Diplomado en Big data para la toma de decisiones
¡Aún estás a tiempo!
Matricúlate ahora y obtén un
25% dto.
(Precio final CLP $1.642.500)
Objetivos
ACLARA TUS DUDAS
Quisimos responder las preguntas que muchos nos hacen a través de este video.

¡Aún estás a tiempo de matricularte!
Tienes hasta el 30 de Marzo
Malla académica
Curso Big data en empresas y organizaciones
Profesor:
Claudio Morchón, Máster Universidad Carlos III de Madrid (España)
Claudio Morchón, Máster Universidad Carlos III de Madrid (España)
Contenidos
Introducción general al Big Data en una compañía u organización
- ¿Qué es?
- ¿Qué no es?
- ¿Quién está a cargo?
- ¿Qué debería hacer como chief data & analytics officer en mis primeros 90 días?
Cómo evaluar la aplicabilidad en la empresa, tipos de problemas de negocios, datos disponibles, ejemplos de caso de uso, armado de un caso de negocio
- ¿Qué proyectos son de interés?
- ¿Cuáles son los posibles?
- ¿Cómo se financian estos proyectos?
Data Science usando Big Data como deporte de equipo. Roles y funciones
- ¿Cómo se arma un equipo de data science?
- Roles y responsabilidades
- Habilidades necesarias
- Estrategia de crecimiento
- Administración de proyectos digitales
- Agile
Herramientas de Big Data – Arquitectura
- ¿Con qué herramientas se cuenta?
- Diferentes arquitecturas de big data: On premise, cloud, híbridos.
Gobierno del dato
- ¿Cómo se gobiernan los datos?
- ¿Cómo se protege la privacidad del dato y la seguridad?
- ¿Son los datos suficientes y representativos?
Modelos analíticos y herramientas
- ¿Cuáles son los diferentes tipos de modelos de machine learning?
- Herramientas: Extracción de datos, entrenamiento de modelos, visualización
- ¿Cómo es el paso a producción?
Ejemplos de Casos de uso, nuevas tendencias
Armado de una evaluación económica de un caso de uso
Clase Ejecutiva UC se reserva el derecho a modificar el contenido en cualquier momento.
Curso Visualización de datos
Profesor:
Ricardo Vega, MFA Parsons, The New School (EE.UU.)
Ricardo Vega, MFA Parsons, The New School (EE.UU.)
Plan de estudios
Clase en vivo
En la clase en vivo, el profesor revisará las principales estrategias de visualización que permiten optimizar la comunicación y comprensión de datos para construir, inferir y amplificar el conocimiento en la toma de decisiones. Así también se revisarán en la clase el uso de técnicas, conceptuales y metodológicas para el desarrollo de proyectos de visualización de datos en la organización.
Trabajo Grupal
El objetivo es poner en práctica el desarrollo de una visualización en 3 etapas simples (formular, definir datos y bosquejar), considerando las diversas variables involucradas. Se solicitará pensar en algún tema de interés para el cual se pueda desarrollar un proyecto de visualización, y con base en este, desarrollar los siguientes elementos: a) Formulación: es un texto breve que resume los aspectos más relevantes del proyecto de visualización. b) Conjunto de datos o datasets: definir qué tipos de datos son necesarios para su visualización, realizando una lista breve con sus características. c) Propuesta visual: elaborar un boceto, bosquejo o ilustración simple con el diseño de la visualización, aplicando algunos de los principios visuales vistos.
Contenidos
¿Qué es la visualización de datos?
- De qué trata la visualización
- Breve contexto
- Breve historia de la visualización
- Panorama de la visualización hoy
- Una definición operativa
¿Para qué sirve la visualización de datos?
- Visualización para amplificar el conocimiento
- Para qué nos sirve la visualización
- Qué queremos mostrar
- El proceso interactivo
¿Cómo trabajar la visualización de datos?
- Proceso de visualización
- Representación: Percepción
- Representación: Diseño y codificación visual
- Qué no hacer
- Evaluación
¿Cómo continuar la visualización?
- Recomendaciones para profundizar
- Herramientas recomendadas
- Autores recomendados
- Recordando los objetivos de la visualización
Clase Ejecutiva UC se reserva el derecho a modificar el contenido en cualquier momento.
Curso Manejo de grandes volúmenes de datos (big data)
Profesor:
Domagoj Vrgoc, Doctor Universidad de Edimburgo (Reino Unido)
Domagoj Vrgoc, Doctor Universidad de Edimburgo (Reino Unido)
Contenidos
Bases de datos relacionales
- Diversas fuentes de datos (Excel, CSV, texto plano, páginas web)
- Organización clásica de los datos: Bases de datos relacionales
- Lenguaje SQL
- Propiedades de una base de datos relacional: ACID
- Integración de los datos
Bases de datos distribuidas
- Paso al mundo de big data (limitaciones de una base de datos relacional)
- Un sistema distribuido
- Propiedades de sistemas distribuidos: CAP y BASE
- Limitaciones de sistemas distribuidos: ACID vs CAP
- Resolución de fallas en un sistema distribuido usando el consenso distribuido
Bases de datos NoSQL
- Características de sistemas NoSQL
- Bases de datos de búsqueda: Amazon Dynamo
- Bases de datos de documentos: MongoDB
- Bases de datos de grafos: Neo4J
Procesamiento masivo de datos
- Distribución de los datos (Google Distributed File System)
- Map-reduce
- Infraestructura de Apache Hadoop
- Apache Pig: Lenguaje de scripting para Hadoop
Clase Ejecutiva UC se reserva el derecho a modificar el contenido en cualquier momento.
Curso Modelamiento estadístico y sistemas recomendadores
Profesor:
Alejandro Jara, Ph.D Sciences, Katholieke Universiteit Leuven (Bélgica)
Alejandro Jara, Ph.D Sciences, Katholieke Universiteit Leuven (Bélgica)
Plan de estudios
Clase en vivo
En la clase en vivo, el profesor enseñará de manera transversal los principales tópicos sobre los sistemas recomendadores de manera aplicada a distintos casos o industrias, en los cuales se genera mayor valor a través del soporte de decisiones guiadas por sistemas y metodologías estadísticas.
Trabajo grupal
Durante el curso el alumno trabajará de manera transversal un proyecto, en grupos de a 5 personas, donde se aplicarán todos los conocimientos del curso para generar un modelo estadístico. En este se deberá definir cómo procesar los datos para obtener una correcta generación del modelo, y además se probará el resultado según los criterios mostrados. Se espera también un entendimiento profundo de los métodos, para así cerrar con una comparación crítica de las técnicas mostradas.
Contenidos
Preprocesamiento de datos
- Calidad de datos
- Limpieza de datos
- Integración de datos
- Reducción de datos
- Transformación de datos
Métodos de clasificación
- El proceso de clasificación
- Árboles de decisión
- Bayes ingenuo
- K-vecinos más cercanos
- Métodos conjuntos: Bagging, boosting y Random Forests
Métodos de Agrupación
- Definición y propiedades
- Métodos de partición: K-means y k-medoides
- Métodos jerárquicos
Sistemas Recomendadores
- Impacto y casos importantes
- Filtrado colaborativo
- Filtrado basado en contenido
- Métodos híbridos
Clase Ejecutiva UC se reserva el derecho a modificar el contenido en cualquier momento.
Jefe de programa

Domagoj Vrgoc
Doctor Universidad de Edimburgo (Reino Unido)
Domagoj Vrgoc es doctor en Computación de la Universidad de Edimburgo (Reino Unido). Profesor asistente del Instituto de Ingeniería Matemática y Computacional de la Pontificia Universidad Católica.
Sus áreas de interés son el manejo de datos, la web semántica y teoría de computación.
Su tesis de doctorado fue destacada por la British Computing Society como una de las mejores de su generación.
Es autor de más de 30 papers técnicos y ha sido parte de los comités de programas de las conferencias más importantes en bases de datos, la web, e inteligencia artificial, como ACM PODS, ICDT, WWW, ISWC, IJCAI, entre otros.
Profesores

Alejandro Jara
Ph.D Sciences, Katholieke Universiteit Leuven (Bélgica)
Alejandro Jara es Ph.D in Sciences, Katholieke Universiteit Leuven (Bélgica). Actualmente se desempeña como profesor asociado del Departamento de Estadística de la Pontificia Universidad Católica de Chile. Su especialidad es la estadística bayesiana no paramétrica y los modelos jerárquicos.

Claudio Morchón
Máster Universidad Carlos III de Madrid (España)
Claudio Morchón es máster en Ingeniería Matemática, especialidad en Ciencias y Técnicas Estadísticas e Investigación Operativa de la Universidad Carlos III de Madrid (España). Además, es máster en Finanzas y contador auditor, Universidad de San Andrés (Argentina). Tiene experiencia en desarrollo de proyectos en big data, advance analytics y consultorías de negocio para diferentes empresas internacionales. Sus principales fortalezas son el liderazgo de equipos de data science y el desarrollo de nuevos negocios basados en tecnología y modelos analíticos. Asimismo, le interesa participar en proyectos e iniciativas desafiantes donde pueda contribuir con sus conocimientos y habilidades a generar nuevos desarrollos que mejoren la vida de las personas.

Domagoj Vrgoc
Doctor Universidad de Edimburgo (Reino Unido)
Domagoj Vrgoc es doctor en Computación de la Universidad de Edimburgo (Reino Unido). Profesor asistente del Instituto de Ingeniería Matemática y Computacional de la Pontificia Universidad Católica. Sus áreas de interés son el manejo de datos, la web semántica y teoría de computación. Su tesis de doctorado fue destacada por la British Computing Society como una de las mejores de su generación. Es autor de más de 30 papers técnicos y ha sido parte de los comités de programas de las conferencias más importantes en bases de datos, la web, e inteligencia artificial, como ACM PODS, ICDT, WWW, ISWC, IJCAI, entre otros.

Ricardo Vega
MFA Parsons, The New School (EE.UU.)
Ricardo Vega es MFA Technology de Parsons, The New School (Nueva York, EE.UU.), diseñador y artista. Asimismo, trabaja en temas relativos a la visualización de información y la programación aplicada en el diseño y el arte. Tiene particular interés en temas relativos a la tecnología y sus implicancias sociales, culturales y artísticas. También, en la actualidad, es docente de la Escuela de Diseño de la Pontificia Universidad Católica de Chile. Página: artnumerica.info
Ventajas


