Diplomado en Python y ciencia de datos

El Diplomado en Python y ciencia de datos está orientado a entregar las competencias de programación y de manejo de datos necesarias para introducirse en las áreas de la Ciencia de Datos y Machine Learning. Al no requerir conocimientos previos de programación (se entregan en el primer curso), el diplomado está abierto no solo a personas con un background más técnico sino a todo tipo de profesionales.

Python se ha convertido en la herramienta fundamental para los profesionales que trabajan en Ciencia de Datos e Inteligencia Artificial. Hay muchos programas de Ciencia de Datos en que o bien se da por sentado que uno sabe Python, o que lo aprenderá al mismo tiempo que aprende los contenidos del programa. Este diplomado ofrece un camino distinto: dedicar todo el esfuerzo al comienzo en aprender a usar este lenguaje, partiendo desde cero, para luego aprender la forma en que se interactúa con bases de datos, y finalmente cómo se le puede sacar el máximo partido en el contexto de Ciencia de Datos.

Este enfoque tiene dos ventajas importantes. Primero, que entrega las competencias necesarias para usar Python más adelante en otros escenarios y áreas de aplicación y, segundo, que no exige al estudiante el tener que aprender Python al mismo tiempo que las técnicas y los algoritmos.

El formato del Diplomado en Python y Ciencia de Datos es 100% en línea y se estructura sobre cuatro cursos que utilizan técnicas metodológicas activas. Gracias a estas últimas, el participante puede interactuar con sus pares y profesor-tutor a través de los recursos tecnológicos que provee la plataforma educativa virtual.

Introduction to Data Mining and Machine Learning

Docente(s): Hernán Valdivieso

Unidad académica responsable: Escuela de Ingeniería

Requisitos: Curso 1: Herramientas básicas de programación en Python

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:

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