Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Clase Inaugural 2023
Clase Inaugural 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?
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 estadística.
Análisis descriptivo y probabilidades.
Introducción a la estadística.
Análisis descriptivo y probabilidades.
Introducción a Python.
Introducción a Pandas.
Manipulación, importación y análisis de datos.
Creación de funciones y clases.
Visualización de datos.
Modelamiento de datos.
Detección de anomalías.
Sistemas de recomendación.
Herramientas Aplicaciones de inteligencia artificial.
Estadísticas y
Forecast Redes neuronales convulocionales.
¿CÓMO NOS ORGANIZAMOS?
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
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
17 14-ago Modelos de series de tiempo III - Clase práctica 16-ago Visualización de datos parte I Rmarkdown/Quarto
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?
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.
Detección de anomalías.
Taller 3:
Sistemas de recomendación.
Modelos no supervisados, parte conceptual.
Aplicaciones de inteligencia artificial.
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
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
Herramientas Evaluaciones
Estadísticas y teóricas y
Forecast prácticas
Detección de anomalías.
Taller 3:
Sistemas de recomendación.
Modelos no supervisados, parte práctica.
Aplicaciones de inteligencia artificial.
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.
Promedio 2
Nota del curso: Nota 𝑥 50% + mejores 𝑥 50%
Entrega 4 talleres.
¿Cómo serán las evaluaciones?
Visualización de
datos.
Power BI - I
Taller 2: Power BI
Power BI - II
¿Cómo será la ponderación final?
Visualización de
datos.
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.
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?
Apoyo Moodle:
datascience.mat.uc.cl
Equipo de Gestión