SÍLABO

CURSO FORMATO MOOC

CIENCIA DE DATOS
Sílabo del curso
1. Datos Generales
• Nombre del curso : Ciencia de Datos
• Modalidad : Autoinstructivo Formato MOOC
• Línea de capacitación : Formación complementaria
• Horas cronológicas : Veinticuatro (24)
• Horas académicas : Treinta y dos (32)

2. Sumilla
El curso formato MOOC Ciencia de Datos tiene por finalidad brindar una visión
general de aspectos estadísticos y, en general, cuantitativos inmersos dentro del Data
Science, así como de las fases, metodologías, principales casuísticas y factores de éxito
necesarias para un adecuado diseño e implementación de algoritmos y procesos que
generan valor agregado en la toma de decisiones de las instituciones.

3. Competencia
Analiza las bases teóricas y conceptos cuantitativos de la Ciencia de Datos o Data Science,
así como de los principales componentes y actividades en el desarrollo de un proyecto,
valorando la importancia de la administración de información en las instituciones.

4. Contenido

Unidad I: Contexto de Transformación Digital e Industrias 4.0

Capacidad 01:
Reconoce el panorama histórico, la evolución de las industrias y el escenario actual,
mediante el análisis de un caso en el que se demuestre la necesidad de incorporar
en su labor diaria la transformación digital.

Contenido

1.1. Revolución industrial en el mundo y su impacto en la sociedad

1.2. Evolución Tecnológica y Big Data
1.3. Transformación Digital como eje fundamental de la empresa

Unidad II: Fundamentos Estadísticos y Cuantitativos en Ciencia de Datos

Capacidad 02:
Comprende las generalidades básicas de la estadística y las probabilidades para
el entendimiento de la Ciencia de Datos a través de la revisión de los principales
tópicos.

www.enc.edu.pe
 Contenido

2.1. Fundamentos de Estadística General

2.2. Tratamiento y visualización de datos
2.3. Fundamentos de Teoría de Probabilidades
2.4. Tratamiento de variables predictivas
2.5. Conceptos principales de Modelos Predictivos o Analíticos
2.6. Principales aplicaciones de los modelos analíticos
2.7. Aparición y evolución de la Ciencia de Datos

Unidad III: Proyectos de Ciencia de Datos: Características, Perfiles Profesionales

y Casos de Aplicación

Capacidad 03:
Identifica los componentes y fases de un Proyecto de Data Science, tanto a nivel de
sus componentes tecnológicos, de procesos y personas (perfiles especializados), a
partir de casos prácticos.

Contenido

3.1. Fases del ciclo de vida de un Proyecto de Data Science

3.2. Análisis de los componentes de este tipo de proyectos
3.3. Etapas de construcción de un modelo predictivo
3.4. Principales riesgos y factores de riesgo
3.5. Descripción general del perfil de un Científico de Datos
3.6. Nuevas necesidades técnicas y aparición de nuevos perfiles especializados
3.7. Competencias y habilidades diferenciadoras de cada perfil
3.8. Casos generales de problemáticas que se resuelven con ciencia de datos en el
ciclo de negocio y según el tipo de industria.

5. Metodología
El curso autoinstructivo se desarrollará mediante la Metodología de la Educación Virtual,
a través del Método Electronic Learning (e-Learning) en la que el participante tendrá la
oportunidad de convertirse en el principal protagonista del proceso académico, proceso
asíncrono de autoaprendizaje para que el/la estudiante aprenda en el tiempo y modo que
más se adecue a su disponibilidad de horario con el uso de recursos digitales.

6. Recursos
• Medios: Aula Virtual sostenida en la plataforma Moodle de la ENC.

• Material digital: diapositivas, videos, videoinfografía, lecturas, normativa, enlaces de

Internet, entre otros.

7. Sistema de evaluación
El enfoque por competencias propone un sistema de evaluación continuo y efectivo,
considerando lo siguiente:

www.enc.edu.pe
 • El curso presenta una (1) evaluación por unidad.
• La evaluación en línea está programada para dos (2) intentos.
• El sistema cerrará la evaluación de manera automática en la hora establecida,
indistintamente en el estado en que se encuentre la actividad.
• La nota mínima aprobatoria es de catorce (14).

Unidad Evidencia de Ponderación

aprendizaje

I Evaluación en línea 30 %

II Evaluación en línea 30 %

III Evaluación en línea 40 %

Total 100 %

8. Fuentes de información
Anantrasirichai, N. & Bull, D. (2020). Artificial Intelligence in the Creative Industries: A
Review. University of Bristol
https://www.researchgate.net/publication/343228503_Artificial_Intelligence_in_the_
Creative_Industries_A_Review

Dirk P. Kroese, Zdravko I. Botev, Thomas Taimre, Radislav Vaisman. (2020). Data Science
and Machine Learning, Mathematical and Statistical Methods.
https://people.smp.uq.edu.au/DirkKroese/DSML/DSML.pdf

Greene, W. (2015). Análisis Econométrico. Madrid: Prentice Hall

Shan, K.; Wang, H.; Chen, W., Song, M. (2015). The Data Science Handbook. Estados
Unidos: Wiley

Webster, A.(2000). Estadística Aplicada a los negocios y la economía. Bogotá: McGraw-

Hill

www.enc.edu.pe