14.2.

Contenidos Mínimos, Objetivos y Carga Horaria

Los contenidos mínimos del programa de Maestría se presentan con el total de horas asignadas a
cada asignatura y Profesor(a) responsable de la misma. Cada módulo tiene descrito el contenido
mínimo, objetivos y carga horaria por asignatura.

Profesor
Asignatura INTRODUCCIÓN A LA CIENCIA DE DATOS
Carácter Obligatorio
Carga Horas de docencia presencial: 60 Horas de Trabajo Total Horas: 120
Horaria del Estudiante: 60

OBJETIVO

El objetivo de este módulo es el de introducir al participante en los conceptos relacionados con Ciencia
de Datos, además de proporcionar la introducción a las herramientas informáticas que se usarán en
el resto del Programa. Asimismo, se repasarán los conceptos matemáticos necesarios para los
siguientes módulos. Como parte del módulo se realizará la resolución de casos prácticos y académicos
utilizando técnicas de ciencia de datos.

DESCRIPCIÓN DEL CONTENIDO

 Introducción a la ciencia de datos

 Inteligencia de negocios
 Análisis de datos
 Minería de datos
 Lenguaje de programación R o Phyton
 Procesamiento básico de datos
 Análisis de datos
 Visualización de datos
 Análisis exploratorio de datos
 Estadística descriptiva
 Introducción al preprocesamiento
 Modelos de Data Mining
 Modelos no supervisados
 Modelos supervisados
 Técnicas básicas de clasificación y regresión
 Evaluación
 Casos de estudio

Profesor Dr. Manuel Herrera

Asignatura MATEMÁTICAS PARA CIENCIA DE DATOS
Carácter Obligatorio
Carga Horas de docencia presencial: 60 Horas de Trabajo del Total Horas: 120
Horaria Estudiante: 60
OBJETIVO

Proporcionar las bases matemáticas necesarias sobre las temáticas de estadísticas y optimización,
necesarias para el uso y desarrollo de herramientas para ciencia de datos. Como parte del módulo se
realizará la resolución de casos prácticos y académicos.

DESCRIPCIÓN DEL CONTENIDO

 Algebra matricial
 Operaciones con matrices
 Determinante de una matriz
 Solución de sistemas de ecuaciones lineales
 Análisis matemático para la optimización de datos
 Programación lineal
 Métodos de transporte y asignación
 Regresión lineal
 Regresión polinomial
 Mínimos cuadrados
 Distancia Manhattan y Euclidiana
 Probabilidades y estadística fundamental
 Cálculo multivariable
 Métodos de solución de ecuaciones diferenciales

Profesor M.Sc. Ing. Esteban Saavedra

Asignatura PROGRAMACIÓN PARA CIENCIA DE DATOS
Carácter Obligatorio
Carga Horas de docencia presencial: 60 Horas de Trabajo del Total Horas: 120
Horaria Estudiante: 60

OBJETIVO

Aprender a utilizar el lenguaje de programación Python para la resolución de problemas de análisis

de datos en el ámbito de la ciencia de datos. Como parte del módulo se realizará la resolución de
casos prácticos y académicos utilizando técnicas de ciencia de datos.

DESCRIPCIÓN DEL CONTENIDO

 Introducción a la programación con Phyton

 Anaconda y Jupiter
 Instalación
 Introducción a Jupiter
 Uso de Jupiter
 Programación con Phyton
 Listas
  Tuples
 Ciclo For
 Condicionantes y Ciclo For
 Aleatorios, funciones y ciclo while
 Diccionarios
 Numpy y Pandas
 Introducción a Numpy
 Operaciones con Numpy
 Introducción a Pandas
 Operaciones con Pandas
 Visualización de Datos
 Gráfico de Barras
 Gráfico de línea e histograma
 Gráfico de dispersión
 Machine learning con Phyton
 Aprendizaje supervisado
 Máquinas de Vector Soporte
 Árboles de decisión
 Métodos compuestos
 Casos de estudio

Profesor M.Sc.Ing. Oscar Contreras

Asignatura MACHINE LEARNING I
Carácter Obligatorio
Carga Horas de docencia presencial: 60 Horas de Trabajo del Total Horas: 120
Horaria Estudiante: 60

OBJETIVO

Los objetivos de este módulo son: aprender las principales arquitecturas de las herramientas de
machine learning, aprender los conceptos de entropía y ganancia en información, trabajar con árboles
de decisión y construirlos, conocer el concepto de clustering. Como parte del módulo se realizará la
resolución de casos prácticos y académicos.

DESCRIPCIÓN DEL CONTENIDO

 Métodos paramétricos:
 Regresión Lineal y mínimos cuadrados
 Máxima verosimilitud y MAP
 Regresión logística binaria
 Regresión Softmax
 Redes neuronales: Forward, backpropagation
 Support Vector Machines
  Métodos kernel para SVM
 Métodos no paramétricos:
 K-Nearest Neighbors
 Arboles de decisión
 Métodos ensemble
 Bagging: Random Forests
 Boosting: AdaBoost, XGBoost y otros métodos de boosting
 Modelos generativos supervisados
 Clasificador bayesiano
 Naive BayesCasos de estudio
 Casos de estudio

Profesor
Asignatura ESTADISTICA AVANZADA Y OPTIMIZACIÓN
Carácter Obligatorio
Carga Horas de docencia presencial: 80 Horas de Trabajo del Total Horas: 140
Horaria Estudiante: 60

OBJETIVO

Los objetivos de este módulo son complementar la formación de los estudiantes con conceptos de
estadística avanzada y optimización, base que es muy útil para los algoritmos utilizados en Ciencia de
Datos.

DESCRIPCIÓN DEL CONTENIDO

 Inferencia Estadística
 Probabilidad
 Muestra aleatoria
 Estimación puntual y por intervalos
 Contraste de hipótesis
 Análisis estadístico de una o varias poblaciones
 Análisis estadístico de una población
 Comparación de varias poblaciones
 Tablas de contingencia
 Redes de Markov
 Redes bayesianas
 Método de Monte Carlo
 Optimización
 Conceptos básicos de optimización sin restricciones
 Métodos de búsqueda local
 Conceptos básicos de optimización con restricciones
 Programación Lineal y Entera
 Método de la Gradiente
 Métodos de búsqueda local
  Métodos de búsqueda global
 Algoritmos metaheurísticos
 Algoritmos genéticos

Profesor
Asignatura INGENIERÍA DE DATOS
Carácter Obligatorio
Carga Horas de docencia presencial: 80 Horas de Trabajo del Total Horas: 140
Horaria Estudiante: 60

OBJETIVO

El módulo tiene como objetivos permitir que el estudiante pueda analizar y limpiar los datos para su
posterior uso en algoritmos de Ciencia de Datos.

DESCRIPCIÓN DEL CONTENIDO

 Análisis exploratorio de datos

 Adquisición y limpieza de datos
 Tipos de datos
 Importación de formatos más habituales
 Conversión de datos
 Detección de datos anómalos
 Análisis estadístico descriptivo
 Estadísticos básicos
 Representaciones visuales
 Análisis univariante
 Análisis multivariante
 Correlación
 Covarianza
 Transformaciones en los datos
 Modelos lineales
 Modelos de regresión
 Modelos de análisis de varianza
 Modelos de regresión estructurados
 Modelos lineales generalizados

Profesor M.Sc.Ing. Lesly Zerna

Asignatura MINERÍA DE DATOS
Carácter Obligatorio
Carga Horas de docencia presencial: 80 Horas de Trabajo del Total Horas: 140
Horaria Estudiante: 60

OBJETIVO

Este módulo tiene como objetivo que los estudiantes aprendan algoritmos para identificar patrones
subyacentes utilizando herramientas de Minería de Datos.

DESCRIPCIÓN DEL CONTENIDO

 Preprocesamiento de datos
 Discretización
 Datos perdidos
 Reducción de la dimensionalidad
 Selección de modelos lineales
 Modelos no lineales
 Arboles de decisión. Multiclasificadores
 Bagging
 Boosting
 Random Forest
 Algoritmos para la obtención de reglas
 Descomposición de problemas multiclase
 Máquinas de soporte vectorial (SVM)
 Modelos estadísticos
 Reglas de asociación
 Casos de estudio

Profesor Dr.Ing. Amilkar Ernesto ILaya

Asignatura METODOLOGÍA DE LA INVESTIGACIÓN
Carácter Obligatorio
Carga Horas de docencia presencial: 80 Horas de Trabajo del Total Horas: 140
Horaria Estudiante: 60

OBJETIVO

El módulo tiene como objetivo que los estudiantes repasen o conozcan la metodología de
investigación científica y que posteriormente puedan empezar a estructurar sus trabajos de tesis
utilizando las herramientas de ciencia de datos ya conocidas. Este módulo también tiene el objetivo
de buscar que el proceso de titulación sea más eficiente.

DESCRIPCIÓN DEL CONTENIDO

 Diseño de la Investigación.
 La investigación Científica.
 El Problema de Investigación.
 Hipótesis.
  Variables, Dimensiones e Indicadores.
 Instrumentos de Recopilación de Datos.
 Planificación de la Investigación.
 Estructura del Proyecto de Investigación.
 La inferencia científica.

Profesor M.Sc.Ing. Oscar Contreras

Asignatura MACHINE LEARNING II
Carácter Obligatorio
Carga Horas de docencia presencial: 80 Horas de Trabajo del Total Horas: 140
Horaria Estudiante: 60

OBJETIVO

En base a los conocimientos desarrollados en Machine Learning I, el presente módulo tiene por
objetivo que los estudiantes comprendan algoritmos más avanzados en el análisis de datos y los
procesos predictivos.

DESCRIPCIÓN DEL CONTENIDO

 Clustering:
 K-Means y variantes
 Clustering probabilístico: Gaussian Mixture Models
 Reducción de Dimensionalidad y visualización:
 PCA y variantes
 Aplicaciones de PCA
 Inferencia variacional
 Perspectiva general de modelos bayesianos
 Definiciones de ELBO y divergencia KL
 Inferencia variacional mean field
 GMM variacional
 Miscelánea de modelos probabilísticos
 Hidden Markov Models
 PMF y Filtros colaborativos
 TSNE
 LDA (Latent Dirichlet Allocation)
 Evaluación y comparación de modelos probabilísticos

Profesor Dr.Ing. Ariel Zeballos

Asignatura DEEP LEARNING
Carácter Obligatorio
Carga Horas de docencia presencial: 80 Horas de Trabajo del Total Horas: 140
Horaria Estudiante: 60

OBJETIVO

Cuando el estudiante ya conozca los principales algoritmos utilizados en Machine Learning, podrá
introducirse en Deep Learning o aprendizaje profundo, el modulo tiene como objetivo que el
estudiante pueda comprender y utilizar herramientas de Deep Learning.

DESCRIPCIÓN DEL CONTENIDO

 Repaso de redes neuronales profundas

 Elementos principales de una red neuronal
 Funciones de activación
 Forward y backward propagation
 Funciones avanzadas de optimización
 Redes convolucionales
 Convolución y cross-correlation
 Elementos principales de una red convolucional
 Forward y backward propagation de una red convolucional
 Capas residuales y especiales
 Transfer learning
 Arquitecturas de redes convolucionales
 Detección de objetos
 Segmentación de objetos
 Redes recurrentes
 Elementos principales de una red recurrente
 Forward y backward propagation
 Arquitecturas principales: RNN, LSTM y GRU
 Aplicación a NLP: Embeddings, Word2Vec, FastText y arquitecturas de representación
textual
 Aplicaciones de redes recurrentes a datasets textuales
 Speech recognition
 Introducción a autoencoders
 Deep learning y estado del arte
 Transformers
 Variational autoencoders
 GAN

Profesor Dr.Ing. Orietha Castillo

Asignatura BIG DATA
Carácter Obligatorio
Carga Horas de docencia presencial: 80 Horas de Trabajo del Total Horas: 140
Horaria Estudiante: 60
OBJETIVO

El módulo tiene como objetivo introducir al estudiante en los conceptos de Big Data, para que con los
conocimientos de Ciencia de Datos pueda trabajar con grandes cantidades de datos.

DESCRIPCIÓN DEL CONTENIDO

 Introducción a Big Data

 Evolución del Big Data
 Infraestructura en la nube
 Almacenamiento de Big Data
 Tecnologías de bases de datos NoSQL y gestión de sistemas
 Ecosistema Hadoop
 Almacenamiento distribuido
 Introducción al procesamiento distribuido

Profesor Dr.Ing. Ariel Zeballos

Asignatura APLICACIONES DE CIENCIA DE DATOS
Carácter Obligatorio
Carga Horas de docencia presencial: 80 Horas de Trabajo del Total Horas: 140
Horaria Estudiante: 60

OBJETIVO

En el módulo se busca que los estudiantes puedan desarrollar casos de estudio guiados por el docente,
utilizando las diversas herramientas aprendidas a lo largo de la Maestría, esto permitirá al estudiante
comenzar con proyectos como científico de datos.

DESCRIPCIÓN DEL CONTENIDO

 Caso de estudio 1
 Captura de datos
 Preprocesamiento
 Almacenamiento
 Análisis de datos
 Caso de estudio 2
 Captura de datos
 Preprocesamiento
 Almacenamiento
 Análisis de datos