Diplomado en Estrategia de datos, Inteligencia Artificial y ética empresarial

El Diplomado en Estrategia de datos, Inteligencia Artificial y ética empresarial tiene como propósito entregar a los estudiantes herramientas para liderar mediante el uso de datos e Inteligencia Artificial, fortaleciendo sus capacidades analíticas, éticas y de toma de decisiones.

El Diplomado está orientado a profesionales que buscan desarrollar habilidades para transformar datos en decisiones efectivas. A través de cuatro cursos, los estudiantes aprenderán sobre estrategia de datos, Inteligencia Artificial, minería de datos y ética empresarial, integrando conocimientos técnicos y reflexivos para liderar con responsabilidad en entornos digitales. Se abordarán contenidos como calidad y gobernanza de datos, machine learning, IA generativa, y dilemas éticos en el uso de tecnologías emergentes.

El programa aborda en profundidad la estrategia de datos y proporciona una visión integral de cómo estos pueden emplearse para construir modelos de Machine Learning en el nuevo contexto de la Inteligencia Artificial. Asimismo, se consideran los aspectos éticos involucrados en esta nueva realidad.

Los cuatro cursos son en formato e-learning surge como una solución que permite construir aprendizajes a partir de los aportes de los participantes y entregando flexibilidad a sus horarios de estudio. Los participantes podrán interactuar con sus compañeros y tutores a través de mensajería y foros de discusión aplicados, incorporando sus distintas aproximaciones a las temáticas tratadas y su diversidad de experiencias, enriqueciendo la reflexión y la apropiación de los conceptos claves.

Importante:

1. El orden de impartición de los cursos dependerá de la calendarización académica.

2. Los cursos «Estrategia de datos para IA» e «Introducción a Minería de Datos y Machine Learning» tienen como prerrequisito el curso «Inteligencia Artificial: del concepto al impacto».

Introduction to Data Mining and Machine Learning

Docente: Hernán Valdivieso

Unidad académica responsable: Escuela de Ingeniería

Requisitos: Curso: Inteligencia Artificial: del concepto al impacto

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, métodos de regresión, algoritmos de clasificación y la evaluación de clasificadores, junto con una introducción al aprendizaje de máquina.

El enfoque del curso es práctico, brindando oportunidades para aplicar los conocimientos en proyectos y casos concretos. Se proporcionan herramientas de extracción y análisis de información para que una organización pueda generar valor a partir de los datos, mejorando su posición competitiva.

Al finalizar el curso, los estudiantes contarán con conocimientos teóricos y prácticos sobre las principales técnicas utilizadas en la creación de programas capaces de extraer conocimiento relevante de bases de datos. También comprenderán algunas de las principales aplicaciones actuales de estas técnicas, así como sus potencialidades y limitaciones.

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:

• 3 controles individuales – 40%
• 3 mini proyectos individuales – 60%