Diplomado en Ciencia de datos para la gestión

El Diplomado en Ciencia de datos para la gestión tiene como propósito entregar conocimientos y herramientas necesarias para aprovechar la revolución de la inteligencia artificial en el ámbito de la gestión y los negocios.

Este diplomado está orientado a personas que desean adquirir competencias fundamentales en Ciencias de Datos, pero que no necesariamente tienen una base matemática ni interés en los detalles de los algoritmos. En cambio, se enfoca en la aplicación práctica en negocios y organizaciones.

Todo trabajo en ciencia de datos comienza con la obtención de datos, y una de las principales fuentes son las bases de datos. Un curso de Python y bases de datos te proporcionará las competencias para interactuar con un motor relacional o un motor noSQL desde un programa en Python. El curso de Minería de Datos y Machine Learning enseña las principales técnicas, algoritmos y métodos que permiten utilizar los datos para comprender qué está sucediendo y obtener insights que faciliten la toma de decisiones. El curso de visualización se enfoca en la capacidad de producir visualizaciones efectivas a partir de grandes cantidades de datos difíciles de interpretar. Por último, el curso de Presente y Futuro de la Inteligencia de Negocios sitúa todo en la perspectiva de los negocios, proporcionando una visión amplia de lo que es y hacia dónde se dirige la Inteligencia de Negocios en la actualidad.

El Diplomado se estructura en cuatro cursos que emplean técnicas metodológicas activas. Gracias a estas técnicas, los participantes pueden interactuar con sus pares y con el profesor-tutor a través de los recursos tecnológicos que ofrece la plataforma educativa virtual.

Introduction to Data Mining and Machine Learning

Docente(s): Hernán Valdivieso

Unidad académica responsable: Escuela de Ingeniería

Requisitos: Sin prerrequisitos

Créditos: 4

Horas totales: 75 | Horas directas: 35 | Horas indirectas: 40

Descripción del curso:

El curso comienza abordando la problemática de la obtención, preparación y limpieza de datos, para luego adentrarse en las técnicas y algoritmos asociados a la Minería de Datos, como clasificación, clustering, entre otros. Además, se exploran algoritmos, técnicas y herramientas de Machine Learning. Los estudiantes de este curso adquirirán conocimientos fundamentales sobre Minería de Datos, comprendiendo las diversas fuentes de información a utilizar, revisando el preprocesamiento de datos y aplicando técnicas de extracción de conocimiento. Esto incluye el uso de reglas de asociación, árboles de decisión, algoritmos de clasificación y la evaluación de clasificadores, junto con una introducción al aprendizaje de máquina.

El enfoque del curso es práctico, privilegiando la experimentación mediante herramientas y entornos que permiten ejecutar y analizar ejemplos preconfigurados. Los estudiantes modificarán parámetros, observarán los efectos de dichos cambios y reflexionarán sobre su impacto en la calidad del modelo y la extracción de conocimiento.

Al finalizar el curso, los estudiantes comprenderán los principios teóricos y prácticos que sustentan las principales técnicas utilizadas en la minería de datos y el aprendizaje de máquina, pudiendo analizar sus resultados, evaluar su aplicabilidad en distintos contextos y reconocer sus potencialidades y limitaciones sin necesidad de programar directamente los algoritmos.

El desarrollo de estos aprendizajes se realizará a través de estudios de casos, mini proyectos prácticos, y el acceso a recursos especializados, lo que permitirá a los estudiantes experimentar, analizar y aplicar directamente los conceptos adquiridos.

La metodología de enseñanza y aprendizaje para este curso en línea se basa en técnicas metodológicas activas, permitiendo que el participante interactúe con sus pares y el profesor-tutor a través de los recursos tecnológicos proporcionados por la plataforma educativa virtual destinada para el curso.

Resultados de aprendizaje:

• Reconocer las principales teorías y prácticas de la Minería de Datos.
• Identificar relaciones interesantes en un conjunto de transacciones mediante el uso de reglas de asociación.
• Distinguir técnicas como árboles de decisión, clustering y otras, aplicándolas en escenarios prácticos reales.
• Evaluar la calidad y pertinencia de los resultados obtenidos, reconociendo las potencialidades y limitaciones de cada técnica.

Contenidos:

• Introducción a Minería de Datos y conceptos sobre Data Warehouse
• Procesamiento, selección y transformación de datos.
• Reglas de asociación
• Clasificación
• Árbol de decisión
• KNN
• Random Forest
• Clustering
• K-Means
• Clustering jerárquico
• Introducción al Machine Learning
• Modelo de entrenamiento
• Métricas de evaluación

Estrategias metodológicas:

• Aprendizaje autónomo asincrónico estructurado en 6 módulos
• Clases expositivas
• Foros
• Estudio de caso

Estrategias evaluativas:

• Controles individuales – 40%
• Mini proyectos individuales – 60%