Sesión Inaugural

DIPLOMADO EN DATA SCIENCE

2023
Sesión Inaugural
DIPLOMADO EN DATA SCIENCE
2023

PRONTO INICIAMOS
¡BIENVENIDOS!

Pontificia Universidad
Católica de Chile

135
años
34.213 18
65
Alumnos de Pre
y Postgrado
Facultades

Carreras
3.400
Profesores
Facultad de Matemáticas

40 7
Programas
de Pre y
Años Postgrado

70 19.903
362
Profesores
Cátedras

Alumnos - Curso

8 Programas
Educación
Continua 478Alumnos
¿QUÉ VAMOS A APRENDER?
 DIPLOMADO EN DATA SCIENCE
CURSOS QUE COMPONEN EL DIPLOMADO:

Fundamentos de Herramientas
la ciencia de Estadísticas y
datos. Forecast

Herramientas
computacionales y Visualización
Machine Learning. de datos.

Aplicaciones de
Data Science.
 ¿CÓMO NOS ORGANIZAMOS?

Clases Online – Clases en Vivo Clases Presenciales

Lunes y Miércoles Martes y Jueves

Sección Sección
Alan Turing Mary
Jackson
¿CÓMO NOS ORGANIZAMOS?

LUNES MIÉRCOLES
Clases teóricas Clases prácticas

SÁBADO SÁBADO
Ayudantías - Opcional Electivos - Opcional
 ¿CÓMO NOS ORGANIZAMOS?

Introducción a la ciencia de datos.

Diferencias entre big data y data science.

Modelos de complejidad analítica.

Metodología para proyectos de data science.

Toolbox para ciencia de datos.

Fundamentos de la
ciencia de datos. Presentaciones proyecto de aplicación.
 ¿CÓMO NOS ORGANIZAMOS?

Introducción a la estadística.
Análisis descriptivo y probabilidades.

Análisis gráfico y distribuciones.

Muestreo.
Inferencia estadística: test de hipótesis.

Modelos estadísticos: ANOVA.

Modelos de regresión lineal.

Herramientas Modelos de regresión logística.
Estadísticas y
Forecast Series de tiempo.
 ¿CÓMO NOS ORGANIZAMOS?

Introducción a la estadística.
Análisis descriptivo y probabilidades.

Análisis gráfico y distribuciones.

Muestreo.
Inferencia estadística: test de hipótesis.

Modelos estadísticos: ANOVA.

Modelos de regresión lineal.

Herramientas Modelos de regresión logística.
Estadísticas y
Forecast Series de tiempo.
 ¿CÓMO NOS ORGANIZAMOS?

Introducción a Python.
Introducción a Pandas.
Manipulación, importación y análisis de datos.
Creación de funciones y clases.
Visualización de datos.
Modelamiento de datos.

Introducción a R: tipos y estructuras de datos.

Herramientas Introducción a Tidiverse.
computacionales y Manipulación, importación y análisis de datos.
Machine Learning. Estructuras y funciones.
Visualización de datos.
 ¿CÓMO NOS ORGANIZAMOS?

Introducción a machine learning.

Validación cruzada, naive bayes, SVM.

Árboles de decisión, bagging, random forest.

Algoritmos de agrupación.
Reducción de dimensionalidad: PCA & AF.

Detección de anomalías.

Sistemas de recomendación.
Herramientas Aplicaciones de inteligencia artificial.
Estadísticas y
Forecast Redes neuronales convulocionales.
 ¿CÓMO NOS ORGANIZAMOS?

Introducción a machine learning.

Validación cruzada, naive bayes, SVM.

Árboles de decisión, bagging, random forest.

Algoritmos de agrupación.
Reducción de dimensionalidad: PCA & AF.

Detección de anomalías.
Herramientas Sistemas de recomendación.
computacionales y
Machine Learning. Aplicaciones de inteligencia artificial.
Redes neuronales convulocionales.
 ¿CÓMO NOS ORGANIZAMOS?

Storytelling.
Google Data Studio.

Power BI.

Visualización
de datos.
 ¿CÓMO NOS ORGANIZAMOS?

Análisis de texto.

Aplicaciones en Finanzas.

Aplicaciones en Marketing.

Aplicaciones de
data science.
CALENDARIO ACADÉMICO
CALENDARIO ACADÉMICO DIPLOMADO EN DATA SCIENCE UC 2023
MODALIDAD ONLINE - CLASES EN VIVO

Semana Fecha Contenido Fecha Contenido Sábado

1 17-abr Bienvenida 19-abr Introducción a la ciencia de datos
2 24-abr Metodologías para ciencia de datos 26-abr Metodologías para ciencia de datos
3 01-may Feriado Día del Trabajador 03-may Introducción a Python I
4 08-may Introducción a la estadística para Data Science 10-may Introducción a Python II Ayudantía
5 15-may Análisis descriptivo y Probabilidades 17-may Introducción a Pandas Ayudantía
6 22-may Análisis gráfico y Distribuciones 24-may Manipulación, importación y análisis de datos Ayudantía
7 29-may Muestreo 31-may Creación de funciones y clases Ayudantía
8 05-jun Inferencia estadística: Pruebas de hipótesis 07-jun Visualización de datos parte I Web Scraping I
9 12-jun Taller práctico de Inferencia 14-jun Visualización de datos parte II Web Scraping II
10 19-jun Introducción a los modelos estadísticos - ANOVA 21-jun Feriado Día Nacional de los Pueblos Indígenas

11 26-jun Feriado San Pedro y San Pablo 28-jun Modelamiento de datos con Python I Ayudantía

12 03-jul Modelos de Regresión logistica 05-jul Modelamiento de datos con Python II Ayudantía

13 10-jul Modelos de regresión lineal 12-jul Introducción a R: tipos y estructuras de datos. Ayudantía
17-jul Receso Vacaciones de Invierno 19-jul Receso Vacaciones de Invierno

14 24-jul Taller regresión lineal /logística 26-jul Introducción a Tidiverse. Ayudantía

Manipulación, importación y análisis de datos en

15 31-jul Modelos de series de tiempo I 02-ago Ayudantía
R.
16 07-ago Modelos de series de tiempo II 09-ago Estructura y funciones. Ayudantía

17 14-ago Modelos de series de tiempo III - Clase práctica 16-ago Visualización de datos parte I Rmarkdown/Quarto

18 21-ago Introducción a machine learning 23-ago Visualización de datos parte II Ayudantía

19 28-ago Validación cruzada, naive bayes, SVM 30-ago Validación cruzada, naive bayes, SVM Ayudantía
Árboles de decisión, Bagging & Bosques de
20 04-sept Árboles de decisión, Bagging & Bosques de Árboles 06-sept Ayudantía
Árboles
21 11-sept Algoritmos de Agrupación 13-sept Algoritmos de Agrupación Ayudantía
22 18-sept Feriado Día de la Independencia Nacional 20-sept Receso Fiestas Patrias
23 25-sept Reducción de Dimensionalidad, PCA & AF 27-sept Toolbox Ayudantía
24 02-oct Detección de Anomalías 04-oct Reducción de Dimensionalidad, PCA & AF Ayudantía
25 09-oct Feriado Encuentro de Dos Mundos 11-oct Detección de Anomalías Ayudantía
26 16-oct Aplicaciones de IA 18-oct Evaluación Machine Learning Ayudantía
27 23-oct Sistema de recomendación 25-oct Sistema de recomendación Ayudantía
28 30-oct Redes neuronales convulocionales 01-nov Feriado Día de Todos los Santos
29 06-nov Google data Studio - Analytic 08-nov Introducción a redes neuronales Ayudantía
30 13-nov Google data Studio - Analytic 15-nov Redes neuronales convulocionales (CNN) R – Shiny.
31 20-nov Google data Studio - Analytic 22-nov Análisis de texto en R R – Shiny.
32 27-nov Storytelling 29-nov Análisis de texto en R R – Shiny.
33 04-dic Power BI - I 06-dic Análisis de texto en R Ayudantía
34 11-dic Power BI - II 13-dic Aplicaciones en Finanzas
35 18-dic Aplicaciones en Marketing 20-dic Aplicaciones en Finanzas
36 25-dic Feriado Nacional Navidad 27-dic Fundamentos - Presentaciones
37 08-ene Feriado Nacional Navidad 10-ene Fundamentos - Presentaciones
CURSOS QUE COMPONEN EL DIPLOMADO

Fundamentos de Herramientas
la ciencia de Estadísticas y
datos. Forecast

Herramientas
computacionales y Visualización
Machine Learning. de datos.

Aplicaciones de
Data Science.
¿CÓMO NOS ORGANIZAMOS?

Evaluaciones
Proyecto de
teóricas y
Aplicación.
prácticas
¿CÓMO NOS ORGANIZAMOS?

Equipo Proyecto de Aplicación

Francia Berna Katherine Epple

EVALUACIONES POR CURSO
Fundamentos de
la ciencia de 50% Diseño conceptual.
datos. 50% Presentación final.

Herramientas 50% Promedio Talleres.

Estadísticas y
50% Proyecto de aplicación.
Forecast

Herramientas
computacionales y 50% Promedio Talleres. ~
Machine Learning. 50% Proyecto de aplicación. 𝑥
Nota de
Aprobación
Visualización de 50% Promedio Talleres. Diplomado
datos.
50% Proyecto de aplicación.

Aplicaciones de Data 50% Promedio Talleres.

Science. 50% Proyecto de aplicación.
 ¿Cómo serán las evaluaciones?

Introducción a la estadística para

Data Science: análisis descriptivo.
Análisis descriptivo y probabilidades.
Análisis gráfico y distribuciones. Entrega 2 Proyecto de
Muestreo. Análisis descriptivo. Aplicación.
Inferencia estadística: Pruebas de
hipótesis
Herramientas Taller práctico de Inferencia.
Estadísticas y
Forecast
Introducción a los modelos
estadísticos.
Modelos predictivos I: modelos de
regresión lineal.
Modelos predictivos II: regresión Taller 1: Modelos Evaluaciones
teóricas y
logística y otros modelos. predictivos. prácticas
Series de tiempo I.
Series de tiempo II
Taller de Forecast
 ¿Cómo serán las evaluaciones?
Evaluaciones
teóricas y
prácticas

Introducción a machine learning.

Algoritmos de aprendizaje supervisados: Validación

cruzada, naive bayes, SVM.
Taller 2:
Algortimos de aprendizaje supervisados: árboles de Modelos supervisados, parte conceptual.
decisión, bagging y random forest.

Herramientas Algortimos de aprendizaje no supervisados:

Estadísticas y Algoritmos de agrupación.
Forecast Algortimos de aprendizaje no supervisados:
Reducción de dimensionalidad, análisis
componentes principales y AF.

Detección de anomalías.

Taller 3:
Sistemas de recomendación.
Modelos no supervisados, parte conceptual.
Aplicaciones de inteligencia artificial.

Redes neuronales convulocionales.

¿Cómo será la ponderación final?
Herramientas
Estadísticas y
Forecast

Nota Nota Nota

Nota
Regresión Modelos Modelos no
Entrega 2 lineal supervisados supervisados

Elige las 2 mejores notas, por ejemplo:

Nota Nota
~
Regresión
lineal
Modelos no
supervisados
=𝑥

Promedio
Nota del curso = Nota 𝑥 50% + 2 mejores 𝑥 50%
Entrega 2 talleres.
 ¿Cómo serán las evaluaciones?
Herramientas
computacionales y
Machine Learning.

Introducción a Python I
Introducción a Python II
Introducción a Pandas
Manipulación, importación y análisis de datos
50% Proyecto de aplicación.
Creación de funciones y clases Proyecto de
Entrega 3 Aplicación.
Visualización de datos parte I
Visualización de datos parte II
Diseño de modelo
Modelamiento de datos con Python I

Modelamiento de datos con Python II

Introducción a R: tipos y estructuras de datos.

Introducción a Tidiverse.
Manipulación, importación y análisis de datos Evaluaciones
en R. teóricas y
Taller 1: Regresión logística. prácticas
Estructura y funciones.
Visualización de datos parte I

Visualización de datos parte II

¿Cómo serán las evaluaciones?

Herramientas Evaluaciones
Estadísticas y teóricas y
Forecast prácticas

Introducción a machine learning.

Algoritmos de aprendizaje supervisados: Validación

cruzada, naive bayes, SVM.
Taller 2:
Algortimos de aprendizaje supervisados: árboles de Modelos supervisados, parte práctica.
decisión, bagging y random forest.

Algortimos de aprendizaje no supervisados:

Algoritmos de agrupación.

Algortimos de aprendizaje no supervisados:

Reducción de dimensionalidad, análisis
componentes principales y AF.

Detección de anomalías.

Taller 3:
Sistemas de recomendación.
Modelos no supervisados, parte práctica.
Aplicaciones de inteligencia artificial.

Redes neuronales convulocionales.

¿Cómo será la ponderación final?
Herramientas
Estadísticas y
Forecast

Nota Nota Nota

Nota
Regresión Modelos Modelos no
Entrega 3 logística supervisados supervisados

Elige las 2 mejores notas, por ejemplo:

Nota Nota
~
Regresión
lineal
Modelos no
supervisados
=𝑥

Promedio
Nota del curso: Nota 𝑥 50% + 2 mejores 𝑥 50%
Entrega 3 talleres.
¿Cómo serán las evaluaciones?
Aplicaciones de Data
Science.

Análisis de texto en R.

Análisis de texto en R.
Taller 1: Análisis de Texto
Análisis de texto en R.

Análisis de texto en R.

Aplicaciones en Finanzas
Taller 2: Quiz de Finanzas.
Aplicaciones en Finanzas

Aplicaciones en Marketing
Taller 3: Taller de Marketing.
Aplicaciones en Marketing
¿Cómo será la ponderación final?
Aplicaciones de Data
Science.

Nota Nota Análisis Nota Nota

Entrega 4 de Texto Finanzas Marketing

Elige las 2 mejores notas, por ejemplo:

Nota Análisis Nota ~

de Texto Finanzas =𝑥

Promedio 2
Nota del curso: Nota 𝑥 50% + mejores 𝑥 50%
Entrega 4 talleres.
¿Cómo serán las evaluaciones?

Visualización de
datos.

50% Proyecto de aplicación.

Storytelling
Entrega 5
Google data studio I

Google data studio II

Taller 1: Google data studio.
Google data studio III

Power BI - I
Taller 2: Power BI
Power BI - II
¿Cómo será la ponderación final?

Visualización de
datos.

Nota Nota Power Nota Google

Entrega 5 BI Data Studio

Elige la mejor nota, por ejemplo:

Nota Google
Data Studio

Nota Google
Nota del curso: Nota 𝑥 50% + Data Studio
𝑥 50%
Entrega 5
RESUMEN - EVALUACIONES POR CURSO
CURSO NOTA 1 NOTA 2

Fundamentos de la Entrega 1:
Presentación Final.
ciencia de datos. Definición de objetivos.

El promedio de 2 talleres, se eligen las 2

mejores notas de:
Herramientas
Entrega 2: - Regresión lineal.
estadísticas y Forecast.
Análisis descriptivo. - Modelos supervisados.
- Modelos no supervisados.
El promedio de 2 talleres, se eligen las 2
Herramientas mejores notas de:
Entrega 3:
computacionales y - Regresión logística.
Diseño de modelo.
machine learning. - Modelos supervisados.
- Modelos no supervisados.
El promedio de 2 talleres, se eligen las 2
mejores notas de:
Aplicaciones de Data Entrega 4:
- Análisis de texto.
Science. Implementación modelo.
- Quiz finanzas.
- Quiz de marketing.
Se elige la mejor nota de:
Visualización de datos. Entrega 5:
- Power BI
Visualización.
- Google data studio.
CALENDARIO DE EVALUACIONES

EVALUACIÓN FECHA DE PUBLICACIÓN FECHA DE ENTREGA

Entrega 1 Proyecto Lunes 08 de Mayo Lunes 29 de Mayo
Entrega 2 Proyecto Lunes 19 de Junio Lunes 10 de Julio
Regresión lineal Lunes 10 de Julio Lunes 31 de Julio
Modelos Supervisados Lunes 11 de Septiembre Lunes 2 de Octubre
Entrega 3 Proyecto Lunes 11 de Septiembre Lunes 09 de Octubre
Modelos No Supervisados Lunes 30 de Octubre Lunes 6 de Noviembre
Google Data Studio Lunes 20 de Noviembre Lunes 27 de Noviembre
Entrega 4 Proyecto Lunes 20 de Noviembre Lunes 18 de Diciembre
Análisis de Texto Miércoles 6 de Diciembre Miércoles 13 de Diciembre
Power BI Lunes 11 de Diciembre Lunes 18 de Diciembre
Quiz Finanzas Miércoles 27 de Diciembre Sábado 6 de Enero de 2024
Quiz Marketing Miércoles 27 de Diciembre Sábado 6 de Enero de 2024
27 Diciembre y 10 de Enero
Entrega 5 Proyecto Lunes 18 de Diciembre
2024
Coaching trabajo de aplicación
Reuniones online de 15 minutos por grupo para resolver dudas de cada entrega, y reuniones de feedback
una vez publicadas las notas

EVALUACIÓN FECHAS COACHING PREVIO FECHA DE ENTREGA

Entrega 1 Proyecto 15 al 19 de Mayo Lunes 29 de Mayo
Entrega 2 Proyecto 26 al 30 de Junio Lunes 10 de Julio
Entrega 3 Proyecto 21 al 25 de Agosto Lunes 09 de Octubre
27 de Noviembre al 01 de
Entrega 4 Proyecto Lunes 18 de Diciembre
Diciembre
Entrega 5 Proyecto 18 al 22 de Diciembre 27 Diciembre y 10 de Enero 2024

FECHAS COACHING
EVALUACIÓN
FEEDBACK
Entrega 1 Proyecto 05 al 09 de Junio
Entrega 2 Proyecto 31 de Julio al 04 de Agosto
Entrega 3 Proyecto 23 al 27 de Octubre
Entrega 4 Proyecto Feedback en la presentación
Entrega 5 Proyecto final
¿CÓMO NOS ORGANIZAMOS?

Clases Vía Zoom

Apoyo Moodle:
datascience.mat.uc.cl
Equipo de Gestión

Alexis Alvear Sebastián Massa Ignacio Vivanco

Dirección de Coordinador Coordinador
Diplomado Educ. Continua Administrativo
Clase 1
DIPLOMADO EN DATA
SCIENCE
NETWORKING
datinder
www.mat.uc.cl
datascience.uc.cl
@alexisalvear
aalvearl@uc.cl
@alex_viajero_cl