Aplicar técnicas de gestión personal para adaptarse de mejor manera al entorno actual de las organizaciones.

El taller está especialmente diseñado para quienes ingresan a un diplomado de Clase Ejecutiva UC.

Ciertamente, los constantes cambios que se viven hoy en día, obligan a los profesionales a mantenerse actualizados. Vivimos en una época de alta volatilidad y se hace necesario ser flexible. Es así como la crisis que explotó en 2020 nos mostró la necesidad de desarrollar habilidades asociadas a los entornos virtuales de trabajo.

En este taller, el participante aprenderá a cómo gestionar su marca personal en redes sociales. También, técnicas de oratoria digital para la realización de videoconferencias. Y, además, estrategias para gestionar bien el tiempo y conocimientos sobre inteligencia emocional.

El taller busca entregar habilidades transversales a todos los alumnos de los diplomados de Clase Ejecutiva UC. Se realizarán controles de lectura, foros de discusión y clases sincrónicas durante su desarrollo.

• Marca personal
• Cómo construir una marca personal digital
• Acciones premium para potenciar nuestra personal branding

• Reuniones virtuales y webinars
• El contenido de las sesiones
• Oratoria digital
• Técnicas básicas de oratoria para entornos digitales

• Conócete a ti mismo
• Procrastinación
• Los “ladrones del tiempo”
• Priorización y matriz de Eisenhower
• Buenas prácticas de gestión del tiempo

• Modelo de inteligencia emocional
• Conciencia de uno mismo
• Conciencia social
• Conciencia organizacional
• Gestión de las relaciones
• ¿Cómo desarrollar estas competencias?

Un profesor ayudante interactúa directamente con un grupo reducido de participantes para ayudar a resolver problemas técnicos remanentes, como por ejemplo, la correcta instalación de herramientas de software, el uso apropiado de algunas herramientas, etc.

Para este curso se revisarán formas de interpretar y aplicar del modelo anidado de visualización para validar visualizaciones existentes y para justificar decisiones de diseño de nuevos gráficos de visualización de información. Se revisarán y aplicarán bibliotecas en Python especializadas en visualización. Y con participación de los alumnos se analizarán casos de visualización.

Los participantes deben aplicar los conocimientos aprendidos en tres trabajos o pequeños proyectos concretos. La primera actividad práctica requiere utilizar los conceptos de visualización para evaluar y validar diseños de visualización de información ya existentes. La idea es poner en práctica la relación entre tipos de datos y datasets, tareas, así como conocer las marcas y canales más apropiados para codificar información visualmente. La segunda actividad práctica tiene como propósito implementar visualizaciones mediante programación. Se establecen tres casos con datasets y codificaciones objetivo, con lenguage Python y usando las bibliotecas Pandas, Matplotlib y Seaborn.

El último proyecto suele tener características integradoras y, por lo tanto, es un poco más largo y completo que los anteriores. Aun cuando el trabajo se entrega en forma individual y no grupal, los alumnos pueden conversar y discutir sobre sus ideas de soluciones con sus compañeros, antes de desarrollar y entregar el proyecto. De esta forma, la tercera actividad de aplicación requiere una integración de conceptos de visualización y de implementación en Python. Dado un dataset y un caso de estudio, el estudiante analiza un dataset y provee respuestas a ciertas preguntas a través de la implementación de diferentes visualizaciones. En el proceso, se justifican las decisiones de codificación visual (gráfico, colores, etc.) y del espacio de diseño en general.

• Ejemplos históricos de visualización de datos
• Conceptos fundamentales de visualización de información
• Percepción visual
• Funciones básicas de Matplotlib y Seaborn.

• ¿Qué? Datos y datasets
• ¿Por qué? Tareas de visualización
• ¿Cómo? Codificación visual
• Reglas y recomendaciones generales para visualizaciones efectivas

• Gráfico de barras y barras apiladas
• Gráfico de puntos y de líneas
• Gráfico de dispersión y de burbujas
• Gráfico de flujos
• Histogramas, gráficos de caja y de violín

• Múltiples ejes, gráficos radiales y de torta
• Matriz de gráficos
• Pequeños múltiples
• Mapa de calor
• Reducción de dimensionalidad lineal y no lineal

• Conceptos de red, grafos y árboles
• Diagramas nodo-enlace
• Matrices de adyacencia
• Gráficos tipo encierro
• Clustermap

• Introducción a la visualización en diversos dominios y a storytelling
• Visualizacion espacial y espacio-temporal
• Visualización de colecciones de documentos
• Visualización de vectores de palabras

Un profesor ayudante interactúa directamente con un grupo reducido de participantes para ayudar a resolver problemas técnicos remanentes, como por ejemplo, la correcta instalación de herramientas de software y el uso apropiado de algunas herramientas, además de apoyar el desarrollo de casos de estudio. Con estos últimos, se busca que los alumnos se vean enfrentados a situaciones más cercanas a la realidad, recorriendo las distintas etapas de los proyectos de machine learning.

Los alumnos deben aplicar los conocimientos aprendidos en tres pequeños proyectos cuyo objetivo es reforzar el aprendizaje teórico de las clases lectivas. El primer proyecto se focaliza en aplicar herramientas de preprocesamiento y visualización de datos. Los siguientes tienen características integradoras de preprocesamiento y aplicación de modelos de machine learning tanto en su versión supervisada como no supervisada.  Aun cuando el trabajo se entrega en forma individual y no grupal, los alumnos pueden conversar y discutir sobre sus ideas de soluciones con sus compañeros, antes de desarrollar y entregar el proyecto.

• Introducción al aprendizaje de máquina
• Tipos de problemas en aprendizaje de máquina

• Introducción a librerías del ecosistema de data science
• Tipos de variables
• Análisis descriptivo de variables
• Transformación de variables
• Visualización de variables
• Imputación de datos

• Aprendizaje supervisado
• Regresión lineal
• Regresiones polinomiales
• Regresión con penalización
• Regresión logística

• Naive Bayes
• Evaluación de clasificadores
• Árboles de decisión
• Random Forest
• Random Forest para regresión

• Introducción a las redes neuronales artificiales
• Tecnologías para desarrollo de redes neuronales artificiales
• Redes neuronales artificiales

• Aprendizaje no supervisado
• K-Means
• Cluster jerárquico
• Evaluación de clusters
• Reducción de dimensionalidad

Un profesor ayudante interactúa directamente con un grupo reducido de participantes para ayudar a resolver problemas técnicos remanentes, como por ejemplo, relacionados con el uso del ambiente de desarrollo Google Colaboratory, con la instalación de herramientas Hadoop y Spark o con la utilización de la API para el almacenamiento y procesamiento de big data.

Los alumnos deben aplicar los conocimientos aprendidos en tres trabajos o pequeños proyectos concretos, los cuales tendrán por objetivo aplicar de forma práctica las técnicas y herramientas para el manejo de big data. En particular, se enfocan en el uso del ecosistema Hadoop, del framework Spark y su biblioteca para machine learning Spark MLLIB, y de herramientas prácticas para visualización de datos. El último proyecto suele tener características integradoras y, por lo tanto, es un poco más largo y completo que los anteriores. Aun cuando el trabajo se entrega en forma individual y no grupal, los alumnos pueden conversar y discutir sobre sus ideas de soluciones con sus compañeros, antes de desarrollar y entregar el proyecto.

• Introducción a big data
• Instalación de herramientas Hadoop

• Hadoop MapReduce
• Apache Hive
• Apache Pig

• Programación en Apache Spark

• Apache Flume
• Spark Streaming
• Spark SQL

• Spark MLLIB: algoritmos supervisados
• Spark MLLIB: algoritmos no supervisados

• Reducción de dimensionalidad

Un profesor ayudante interactúa directamente con un grupo reducido de participantes para presentar un caso real de aplicación de machine learning y ciencia de datos, haciendo énfasis en la oportunidad, solución, dificultades y beneficios, para luego discutir con el grupo y responder consultas.

Los alumnos deben aplicar los conocimientos aprendidos en tres trabajos o pequeños proyectos concretos. En particular, el primer trabajo se enfoca en desarrollar la capacidad de identificar los conceptos básicos de machine learning y ciencia de datos en los casos de estudio presentados. El segundo trabajo busca desarrollar la capacidad de identificar la presencia y necesidad de los distintos tipos de aprendizaje en los casos de estudio presentados. Finalmente, el tercer trabajo pretende integrar ambas miradas en la formulación de un caso de estudio original, en el que sea posible identificar los conceptos básicos, los tipos de aprendizaje, además de la oportunidad, solución, dificultades y beneficios. Aun cuando el trabajo se entrega en forma individual y no grupal, los alumnos pueden conversar y discutir sobre sus ideas de soluciones con sus compañeros, antes de desarrollar y entregar el proyecto.

• Conceptos de inteligencia de negocios y minería de datos
• Conceptos de ciencia de datos y aprendizaje de máquina
• El auge actual del aprendizaje de máquina e inteligencia artificial

• Aplicaciones sobre transacciones estructuradas
• Aplicaciones sobre texto
• Aplicaciones sobre audio
• Aplicaciones sobre video

• Visualización en ciencia de datos
• Aprendizaje supervisado
• Aprendizaje no supervisado
• Aprendizaje reforzado

• Aplicaciones de visualización en ciencia de datos
• Aplicaciones de aprendizaje supervisado
• Aplicaciones de aprendizaje no supervisado
• Aplicaciones de aprendizaje reforzado

• Caso en compañía de seguros
• Caso en banca
• Caso en retail
• Caso en calidad del aire