Diplomado en Ciencia de datos para la gestión
Matricúlate ahora y obtén un
100% dto.
(Precio final USD $1.560)
Objetivos
ACLARA TUS DUDAS
Quisimos responder las preguntas que muchos nos hacen a través de este video.
Malla académica
Curso Python y bases de datos
Profesor:
Jaime Navón Cohen, Ph.D University of North Carolina at Chapel Hill (Estados Unidos)
Jaime Navón Cohen, Ph.D University of North Carolina at Chapel Hill (Estados Unidos)
Plan de estudios
Clase en vivo
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, la forma correcta del uso de algunas herramientas, etc.
Trabajo individual
Los participantes deben aplicar los conocimientos aprendidos en tres trabajos o miniproyectos concretos. El primer trabajo (miniproyecto 1) consiste en construir una base de datos a partir de data en formato csv y luego escribir un programa Python que se conecte con dicha base de datos para agregar nuevas filas y formular algunas consultas simples. En el segundo (miniproyecto 2), se trabaja con un dataset más complejo que da origen a una BD con varias tablas y, además, de interactuar desde Python en forma simple, se usa la librería Pandas. En el tercer trabajo (miniproyecto 3), la data debe obtenerse desde una API JSON y se debe escribir un programa Python que cargue esa información en un motor MongoDB para luego hacer consultas sobre él.
Contenidos
Conceptos y familiarización con ambiente de trabajo
- Conceptos fundamentales de bases de datos
- El modelo relacional
- MySQL desde el Workbench
Crear una BD simple con solo dos tablas y poblarla con información
- Introducción al lenguaje SQL
- Creación de una base de datos desde Python
- Tablas y tipos de datos
- Creación de tablas desde Python
- Agregar y eliminar información a una tabla desde Python
SQL y Dataframes
- Introducción a Pandas y dataframes
- SQL joins
- Transacciones en bases de datos
- Eliminación y modificación de filas en una tabla
Extracción de información más sofisticada de la BD con consultas más complejas y trabajo con Dataframes
- Operaciones de conjunto y cláusulas de agrupación
- Ordenamiento y agrupación
- Carga de contenido CSV desde una API Web
- Procesamiento de un archivo en formato CSV
Bases de datos NoSQL de documentos, MongoDB y JSON
- Bases de datos NoSQL
- Introducción a MongoDB
- El formato JSON
- MongoDB desde Python
Extraer y procesar información JSON desde una BD
- MongoDB y desde una API en la web y procesarla con un programa Python
- Conectando con MongoDB
- Interactuando con el motor MongoDB desde un programa
- Procesamiento de JSON desde Python
- Extracción de JSON desde una API web
Clase Ejecutiva UC se reserva el derecho a modificar el contenido en cualquier momento.
Curso Visualización de información en la era del big data
Profesor:
Denis Parra Santander, Ph.D University of Pittsburgh (EE.UU.) Ver más...
Denis Parra Santander, Ph.D University of Pittsburgh (EE.UU.) Ver más...
Plan de estudios
Clases en vivo
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.
Trabajos individuales
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.
Contenidos
Introducción a visualización de Información
- Ejemplos históricos de visualización de datos
- Conceptos fundamentales de visualización de información
- Percepción visual
- Funciones básicas de Matplotlib y Seaborn.
Modelo anidado de Munzner para diseño y validación de visualizaciones
- ¿Qué? Datos y datasets
- ¿Por qué? Tareas de visualización
- ¿Cómo? Codificación visual
- Reglas y recomendaciones generales para visualizaciones efectivas
Diseño e implementación de gráficos simples para datos tabulares usando modelo anidado
- 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
Diseño e implementación de gráficos avanzados para datos tabulares usando modelo anidado
- Múltiples ejes, gráficos radiales y de torta
- Matriz de gráficos
- Pequeños múltiples
- Mapa de calor
- Reducción de dimensionalidad lineal y no lineal
Diseño e implementación de gráficos para datos de red usando modelo anidado.
- Conceptos de red, grafos y árboles
- Diagramas nodo-enlace
- Matrices de adyacencia
- Gráficos tipo encierro
- Clustermap
Visualización en diversos dominios de aplicación
- 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
Clase Ejecutiva UC se reserva el derecho a modificar el contenido en cualquier momento.
Curso Presente y futuro de la inteligencia de negocios
Profesor:
Cristián Rodríguez, Ingeniero civil de Industrias Pontificia Universidad Católica de Chile Ver más...
Cristián Rodríguez, Ingeniero civil de Industrias Pontificia Universidad Católica de Chile Ver más...
Contenidos
Conceptos de inteligencia de negocios
- Introducción a la inteligencia de negocios
- Plataforma clásica de inteligencia de negocios
- Componentes de la plataforma clásica de inteligencia de negocios
- Nuevas tendencias que impactan la inteligencia de negocios
Plataforma moderna de inteligencia de negocios
- Desafíos de la inteligencia de negocios actual
- Presentación plataforma moderna de análisis de datos
- Componentes de la plataforma moderna de análisis de datos
- Centralización versus descentralización
Agilidad y gobierno en inteligencia de negocios
- Agilidad en inteligencia de negocios
- Introducción al gobierno de datos
- Roles asociados al gobierno de datos
- Desafíos del gobierno de datos
Calidad de datos
- Introducción a la calidad de datos
- Metodología de calidad de datos
- Etapas de la metodología de calidad de datos
- Desafíos de calidad de datos
Pensamiento analítico
- Introducción al pensamiento analítico
- Pensamiento crítico
- Pensamiento creativo
- El nuevo rol del traductor analítico
El futuro de la inteligencia de negocios
- Próximos años: principales desafíos
- El rol de los gerentes y directivos de la organización
- El (probable) invierno analítico
- Preparándose para una nueva era
Clase Ejecutiva UC se reserva el derecho a modificar el contenido en cualquier momento.
Curso Introducción a minería de datos y machine learning
Profesor:
Mauricio Arriagada Benítez, Doctor Pontificia Universidad Católica de Chile
Mauricio Arriagada Benítez, Doctor Pontificia Universidad Católica de Chile
Plan de estudios
Clase en vivo
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. Asimismo, para la preparación de set de datos para la reducción de dimensionalidad, y guiar el trabajo en las diferentes técnicas de reglas de asociación, algoritmos de clasificación, clustering y medidas de similaridad.
Trabajo individual
Los alumnos deben aplicar los conocimientos aprendidos en tres trabajos o pequeños proyectos concretos. 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. Los miniproyectos estarán enfocados en: procesar y consolidar datos aplicando ETL (extracción, transformación y carga de datos); utilizar el algoritmo Random Forest y KNN para dos casos propuestos, y realizar el preprocesamiento de una base de datos propuesta, aplicando dos algoritmos de los vistos en clases para así mostrar sus rendimientos a través de evaluar al clasificador y presentar las métricas, pudiendo establecer una comparación de rendimiento entre los dos algoritmos elegidos.
Contenidos
Conceptos sobre Data Warehouse y uso de Dataframes
Procesamiento y consolidación de datos
- Preprocesamiento de datos
- Selección y transformación de datos
Reglas de asociación
Aplicación de los algoritmos Random Forest y KNN
- Árbol de decisión
- KNN
- Random Forest
Aplicación de los algoritmos K-Means y DBSCAN
- Clustering
- K-means
- Clustering jerárquico
Introducción al Machine Learning
- Modelo de entrenamiento
- Métricas de evaluación
Clase Ejecutiva UC se reserva el derecho a modificar el contenido en cualquier momento.
Jefe de programa
Jaime Navón Cohen
Ph.D University of North Carolina at Chapel Hill (Estados Unidos)
Jaime Navón Cohen es Ph.D Computer Science, University of North Carolina at Chapel Hill (EE.UU.). Además tiene un Master of Science, Technion-Israel Institute of Technology (Israel). Es ingeniero civil electricista, Pontificia Universidad Católica de Chile (UC).
Asimismo, es profesor asociado del Departamento de Ciencia de la Computación de la UC.
Jefe de programa
Profesores
Cristián Rodríguez
Ingeniero civil de Industrias Pontificia Universidad Católica de Chile
Cristián Rodríguez es ingeniero civil de Industrias, con mención en Tecnologías de la Información, Pontificia Universidad Católica de Chile (UC). Se desempeña como profesor del Diplomado Inteligencia de Negocio y del Magíster en Tecnologías de la Información y Gestión, en la Escuela de Ingeniería de la UC. Además, es cofundador de Archetype. Esta consultora, fundada en 2016, es especialista en inteligencia de negocios, análisis de negocios y gestión estratégica con inteligencia de negocios (enterprise performance management).
Denis Parra Santander
Ph.D University of Pittsburgh (EE.UU.)
Denis Parra Santander es Ph.D Computer Science, University of Pittsburgh (Pensilvania, EE.UU). Además, es ingeniero civil en Informática, Universidad Austral de Chile. Actualmente, se desempeña como profesor asociado del Departamento de Ciencia de la Computación de la Pontificia Universidad Católica de Chile.
Hernán Valdivieso
Magíster, Pontificia Universidad Católica de Chile
Hernán Valdivieso tiene un Magíster en Ciencias de la Ingeniería de la Pontificia Universidad Católica de Chile (UC). Además, es ingeniero civil en Computación, UC. Se desempeña como profesor instructor del Departamento de Ciencia de la Computación de la Escuela de Ingeniería UC. Su área principal de trabajo es la docencia y el desarrollo de técnicas de visualización.
Jaime Navón Cohen
Ph.D University of North Carolina at Chapel Hill (Estados Unidos)
Jaime Navón Cohen es Ph.D Computer Science, University of North Carolina at Chapel Hill (EE.UU.). Además tiene un Master of Science, Technion-Israel Institute of Technology (Israel). Es ingeniero civil electricista, Pontificia Universidad Católica de Chile (UC). Asimismo, es profesor asociado del Departamento de Ciencia de la Computación de la UC.
Jefe de programa
Marco Ramírez
Ingeniero civil industrial, Pontificia Universidad Católica de Chile.
Marco Ramírez es ingeniero civil industrial en Computación de la Pontificia Universidad Católica de Chile (UC). También es profesor del Diplomado en Inteligencia de Negocios de la UC. Asimismo, se desempeña como project manager en MetricArts. Esta última empresa es una consultora fundada el año 2007 y especializada en las áreas de inteligencia de negocios y análisis de negocios.
Mauricio Arriagada Benítez
Doctor Pontificia Universidad Católica de Chile
Mauricio Arriagada Benítez es doctor y máster en Ciencias de la Ingeniería, Pontificia Universidad Católica de Chile (UC). También es ingeniero civil en Computación e Informática, Universidad de Tarapacá (Chile). Asimismo, tiene un Master in Computer Science, University of Northern Iowa (EE.UU.), y un Máster en Ingeniería de Software, Universidad de Tarapacá (Chile).