UNIVERSIDAD CENTRAL

CENTRO DE POSGRADOS FICB

MAESTRÍA EN ANALÍTICA DE DATOS

DESCRIPCIÓN DE ESPACIOS FORMATIVOS OPTATIVAS-ELECTIVAS

NOTA IMPORTANTE: Para el periodo 2023-II se ofertarán las siguientes electivas y cada
semestre se van adicionando y/o quitando algunas. Es decir, es una bosa dinámica de
electivas. Los profesores pueden variar en cada asignatura.

 Ciberseguridad
 Arquitectura empresarial
 Series de tiempo
 Marketing Analytics
 Minería de datos para publicidad
 Procesamiento de Lenguaje Natural
 Redes Neuronales
 Deep Learning (Prerrequisito Redes Neuronales) - Horario miércoles
 Automatización e integración de datos para inteligencia artificial
 Visualización para analítica de datos
 Análisis de datos espaciales
 Análisis de datos para riesgo actuarial
 Análisis de datos para inversiones en renta variable

REDES NEURONALES

Maestría en Analítica de Datos

Facultad de Ingeniería y Ciencias Básicas
Profesor: Alber F. Montenegro (amontenegrov@ucental.edu.co)

Descripción del curso:

El curso es una introducción a la teoría de las redes neuronales artificiales (RNA), desde una
perspectiva práctica, destinado a proporcionar habilidades prácticas y fundamentales para
realizar investigaciones con RNA. Examinaremos los fundamentos del aprendizaje
automático en RNA y describiremos los principios subyacentes que hacen que las RNA sean
marcos de computación genéricos. A su vez se desarrollarán habilidades computacionales
para diseñar, entrenar, evaluar y ajustar diferentes tipos de RNA, como redes
convolucionales, redes recurrentes LSTM, mapas auto organizados, entre otras. Los
resultados del aprendizaje de los estudiantes se medirán mediante la evaluación de entregas
de clase y la realización de proyectos que desarrollen modelos de RNA para proporcionar
soluciones eficaces a problemas reales.
Contenidos

 Introducción: Inteligencia artificial, aprendizaje automático, y aprendizaje profundo.

 Fundamentos matemáticos de las RNA
 Perceptron y aprendizaje automático
 Anatomía de las RNA
 Aplicaciones de las RNA
 Fundamentos del aprendizaje de máquina.
 Presentación propuesta proyecto
 Pre-procesamiento de datos e ingeniería de características
 Regularización y sobre ajuste.
 Aprendizaje profundo para imágenes: Redes convolucionales I
 Aprendizaje profundo para imágenes: Redes convolucionales II
 Aprendizaje profundo para datos secuenciales: Redes neuronales recurrentes I
 Aprendizaje profundo para datos secuenciales: Redes neuronales recurrentes II
 Mapas auto organizados de Kohonen
 Auto-codificadores

Prerrequisitos: Conceptos básicos de estadística, probabilidad, álgebra lineal

DEEP LEARNING (Prerrequisito redes neuronales)

Maestría en Analítica de Datos

Facultad de Ingeniería y Ciencias Básicas
Profesor: Alber F. Montenegro (amontenegrov@ucental.edu.co)

Las Redes Neuronales Artificiales (RNA) son algoritmos que ajustan ciertos parámetros de
forma automática para ejecutar de manera óptima una tarea predictiva, mediante datos de
entrenamiento y abundante poder de cómputo. Recientemente, estos algoritmos han traído
consigo una amplia gama de innovaciones de futuro, como automóviles sin conductor,
reconocimiento facial y generadores de habla similares a los humanos.

Este curso es una extensión de la asignatura Redes Neuronales y se ocupa de explorar

arquitecturas y aplicaciones avanzadas de RNA con un enfoque tanto en la teoría como en la
práctica, cubrimos modelos para diversas aplicaciones, cómo se entrenan y prueban, y cómo
se pueden implementar en tiempo real. Enfatizando en los conceptos conceptuales detrás del
entrenamiento de cada diferente RNA.

CONTENIDO

 Regularización y sobre ajuste.

 Aprendizaje profundo para imágenes: Redes convolucionales I
 Aprendizaje profundo para datos secuenciales: Redes recurrentes I
 LSTM
 Redes generativas GANS
 Redes bayesianas
 Mapas auto organizados de Kohonen
 Auto-codificadores

SERIES DE TIEMPO

Maestría en Analítica de Datos

Facultad de Ingeniería y Ciencias Básicas
Profesor: Wilson Sandoval Rodríguez

Descripción del Curso

Al finalizar el curso el estudiante deberá estar en capacidad de manejar y aplicar conceptos

necesarios en el estudio de técnicas modernas para el análisis básico de series de tiempo,
como son métodos de suavizamiento, metodología ARIMA y ARIMAX (Box- Jenkins). Se
espera que el estudiante interiorice técnicas que le permitan entender, criticar y seleccionar
modelos y técnicas usadas y reportadas en revistas de talla internacional. Así como
seleccionar entre modelos o técnicas alternativas según la capacidad de pronóstico de las
mismas.

Contenidos

Introducción a los pronósticos utilizando series de tiempo

 Componentes de una serie de tiempo
 Exploración de patrones mediante el análisis de autocorrelación
 Promedio móviles y métodos de atenuación
 Método de atenuación exponencial
 Atenuación doble
 Método de Holt
 Método de Winter
 Análisis de series de Tiempo
 Descomposición de una serie de tiempo
 Tendencia
 Variación cíclica
 Variación estacional
 Tendencia estacional
 Datos ajustados
 Prueba de Durbin y Watson problema de autocorrelación

 La metodología de Box-Jenkins
 Aplicación de la técnica
 Identificación del modelo
 Estimación del modelo y prueba de adecuación
 Pronósticos con el modelo

Fundamentos de estadística para analítica de datos. Conocimientos básicos de R.

 PROCESAMIENTO DE LENGUAJE NATURAL

Maestría en Analítica de Datos

Facultad de Ingeniería y Ciencias Básicas
Profesor: Jorge Mario Calvo Londoño

Descripción del curso

El procesamiento de lenguaje natural es una rama de la inteligencia artificial y las ciencias

de la computación que se ocupa de la comunicación entre hombre y máquina mediante
lenguajes hablados. En este curso se tratarán algunos fundamentos teóricos y prácticos de
esta ciencia explorando modelos lingüísticos lógicos y probabilísticos con el fin de extraer
conocimiento de bases de datos textuales.

Contenido

 Presentación del curso. Introducción al procesamiento de lenguaje natural.

Preparación de textos.
 Conteo, palabras de parada, introducción a nltk, tokenización, uso de WordNet.
 Derivación regresiva y palabras lematizadas.
 El significado de una palabra, introducción a vectores de palabras y sentidos de
palabras.
 Algunos métodos de clasificación y su implementación en Python.
 Algunos métodos de clasificación y su implementación en Python.
 Treebanks. Métodos de análisis de dependencias.
 Modelos de lenguajes y probabilidades.
 Modelos de lenguajes y probabilidades.
 Redes neuronales recurrentes (RNN)
 Visualización textual.
 Generación de Lenguaje natural.

Conocimientos básicos de R o Python.

VISUALIZACIÓN PARA ANALÍTICA DE DATOS

Maestría en Analítica de Datos

Facultad de Ingeniería y Ciencias Básicas
Profesor: Vadim Azmhyakov – Stanley Melo Fontalvo

Descripción del curso

Estudiar algunas metodologías y entornos para la visualización de datos.

Contenido

 Introducción a la visualización de datos. ¿Qué es? ¿Qué problema resuelve? ¿Por qué
es importante?
  Visualización de datos cuantitativos. Un recorrido por las gráficas en R y Python.
 Distribuciones, correlaciones, series: diferentes tipos de gráficos como violín,
heatmap, burbujas, boxplot.
 Visualización de datos cualitativos
 Visualización de texto, flujos, treemaps
 Visualización de datos geográficos
 Dashboard. Power BI, Google Data Studio.
 Dashboard Javascript. Librería D3, Plotly, Google Chart
 Introducción al desarrollo Web con Django. Creación de datasolutions.
 Prerrequisitos: Programación para Analítica de Datos.

Prerrequisitos: Programación para Analítica de Datos.

MARKETING ANALYTICS

Maestría en Analítica de Datos

Facultad de Ingeniería y Ciencias Básicas
Profesor: Hugo Alexander Martínez

 Datos de marketing con tablas dinámicas

 Resumen datos de marketing

Técnicas de pronóstico

 Regresión lineal simple y correlación

 Regresión múltiple para pronosticar las ventas
 Predicción en la presencia de eventos especiales
 Modelando tendencia y estacionalidad
 Proporción al método de pronóstico promedio móvil
 Uso de redes neuronales para previsión de ventas.

Estudiando al consumidor

 Análisis conjunto
 Regresión logística
 Análisis de elección discreta
 Valor del cliente

Segmentación de mercado

 Análisis de conglomerados
 Filtrado colaborativo basado en el usuario
 Filtración colaborativa
 Usar árboles de clasificación para la segmentación.
 Toma de decisiones en marketing
Ventas al por menor.

 Análisis y elevación de la cesta de mercado

 Análisis de RFM y optimización de campañas de correo directo
 Asignación de espacio comercial y recursos de venta
 Predicción de ventas desde pocos puntos de datos

Internet y Marketing Social

 Redes
 Minería de texto

MINERÍA DE DATOS PARA PUBLICIDAD

Maestría en Analítica de Datos

Facultad de Ingeniería y Ciencias Básicas
Profesor: Fernando Ariel Bomba

Formulación del problema general del cual se ocupará el curso:

Este programa capacita a los estudiantes en la integración de conceptos y herramientas de
análisis

para el uso de los datos generados por la web desde la minería. Este curso es innovador en el
campo publicitario, porque está orientado a ver, entender y visualizar de una manera no
convencional el uso de los datos, es decir permite conocer información no trivial ni evidente,
lo que redunda en decisiones estratégicas innovadoras.

Por otra parte, el curso acerca al estudiante a la realidad de la industria, en tanto las decisiones
empresariales en la actualidad se sustentan en los datos y no solamente en la intuición. Este
curso tiene una naturaleza teórico-práctica, con un dispositivo de estudio de caso.

El proceso educativo se orienta en sala de sistemas de manera que se presenten los conceptos
teóricos del análisis de datos y puedan ser aplicados en cada sesión, generando un ambiente
idóneo para el procesamiento de datos, generación de información y producción de
conocimiento que ayude a la toma de decisiones estratégicas. Se trabaja un caso real y se
configura partiendo de un hecho o conjunto de hechos determinados que requieren ser
atendidos, por tanto, se identificará el contexto, los relatos, informaciones, problemáticas,
relacionando conceptos y desarrollando preguntas que refieran a posibles acciones para el
caso de estudio.

Se trabajará con la metodología de minería de datos CRISP-DM que garantiza la buena

aplicación de un proyecto robusto de análisis de datos, este caso real se construye durante
todo el curso donde el estudiante podrá ir aplicando todos los conceptos vistos de manera
sistemática que lo llevará a tener un proyecto final que dará solución a la problemática
identificada del caso de estudio.
Este será construido con datos libres referentes al campo publicitario de interés del estudiante
y tal como lo contempla este dispositivo, la pregunta que se formulará apuntará a las acciones,
poniéndolas en relación con los datos. La buena presentación, visualización del proyecto final
del curso se verá reflejada en el documento final con normas APA.

COMPETENCIAS

Competencias y realizaciones esperadas:

1. Conocer y comprender el contexto e incidencia del uso y análisis de datos, para la

transformación de estos en información que de soporte y optimice el proceso de toma de
decisiones en los negocios.
2. Conocer y comprender los conceptos y herramientas de la minería aplicada a procesos
estratégicos en la industria publicitaria.
3. Procesar datos derivados de la publicidad con el fin de resolver problemáticas específicas
de las marcas.
4. Conocer y aplicar la extracción de información de diferentes fuentes en la web
5. Conocer y aplicar la metodología CRISP-DM para desarrollar proyectos de minería de
datos, pasando por la preparación de los datos, modelado y despliegue.
6. Conocer y comprender la minería desde la web, el texto y los datos.

ARQUITECTURA EMPRESARIAL

Maestría en Analítica de Datos

Facultad de Ingeniería y Ciencias Básicas
Profesor: Por confirmar

En esta fase se debe dar respuesta a una serie de interrogantes, ¿Qué deberían saber,
comprender y ser capaces de hacer los estudiantes? ¿Qué contenidos valen la pena
comprender? ¿Qué comprensiones duraderas son deseadas? En esta etapa se toman en cuenta
las metas deseadas, se examinan estándares de contenidos establecidos (nacionales,
organizacionales, de la industria) y se repasan las expectativas del currículo. Se debe
establecer prioridad en la selección de contenidos para ser racionables con el tiempo asignado
al espacio académico.

Objetivos deseados:
Estándar 1: Marco abierto de trabajo de arquitectura empresarial - (OpenGroup, 2018)
1.1 Los estudiantes comprenderán el enfoque abierto proporcionado por el marco de trabajo
TOGAF para el diseño, planificación y gobierno de una arquitectura empresarial.
1.2 Los estudiantes usarán el enfoque abierto proporcionado por el marco de trabajo TOGAF para
la implementación de la arquitectura empresarial en cualquier tipo de organización.
Estándar 2: Modelo de Arquitectura Empresarial del Estado Colombiano - (MinTIC, 2019)
2.1 Los estudiantes comprenderán la estructura de MAE y como sus elementos habilitan los
propósitos de la Política de Gobierno Digital y apalancan la transformación digital de las entidades
públicas del Estado colombiano.
 2.2 Los estudiantes usarán el Modelo de Arquitectura Empresarial MAE para la implementación
de la arquitectura empresarial en cualquier entidad pública del Estado colombiano.

CIBERSEGURIDAD

Maestría en Analítica de Datos

Facultad de Ingeniería y Ciencias Básicas
Profesor: Frederick Ferro

ÁMBITO DE DESEMPEÑO: INTERVENIR- INVESTIGAR

El proceso formativo del estudiante durante este espacio formativo buscará desarrollar las
siguientes competencias genéricas.

COMPETENCIAS GENÉRICAS
 Competencias Genéricas Esperadas:
o Comprender la aplicación y la importancia de la ciberseguridad en función de
atender las necesidades de la organización y sus sistemas de información.
o Identificar las diferentes vulnerabilidades, virus o brechas de seguridad.
o Identificar las técnicas o herramientas para utilizar como contramedidas.
o Explicar los procesos de Enrolamiento, autenticación y registro.
o Explicar por qué el uso de la criptografía y la esteganografía como técnicas de
protección de la información.
o
COMPETENCIAS ESPECÍFICAS
 Competencias Específicas Esperadas:
o Representar las necesidades de usuarios, clientes y otros actores involucrados en
un sistema o situación problema, formalizando la descripción adecuada,
comportamiento y características, junto con las limitaciones y restricciones
relevantes para la implementación de un sistema de información o parte de él.
o Implementar sistemas de información o parte de estos a partir de su diseño,
haciendo uso de las tecnologías de la información.
o Usar técnicas que le permitan realizar verificación y/o validación para asegurar
que un sistema de información o parte de él satisface requerimientos e indicadores
de calidad.
o Aplicar estándares y normatividad vigente como marco referencial para la
construcción o mantenimiento de sistemas de información.
 Competencias para investigar
o Comprender la aplicación y la importancia de la ciberseguridad en función de
atender las necesidades de la organización y sus sistemas de información.
o Explicar los procesos de Enrolamiento, autenticación y registro.
o Explicar por qué el uso de la criptografía y la esteganografía como técnicas de
protección de la información.
 Competencias para diseñar
o Identificar las diferentes vulnerabilidades, virus o brechas de seguridad.
o Identificar las técnicas o herramientas para utilizar como contramedidas.
 o Aplicar metodologías y técnicas para llevar a cabo la planeación, ejecución y
seguimiento de un proyecto que involucre construcción o mantenimiento de un
sistema de información o parte de él.
o Diseñar soluciones en las que utilice modelos, estándares, técnicas,
representaciones y/o mejores prácticas que determinen la implementación de un
sistema de información o parte de él.

Contenido Mínimo Obligatorio:

 PRINCIPIOS DE CIBERSEGURIDAD
 Principios de seguridad informática
 Políticas, planes y procedimientos de seguridad
 Factor humano en la Ciberseguridad
 PROBLEMAS DE SEGURIDAD EN LAS REDES Y SISTEMAS DE
INFORMACIÓN
 Vulnerabilidades de los sistemas de información
 Amenazas a la seguridad informática
 Virus y códigos dañinos
 Ciberterrorismo y espionaje
 Contramedidas a incidentes de seguridad
 Continuidad de negocio
 DELITOS INFORMÁTICOS
 Introducción y características
 Recolección de evidencia y cadena de custodia
 Tipos y cómo se denuncian
 IDENTIFICACIÓN DE USUARIOS Y BIOMÉTRIA
 Enrolamiento, autenticación y registro.
 Biometría antropométrica y conductual
 CRIPTOGRAFÍA
 Sistemas criptográficos
 Criptoanálisis
 Estenografía
 Firma electrónica
 Protocolos seguros
 ASPECTOS TÉCNICOS
 Herramientas para la seguridad
 Desarrollo seguro de aplicaciones
 SEGURIDAD APLICADA A LOS SERVICIOS
 Navegación segura
 Uso de los servicios de correo
 Técnicas contra el SPAM
 EL phishing y los delitos en Internet
 ASPECTOS LEGALES
 Tipificación de los delitos informáticos
 Protección de datos personales
 Control de contenidos
 Propiedad intelectual
 Piratería
 ANÁLISIS DE DATOS PARA RIESGO ACTURIAL

Maestría en Analítica de Datos

Facultad de Ingeniería y Ciencias Básicas
Profesor: Julián Mauricio Fajardo Patiño

Usar el análisis de datos para la toma de decisiones en el ámbito específico de los seguros de
vida y las rentas de vida individuales. Abordaremos de manera no formal algunos conceptos
básicos de estas dos áreas y usaremos el software R para hacer un análisis estadístico y
estructural de datos que se usan en estas ramas del conocimiento

Contenido mínimo obligatorio:

Introducción básica de R Studio

Instalación y secuencias básicas. Análisis estadístico descriptivo e inferencial de datos.
Análisis correlacional y pequeño repaso de la regresión lineal y análisis de series de tiempo.

Aplicaciones del análisis de datos para modelos de sobrevida

Introducción al uso de R Studio. Introducción conceptual a los modelos de sobrevida. Tablas
de vida. Indicadores demográficos de riesgos de muerte. Factores de incremento de
probabilidad de muerte. Uso de paquetes profesionales de R para el cálculo de indicadores
de mortalidad

Estudio de caso numero 1: Creación de indicadores de mortalidad basados en datos de

tipología pública mediante web Scrapping.

Aplicaciones del análisis de datos para tarificación de seguros de vida y anualidades

contingentes

Introducción conceptual a los seguros de vida. Modelo continuo y discreto. Uso de R para
tarificación de seguros y anualidades. Calculo de primas de seguros (prima pura de riesgo y
prima comercial)
Estudio de caso número 2. Tarificación de seguros atípicos de vida mediante simulaciones.

ANÁLISIS DE DATOS PARA INVERSIONES EN RENTA VARIABLE

Maestría en Analítica de Datos

Facultad de Ingeniería y Ciencias Básicas
Profesor: Julián Mauricio Fajardo Patiño

Usar el análisis de datos para la toma de decisiones en el ámbito específico de las finanzas
cuantitativas orientadas específicamente en el riesgo de mercado involucrado en las
inversiones en renta variable. Abordaremos de manera no formal algunos conceptos básicos
de estas dos áreas y usaremos el software R para hacer un análisis estadístico y estructural de
datos que se usan en estas ramas del conocimiento
Introducción básica de R Studio
Instalación y secuencias básicas. Análisis estadístico descriptivo e inferencial de datos.
Análisis correlacional y pequeño repaso de la regresión lineal y análisis de series de tiempo.

Aplicaciones del análisis de datos para finanzas cuantitativas en activos riesgosos:

Análisis de tendencias y comportamientos funcionales en los precios de activos riesgosos.
Análisis de rentabilidad en portafolios. Portafolio de mínima varianza de Markowitz.
Optimización básica en portafolios. Activo libre de riesgo y diversificación. Medidas
porcentuales de riesgo. Teoría CAPM.

Estudio de caso número 1. Análisis de riesgo en un portafolio de inversión real

Aplicaciones del análisis de datos para derivados de renta variable

Modelos de tarificación para los derivados de renta variable: Forwards, futuros y opciones.
Análisis de riesgo para derivados. Simulación de Montecarlo para tarificación de derivados
de renta variable

Estudio de caso número 2. Tarificación de opciones financieras mediante simulaciones.

AUTOMATIZACIÓN E INTEGRACIÓN DE DATOS PARA INTELIGENCIA

ARTIFICIAL

Maestría en Analítica de Datos

Facultad de Ingeniería y Ciencias Básicas
Profesor: Wilmer Mesías López López

El curso propuesto se enfoca en la automatización e integración de datos para la inteligencia

artificial (IA), incluyendo la automatización robótica de procesos, máquinas de IA,
arquitecturas para la automatización e integración de datos, así como infraestructuras en
Cloud Computing y aplicaciones de IA para flujos de datos automatizados. La metodología
del curso se basa en DataLAB, que combina metodologías ´agiles y herramientas de
arquitecturas de datos y bases de datos con sistemas de automatización de procesos para
desarrollar soluciones iterativas y alineadas con las necesidades del negocio y los usuarios.
Con una orientación enfocada en el desarrollo de investigaciones aplicadas en el área de
analítica de datos, este curso proporciona un espacio de formación interdisciplinario en estas
tecnologías.

ANÁLISIS DE DATOS ESPACIALES

Maestría en Analítica de Datos

Facultad de Ingeniería y Ciencias Básicas
Profesor: Erik Santiago
Finalidad del espacio formativo:

Revisar los distintos métodos estadísticos y computacionales para el análisis de datos

espaciales, principalmente geográficos. Se espera que el/la estudiante maneje las
herramientas para gestionar la información proveniente de los SIG y pueda realizar una
descripción estadística, así como formular hipótesis del comportamiento de variables en el
espacio. Todo con el apoyo de ArcGis, RStudio y Python.

Temas a abordar:

Introducción a los SIG y a los datos geográficos.

Modelos de datos geográficos.
Gestión y descripción de los geográficos: Estadísticas y Visualización.
Presentación y Visualización de la información geográfica.
Estadística Espacial
Patrones Puntuales
Patrones Puntuales.
Geoestadística
Geoestadística
Geoestadística
Áreas Lattices:
Área Lattices:
Regresión Espacial
Análisis de datos de áreas lattices.
Procesamiento Digital de Imágenes
Procesamiento Digital de Imágenes