Actualizar a profesionales en conocimientos y uso de herramientas avanzadas en el área de ciencia de datos, con énfasis en el trabajo aplicado y multidisciplinario, con responsabilidad ética y social, a través de la experimentación, la aplicación creativa y el desarrollo innovador de soluciones a problemas reales.

• Desarrollar capacidades en estudiantes para gestionar y manipular big data en entornos multidisciplinarios, mediante un tratamiento ético de los datos.

• Nivelar a los estudiantes en relación a los aspectos estadísticos y matemáticos fundamentales para la comprensión de modelos y resolución de problemáticas de la ciencia de datos.

• Potenciar las capacidades de análisis de datos e interpretación de resultados a través del uso de herramientas y técnicas computacionales avanzadas de data science, para la resolución de problemas aplicados, de forma creativa e innovadora, en diversas áreas del conocimiento.

• Ana Aguilera, Ingeniera en Informática, Doctora en Tratamiento de señales y comunicaciones, Magister en Ciencias de la computación, Académico Titular, Escuela de Ingeniería Informática. Universidad de Valparaíso.
• Fabián Riquelme, Ingeniero Civil Informático, Doctor en Computación, Magister en Ciencias de la Computación, Académico Adjunto, Escuela de Ingeniería Informática. Universidad de Valparaíso.
• Rodrigo Salas, Ingeniero Civil Informático, Doctor en Ingeniería Informática, Magister en Ingeniería Informática, Académico Titular, Escuela de Biomédica. Universidad de Valparaíso.
• Pablo González Cantergiani, Ingeniero Ejecución en Computación e Informática, Magister en Ingeniería Informática. Falabella Retail S.A. Principal Data Scientist.
• Julio Sotelo, Ingeniero Civil Biomédico, Doctor en Ciencias de la Ingeniería, Magister en Ciencias de la Ingeniería y Magister en Data Science, Académico del Departamento de Informática, Universidad Técnica Federico Santa María.
• Francisco Plaza, Ingeniero pesquero, Doctor en estadística, Académico asociado del Departamento de Matemática y Ciencias de la Computación, USACH

Para acceder al Diploma de Postítulo en Data Science, los postulantes deberán acreditar un título profesional universitario de 4 años o más de duración, o el grado de Licenciado. Es deseable que el postulante demuestre una experiencia de al menos 3 años en el área del Diploma.

Se deberá presentar la siguiente documentación obligatoria:

• Certificado de título profesional y/o grado académico.
• Currículum Vitae actualizado.
• Carta de motivación (resumen de intereses profesionales y/o académicos).

*Se realizará, además, una entrevista personal al postulante.

Profesora: Ana Aguilera Faraco, PhD

DPDC-101 / 2 créditos SCT 

INTRODUCCIÓN Y MOTIVACIÓN

FUENTES DE DATOS
○ Metodología de gestión de datos
○ Fuentes de datos y formatos
○ Preprocesamiento de datos

DIMENSIÓN DE LOS DATOS
○ Reducción de dimensionalidad (métodos de selección y extracción de características)
○ Selección de instancias (problema de sesgo)
○ Estudio de Over/underfitting (definición, problemas, métodos para tratarlo)

TRANSFORMACIÓN Y CARGA DE DATOS
○ Datos ausentes, outliers y otros
○ Carga de datos desde diferentes fuentes

ÉTICA DE LOS DATOS Y ALGORITMOS
○ Reflexiones sobre ética de la ingeniería: distribución de responsabilidades. Ética de negocios
○ Reflexiones sobre ética en Data Science: bioética, datos y normativa actual en Chile. Reactividad de las definiciones legales.
○ Reflexiones sobre ética en Data Science: inteligencia artificial y software.

Profesor: PhD Francisco Plaza

DPDC-102 / 2 créditos SCT

Introducción y motivación

Unidad 1: Probabilidad
● Experimento aleatorio, espacio muestral
● El concepto de probabilidad
● Cálculo de probabilidades
● Variables Aleatorias
● Variables aleatorias unidimensionales proveniente de distribución Normal
● Variables aleatorias unidimensionales proveniente de distribución Exponencial
● Vectores aleatorios proveniente de distribución Normal multivariada
● Transformación de variables

Unidad 2: Estimación de modelos corte transversal 
● Métodos de estimación modelos de regresión lineal simple
● Métodos de estimación modelos de regresión Probit-Logit
● Métodos de estimación modelos de regresión logística multinomial
● Métodos de estimación modelos de regresión ordinal
● Otros métodos de estimación

Unidad 3: Estimación modelos en serie de tiempo
● Métodos de estimación modelos ARIMA
● Métodos de estimación modelos GARCH
● Métodos de estimación modelos de de datos en panel
● Otros métodos de estimación

• Profesor: PhD Julio Sotelo 
  

  DPDC-103 / 2 créditos SCT

  Unidad 1: Introducción a la analítica de datos elemental

  • Tomar de decisiones basadas en información.
  • Exploración uni y multi dimensional de datos.
  • Tópicos de modelización para la ciencia de datos.

  Unidad 2: Recursos para la visualización de datos 

  • Librerías computacionales para la visualización estática e interactiva.
  • Visualización de datos no estructurados.
  • Análisis, diseño y presentación de la visualización.

Profesor: PhD Rodrigo Salas

DPDC-104 / 3 créditos SCT

INTRODUCCIÓN Y MOTIVACIÓN 

FUNDAMENTOS TEÓRICOS DE MACHINE LEARNING 
○ El aprendizaje estadístico
○ Tipos de Aprendizaje

MÉTODOS SUPERVISADOS DE MACHINE LEARNING
○ Clasificadores Bayesianos: LDA, QDA
○ Arboles de Decisión
○ Regresión Logística
○ Máquinas de Vectores de Soporte SVM
○ Técnicas de Ensamblado de Máquinas: Random Forest, XGBoost.

MÉTODOS NO-SUPERVISADOS DE MACHINE LEARNING 
○ Técnicas de Clustering
○ K-Medias
○ Clustering Aglomerativo
○ Clustering Jerárquico
○ Clustering basado en densidad

REDES NEURONALES ARTIFICIALES Y DEEP LEARNING
○ Estructura y Aprendizaje de las Redes Neuronales Artificiales
○ Perceptrón Multicapa
○ Red Neuronal Convolucional
○ Red Neuronal Recurrente: LSTM

MÉTODOS DE EVALUACIÓN, VALIDACIÓN Y SELECCIÓN DE MODELOS
○ Matriz de Confusión
○ Métricas de Desempeño (Error cuadrático medio, coeficiente de determinación, etc)
○ Curva ROC
○ Criterios de Información AIC; BIC
○ Validación Cruzada

Profesor: Mag. Pablo González Cantergiani

DPDC-105 / 2 créditos SCT

Fundamentos de BigData
▪ Definición, conceptos y desafíos actuales del trabajo con Bigdata.
▪ Sistemas distribuidos, escalabilidad vertical y horizontal.
▪ Modelo de procesamiento MapReduce.
▪ Almacenamiento en HDFS.
▪ Programación MapReduce en Hadoop.

Cloud Computing
▪ Sistemas Cloud en comparación con On Premise.
▪ Proveedores públicos.
▪ Modelos de Servicio (IAAS, PAAS, SAAS).
▪ Modelos de Despliegue (Privada, Pública, Multi-cloud).
▪ Base de datos escalables.
▪ Casos de uso y arquitecturas.

Contenedores y arquitectura serverless
▪ Contenedores e imágenes Docker.
▪ Sistemas de integración y distribución continua.
▪ Introducción a Kubernetes.

Tecnologías para procesamiento batch y streaming
▪ Introducción a Apache Spark.
▪ Funciones y operaciones básicas.
▪ Programación ejemplos aplicados en streaming.

Profesor: PhD Fabián Riquelme

DPDC-106 / 2 créditos SCT

Data science en la Industria, Educación y Sociedad

• Modelos de negocio, alcances y aplicaciones de data science en la industria
• Modelos de negocio, alcances y aplicaciones de data science en la educación
• Modelos de negocio, alcances y aplicaciones de data science en la sociedad