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: Rolando Rubilar Torrealba

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: Tania Roa Rojas

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: 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: 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: 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