Diplomado en Ciencia de Datos (Modalidad Sincrónica) – Duoc UC

Diplomado en Ciencia de Datos (Modalidad Sincrónica)

Horas

150 horas


Modalidad

Sincrónica


Fecha y horario

Fecha inicio: 29-07-2024
Clases lunes y miércoles
19:00 a 22:00 hrs

Valor

$1.200.000


Descargar brochure Solicitar información Inscríbete ahora
Esta imagen tiene un atributo ALT vacío; su nombre de archivo es boton-whatsapp-ejecutivas-EC.png

Descripción

El actual escenario de la Cuarta Revolución Industrial ha acelerado el proceso de cambios en la Transformación Digital de Empresas y Organizaciones, lo cual impacta en las formas de operar y en un incremento del volumen de datos claves para la toma de decisiones y competitividad. Este contexto ha generado en los últimos años una alta demanda de profesionales capaces de transformar el mundo tradicional de los negocios, para crear procesos y soluciones innovadoras, a nivel global. Por lo tanto, la reinvención debe comenzar por los profesionales que le darán forma a esta nueva manera de vivir la digitalización, ya que son ellos quienes deben guiar a las organizaciones en tomar el reto, liderar procesos frente a cambios continuos y avances exponenciales en materia de tecnología e innovación.

El propósito principal de este Diplomado es fortalecer las competencias de los participantes para la implementación de procesos de análisis y gestión de datos utilizando herramientas especializadas en la identificación de patrones y técnicas predictivas, con el fin de aportar valor a la empresa a través de la generación de información clave para la toma de decisiones.


Objetivos

Desarrollar estrategias de gestión y análisis de datos a través de herramientas tecnológicas especializadas.


Orientado

A Jefes de proyectos, líderes de proyectos, analistas de datos, ingenieros de datos, científicos de datos, profesionales que trabajan realizando/presentando análisis de datos. Trabajadores del área de finanzas, logística, marketing, especialmente comercial u otras similares.


Requisitos de ingreso

  • Comprender código fuente de Python.
  • Nivel básico de: programación, Python y SQL.
  • Poseer conocimientos sobre estadística descriptiva e inferencial.
  • Conocimientos generales de Excel o alguna herramienta para visualización de datos (power Bi, Tableau, otros).

Módulos

Unidad 1: Fundamentos de datos y procesos empresariales

Introducción a la gobernanza de datos:
  ● Definición e Importancia de la gobernanza de datos en las organizaciones

Calidad de datos:
  ● Concepto y dimensiones de la calidad
  ● Métodos para evaluar y mejorar la calidad

Seguridad de los datos:
  ● Fundamentos de seguridad de datos
  ● Amenazas y riesgos de seguridad
  ● Medidas de seguridad y buenas prácticas

Ética y regulaciones de la gestión de datos:
  ● Cumplimiento y regulaciones
  ● Implicaciones legales y ética en la gestión de datos

Tecnologías en la gobernanza de datos:
  ● Mejores prácticas en gestión de datos
  ● Consideraciones sobre la privacidad y confidencialidad

Unidad 1: Análisis Estadístico Descriptivo en Python

Introducción a Google Colab:
  ● Ambiente de trabajo y características de Google Colab
  ● Creación y manejo básico de notebooks

Limpieza y Preparación de Datos:
  ● Detección y manejo de datos faltantes
  ● Manejo de datos atípicos
  ● Transformación y normalización de datos

Estadísticas Básicas y Visualización de Datos:
  ● Medidas de tendencia central, dispersión y forma
  ● Representaciones gráficas básicas con Matplotlib y Seaborn

Análisis Multivariante Introductorio:
  ● Concepto de correlación y covarianza. Introducción al análisis de componentes principales

Aplicación en Python con pandas y Numpy:
  ● Exploración de datasets
  ● Cálculos estadísticos básicos y visualización

 

Unidad 2: Análisis Estadístico Inferencial en Python

Introducción al Análisis Inferencial:
  ● Diferencias entre estadística descriptiva e inferencial
  ● Concepto de población y muestra
  ● Variable aleatoria
  ● Distribuciones de muestreo y teorema del límite central

Intervalos de Confianza:
  ● Concepto y cálculo de intervalos de confianza para medias

Pruebas de Hipótesis:
  ● Introducción a las pruebas de hipótesis
  ● Pruebas para una muestra (t-test)

Análisis de Regresión Simple:
  ● Conceptos básicos de regresión lineal
  ● Evaluación del ajuste del modelo y predicción

Aplicación en Python con Statsmodels:
  ● Construcción y evaluación de modelos
  ● Interpretación de resultados

 

Unidad 1: Técnicas para la exploración y preparación de datos.

1.-Análisis exploratorio de datos y uso de Jupyter Notebook mediante Google Colab
2.-Librerías:
  ● Numpy
  ● Pandas
  ● Scikit-Learn

3.-Procesos de Limpieza de datos: lectura de datos desde archivo y desde URL externa
4.-Visualizaciones básicas de un DataFrame

 

Unidad 2: Técnicas de predicción de datos con Machine Learning

1.-Algoritmos de aprendizaje supervisado:
  ● Técnicas de clasificación:
      - Regresión logística
      - Métodos basados en árboles
      - Support Vector Machine
  ● Técnicas de regresión:
      - Regresión lineal
      - Métodos basados en árboles
      - Support Vector Machine


2.-Algoritmos de aprendizaje no supervisado:
  ● Análisis de conglomerados para datos numéricos, categóricos y mixtos
  ● Reducción de dimensionalidad para datos numéricos


3.-Uso de Python para realizar estos algoritmos.

Unidad 1: Bases del Deep Learning: cimientos de la IA

  ● El perceptrón como unidad básica de las redes neuronales
  ● Regresores naturales y las básicas MultiLayerPerceptron (MLP)
  ● Algoritmos como el descenso del gradiente y sus variantes
  ● Retropropagación del error
  ● Técnicas de generalización
  ● Funciones de activación y regularización

Unidad 2: Aplicaciones del Deep Learning: pongamos a trabajar algunas arquitecturas de red neuronal

  ● La convolución y el residuo, desde la arquitectura ResNet
  ● Clasificación de imágenes y arquitecturas como LSTM y transformer para procesos de Natural Language processing, usando la clasificación de sentimientos en texto como escenario

Unidad 1: Técnicas para la visualización de datos

  ● ¿A qué nos referimos cuando hablamos de Storytelling?
  ● Elementos claves del Storytelling
  ● Establecer estrategias de Storytelling según la audiencia

  ● Selección de datos útiles
  ● Eliminación de la sobrecarga
  ● Visualización según tipos de datos
  ● Dirigir la atención
  ● Elementos visuales claves

 

Unidad 2: Técnicas para la presentación creativa de datos

  ● Pasos para crear un Data Story
  ● Uso de la narración para transmitir el mensaje a la audiencia
  ● Técnicas de Storytelling
  ● Diseño de la presentación

Financiamiento

Descuentos

  • 30% Titulados Duoc UC*
  • 15% - 25% Ex-alumnos de Educación Continua*
  • Consulta por descuentos promocionales (*Descuentos no acumulables)

Métodos de pago

  • Webpay - 3 cuotas precio contado
  • Transferencia
  • Orden de compra Empresa