Diplomado en

Big Data y Machine Learning (Online)

Construye aplicaciones y saca partido de las técnicas de

Machine Learning en la era de la Big Data
“En este programa aprenderás primero las
técnicas que permiten manejar lo que se ha
denominado Big Data, para luego pasar a los
algoritmos y técnicas de aprendizaje de
máquina capaces de sacar partido de la Big
Data. Dado que un gran desafío en escenarios de
datos masivos es ser capaz de entender y
transmitir su significado, el programa incluye
un curso dedicado exclusivamente a la
visualización gráfica de los datos. Finalmente,
verás todo en contexto al estudiar aplicaciones
de Machine Learning y Ciencia de Datos”.

JAIME NAVÓN COHEN

Jefe del Diplomado en Big Data y Machine Learning
Ph.D. Computer Science, University of North Carolina at Chapel Hill. Master
of Science, Technion-Israel Institute of Technology. Ingeniero Civil
Electricista, UC. Profesor Asociado del Departamento de Ciencia de la
Computación, UC.
DIRIGIDO A
» Profesionales que necesiten adquirir las
competencias necesarias para construir
aplicaciones de Big Data y Machine Learning
usando las herramientas del ecosistema Python.

» Interesados en el área de Ciencia de Datos que

deseen adquirir habilidades para interactuar y
visualizar grandes volúmenes de datos.

OBJETIVOS DE APRENDIZAJE
» Conocer la problemática de Big Data, las
plataformas más importantes y las técnicas que
permiten manejar esa data. Además, conocer las
principales aplicaciones de Ciencia de Datos y
Machine Learning.

» Comprender e implementar los principales

algoritmos de Machine Learning usando el
lenguaje Python.

» Presentar visualmente la data en forma efectiva.

ESTRUCTURA Y CONTENIDOS DEL PROGRAMA

Curso: Curso:
TÉCNICAS DE BIG DATA PARA MACHINE PYTHON PARA MACHINE LEARNING
LEARNING

• Introducción a big data. • Conceptos fundamentales de machine learning.

• El ecosistema Hadoop.
• Análisis, procesamiento y visualización de datos a través de Python.
• HDFS, YARN.
• Hadoop MapReduce. • Algoritmos de aprendizaje supervisado en Python utilizando
• Herramientas del ecosistema Hadoop. scikit-learn.
- Regresión lineal.
• Fundamentos de Apache Spark. - Regresión logística.
• Implementación de aplicaciones sobre Spark. - Regresiones polinomiales.
• Spark SQL. - Regresiones con penalización.
- Árboles de decisión.
• Spark MLlib. - Random forest.
• Técnicas de visualización. - Random forest para regresiones.
- Naive bayes.
- Vecino más cercano.
- Redes neuronales.
- Selección de modelos.

• Algoritmos de aprendizaje no supervisado en Python

utilizando scikit-learn.
- K-means.
- Mezcla de gaussianas.
- Cluster jerárquico.
- Autoencoders.
Curso:
VISUALIZACIÓN DE INFORMACIÓN EN
LA ERA DE BIG DATA
• Ejemplos históricos de visualización de datos.
• Conceptos fundamentales de visualización de información.
• Funciones básicas de matplotlib y seaborn.
• Modelo anidado de Munzner para diseño y validación de
visualización.
• Reglas y recomendaciones generales para visualizaciones
efectivas.
• Diseño e implementación de gráficos simples para datos
tabulares usando modelo anidado.
• Diseño e implementación de gráficos avanzados para datos
tabulares usando modelo anidado.
• Reducción de dimensionalidad.
• Diseño e implementación de gráficos avanzados para datos
de red usando modelo anidado.
• Visualización básica de datos de texto.
• Visualización básica de datos espaciales.
Nota: El orden de los cursos dependerá de la programación que realice la Dirección Académica.
Curso:
APLICACIONES DE MACHINE LEARNING
Y CIENCIA DE DATOS
• Conceptos de inteligencia de negocios y de minería de datos.
• Conceptos de ciencia de datos y de machine learning.
• Aplicación al ámbito de transacciones estructuradas.
• Aplicación al ámbito de aplicaciones de texto, audio y video.
• Aprendizaje supervisado, aprendizaje no supervisado y
aprendizaje reforzado.
• Aplicaciones de aprendizaje supervisado, aprendizaje no
supervisado y aprendizaje reforzado.
• Estudio de casos: seguros, banca, retail, calidad del aire,
transporte, compras públicas, finanzas,
astronomía.
EQUIPO DOCENTE
IGNACIO BECKER
Ph.D. candidate in Computer Science, UC. Licenciado en Astronomía, UC.
PATRICIO COFRÉ
Master of Engineering Management, Northwestern University. Ingeniero
Civil de industrias UC con Mención en Tecnologías de la Información,
Profesor Instructor Adjunto del Departamento de Ciencia de la
Computación de Ingeniería UC.
FERNANDO FLORENZANO
Estudiante de Magíster en el Departamento de Ciencia de la Computación
de Ingeniería UC.
IVÁN LILLO
Magíster en Ciencias de la Ingeniería, UC; Candidato a Doctor en Ciencias
de la Ingeniería, UC. Profesor Instructor, Departamento de Ciencia de la
Computación, Escuela de Ingeniería, UC; Ingeniero Civil Electricista UC.
JAIME NAVÓN COHEN
Ph.D. Computer Science, University of North Carolina at Chapel Hill. Master
of Science, Technion-Israel Institute of Technology. Ingeniero Civil
Electricista, UC. Profesor Asociado del Departamento de Ciencia de la
Computación, UC.
DENIS PARRA
Ph.D. of Philosophy in Information Science, University of Pittsburgh, EE.UU.
Ingeniero Civil en Informática de la Universidad Austral de Chile. Profesor
Asistente del Departamento de Ciencia de la Computación de Ingeniería UC.
FRANCISCO PÉREZ
Magíster en Gestión de Operaciones, Universidad de Talca. Cursa el
doctorado en Ciencias de Ingeniería, UC. Ingeniero Civil Industrial y
Profesor en la Facultad de Ingeniería y en la Facultad de Economía de la
Universidad de Talca. Profesor Asistente en las cátedras de Minería de
Datos y Tópicos Avanzados de Inteligencia de Máquina en la UC.
GABRIEL SEPÚLVEDA
Ingeniero Civil Electrónico, con Mención en Control Automático, Mención
Complementaria Computadores, Universidad Técnica Federico Santa
María. Estudiante de Doctorado en Ciencias de la Ingeniería en el área de
Ciencias de la Computación, UC.
HERNÁN VALDIVIESO
Estudiante de Magíster en el Departamento de Ciencia de la Computación
de Ingeniería UC.
MODALIDAD
» Online

REQUISITOS
» Es necesario contar con conocimientos básicos de programación, específicamente en lenguaje Python. En particular,
debe ser capaz de utilizar controles de flujo, distintos tipos de datos y funciones, y diccionarios con Python.

Si desea evaluar su nivel, puede realizar una prueba opcional gratuita en este link:
https://www.hackerrank.com/prueba-python

Se recomienda iniciar los test en orden, ya que van creciendo en dificultad. Los dos últimos tienen un nivel superior
al requerido para ingresar al diplomado, y han sido instalados allí sólo como desafío. Si uno de los test falló, se
recomienda revisar y ejercitar esos contenidos antes del inicio del programa.

A continuación, ponemos a su disposición algunos cursos optativos por si desea prepararse previamente al inicio del
programa:

• MOOC “Introducción a la Programación en Python I: Aprendiendo a programar con Python”, disponible en el

siguiente link: https://www.coursera.org/learn/aprendiendo-programar-python

• Curso “Herramientas de programación en Python para procesamiento de datos”, disponible en el siguiente link:
https://teleduc.uc.cl/curso/herramientas-programacion-python-procesamiento-datos/

El programa se inicia con un quorum mínimo de participantes y se reserva elderecho a modificar las fechas
y/o profesores, por razones de fuerza mayor.
 DURACIÓN: 140 hrs. cronológicas

POSTULA EN: programas@ing.puc.cl

Contáctanos para trabajar contigo

confeccionando el programa
perfecto para tu organización.

Consulta por descuentos, facilidades de pago y convenios con tu banco para pago en cuotas.