El diploma de postítulo en Data Science es un programa de especialización de la Escuela de Ingeniería Informática de la Facultad de Ingeniería de la Universidad de Valparaíso. Este programa permite hacer una inmersión en corto tiempo, en un área fuertemente aplicada y de demanda en la actualidad como es la ciencia de datos. Con un enfoque orientado al manejo de conceptos y herramientas para la gestión de datos (pequeños y grandes), la analítica de datos (estadística, machine learning y visualización) y sus aplicaciones en problemas reales.

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.

Los graduados del Diploma de Postítulo en Data Science de la Universidad de Valparaíso son profesionales capaces de reconocer y comprender problemáticas de data science en diversas áreas de aplicación, utilizando para ello conocimiento actualizado de ciencias de la computación, estadísticas, tecnologías avanzadas y áreas específicas de dominio. Asimismo, son capaces de encontrar y comunicar soluciones innovadoras a dichos problemas, con responsabilidad ética y práctica de acuerdo a las necesidades de la industria y la sociedad.

El programa considera una única línea de investigación, Informática aplicada, que agrupa las diversas aplicaciones de la ingeniería informática en el sector público y privado. Algunos de los posibles dominios de aplicación pueden ser los siguientes:

• Internet de las cosas (IoT)
• Analítica del aprendizaje
• Big Data
• Análisis de redes sociales
• Informática en salud
• Sistemas de toma de decisiones

Gestión y ética de los datos
Profesora: Ana Aguilera Faraco, PhD
DPDC-101 / 2 créditos SCT

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.

Modelos estadísticos
Profesor: PhD Francisco Plaza
DPDC-102 / 2 créditos SCT

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

Analítica y visualización de datos
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.

Machine learning y deep learning
Profesor: PhD Rodrigo Salas
DPDC-104 / 3 créditos SCT

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

Big Data
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.

Aplicaciones de Data Science
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

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.

1. Descuento arancelario de un 10% por pago al contado o contra factura para todos aquellos alumnos que paguen el arancel diferenciado total del programa, dentro de los 90 días corridos, contados desde la fecha de inicio del programa registrado en los sistemas de registros académicos institucionales.
2. 5 becas de exención arancelaria de un 20% para alumnos, alumni y funcionarios de la Universidad de Valparaíso.
3. 1 beca de hasta un 100% a funcionarios académicos y no académicos de la Escuela de Ingeniería Informática de la Universidad de Valparaíso.
4. Descuento arancelario de un 15% del arancel para tres o más profesionales que provengan de una misma institución que respalde formalmente su participación en el programa.
5. 5 descuentos arancelarios de un 20% a empresas y asociaciones con convenios vigentes.
6. 5 descuentos arancelarios de un 20% a instituciones públicas.
7. 5 becas de exención arancelaria de hasta un 50% para alumni y estudiantes de pre y postgrado de la Escuela de Ingeniería en Informática de la Universidad Valparaíso.
8. 5 becas de exención arancelaria de hasta un 30% para funcionarios académicos y no académicos y honorarios de la Facultad de Ingeniería de la Universidad de Valparaíso.
9. 2 descuentos arancelarios de un 30% a ex alumnas de la Escuela de Ingeniería Informática.