Profesora: Ana Aguilera Faraco, PhD

DPDC-101 / 2 créditos SCT 

FUENTES DE DATOS: 

• Metodología de gestión de datos DataOps
• Fuentes de datos y formatos
• Preprocesamiento de datos multimedia (texto, imágenes, señales, audio, sonido)

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 para Machine Learning, Deep Learning, BigData, R

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: Víctor Bahamondes, MsC, Evalueserve 

DPDC-102 / 2 créditos SCT

FUNDAMENTOS DE BIG DATA: 

• Las “V” de Big Data
• Big Data vs BI

PROCESOS DE BIG DATA: 

• Gestión de Datos
• Analítica (modelamiento/análisis, interpretación)

ELEMENTOS ESENCIALES DE TECNOLOGÍA BIG DATA:

• Reflexiones sobre ética en Data Science: inteligencia artificial y software.
• Características Comunes
• Analítica de Texto, Audio, Video, RRSS
• Analítica Predictiva
• Stream Analytics

TECNOLOGÍAS DE BIG DATA LABORATORIO DE EXPERIMENTACIÓN:

• Core Hadoop 
• Cloudera Data Platform (CDP)
• CDP sobre AWS/Azure

Profesor: Harvey Rosas, PhD / Daira Velandia, PhD

DPDC-103 / 2 créditos SCT

PROBABILIDAD:

• Experimento aleatorio, espacio muestral
• El concepto de probabilidad
• Cálculo de probabilidades

DISTRIBUCIONES DE PROBABILIDAD:

• Variables Aleatorias
• Variables aleatorias unidimensionales
• Vectores aleatorios
• Transformación de variables

INFERENCIA:

• Métodos de estimación
• Pruebas de hipótesis

ESTADÍSTICA BAYESIANA:

• Estimación Bayesiana
• Simulaciones Monte Carlo y Cadenas de Markov

Profesor: Rodrigo Salas, PhD

DPDC-104 / 2 créditos SCT

FUNDAMENTOS TEORICOS DE MACHINE LEARNING: 

• El aprendizaje estadístico
• Tipos de Aprendizaje

METODOS 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

METODOS 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

METODOS DE EVALUACION, VALIDACION 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: Camilo Gómez, Ing.

DPDC-201 / 2 créditos SCT

INTRODUCCIÓN A LA ANALÍTICA DE DATOS ELEMENTAL:

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

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: Fabián Riquelme, PhD

DPDC-202 / 2 créditos SCT

DATA SCIENCE EN LA INDUSTRIA:

• Discusión sobre conceptos y alcances de data science en la industria
• Modelos de negocio
• Toma de decisiones

DATA SCIENCE EN LA EDUCACIÓN:

• Discusión sobre conceptos y alcances de data science en la educación
• Modelos de negocio
• Toma de decisiones

DATA SCIENCE EN LA SOCIEDAD:

• Discusión sobre conceptos y alcances de data science en aplicaciones sociales
• Modelos de gestión
• Toma de decisiones