadoop

– Fundamentos de Apache Spark

– Implementación de aplicaciones sobre Spark

– Spark SQL

– Spark MLlib

– Técnicas de visualización

Al final del curso podrás:

– Identificar, procesar y visualizar diferentes tipos de variables en una base de datos utilizando librerías de Python

– Diseñar e implementar modelos de aprendizaje supervisado basados en regresiones

– Comprender aspectos formales de modelos de aprendizaje supervisado tradicionales, experimentando y comparando su rendimiento

– Reconocer y emplear modelos de redes neuronales artificiales básicas

– Comprender, implementar e interpretar modelos de aprendizaje no supervisado a través de librerías de Python

 

Contenidos:

– 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

Al final del curso podrás:

– Analizar y evaluar visualizaciones de información existentes, así como proponer mejoras

– Identificar relaciones entre tipos de datos, tareas de visualización y tipos de gráficos para diseñar visualizaciones de información

– Diseñar e implementar en lenguaje Python gráficos simples y avanzados usando datasets tabulares

– Diseñar e implementar en lenguaje Python gráficos usando datasets de red.

– Diseñar e implementar en lenguaje Python gráficos para visualizar datos de texto y espaciales

 

Contenidos:

– 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

Al final del curso podrás:

– Identificar los principales conceptos y técnicas asociados a Machine Learning y ciencia de datos

– Reconocer la importancia y los principales desafíos de los datos

– Asociar las diversas técnicas con oportunidades de aplicación en los negocios

– Examinar las dificultades y oportunidades en la aplicación de técnicas de ciencia de datos y aprendizaje de máquina

 

Contenidos:

– 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

Nota: El orden de los cursos dependerá de la programación que realice la Dirección Académica

Cuerpo Académico

Solicita información y brochure aquí:

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

 

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

Programas relacionados

Descargar Brochure
Necesitas ayuda? Conversemos
X