Aplicar técnicas de gestión personal para adaptarse de mejor manera al entorno actual de las organizaciones.

El taller está especialmente diseñado para quienes ingresan a un diplomado de Clase Ejecutiva UC.

Ciertamente, los constantes cambios que se viven hoy en día, obligan a los profesionales a mantenerse actualizados. Vivimos en una época de alta volatilidad y se hace necesario ser flexible. Es así como la crisis que explotó en 2020 nos mostró la necesidad de desarrollar habilidades asociadas a los entornos virtuales de trabajo.

En este taller, el participante aprenderá a cómo gestionar su marca personal en redes sociales. También, técnicas de oratoria digital para la realización de videoconferencias. Y, además, estrategias para gestionar bien el tiempo y conocimientos sobre inteligencia emocional.

El taller busca entregar habilidades transversales a todos los alumnos de los diplomados de Clase Ejecutiva UC. Se realizarán controles de lectura, foros de discusión y clases sincrónicas durante su desarrollo.

• Marca personal
• Cómo construir una marca personal digital
• Acciones premium para potenciar nuestra personal branding

• Reuniones virtuales y webinars
• El contenido de las sesiones
• Oratoria digital
• Técnicas básicas de oratoria para entornos digitales

• Conócete a ti mismo
• Procrastinación
• Los “ladrones del tiempo”
• Priorización y matriz de Eisenhower
• Buenas prácticas de gestión del tiempo

• Modelo de inteligencia emocional
• Conciencia de uno mismo
• Conciencia social
• Conciencia organizacional
• Gestión de las relaciones
• ¿Cómo desarrollar estas competencias?

Un profesor ayudante interactúa directamente con un grupo reducido de participantes para ayudar a resolver problemas técnicos remanentes, como por ejemplo, la correcta instalación de herramientas de software, la forma correcta del uso de algunas herramientas, etc.

Los participantes deben aplicar los conocimientos aprendidos en tres trabajos o miniproyectos concretos. El primer trabajo (miniproyecto 1) consiste en construir una base de datos a partir de data en formato csv y luego escribir un programa Python que se conecte con dicha base de datos para agregar nuevas filas y formular algunas consultas simples. En el segundo (miniproyecto 2), se trabaja con un dataset más complejo que da origen a una BD con varias tablas y, además, de interactuar desde Python en forma simple, se usa la librería Pandas. En el tercer trabajo (miniproyecto 3), la data debe obtenerse desde una API JSON y se debe escribir un programa Python que cargue esa información en un motor MongoDB para luego hacer consultas sobre él.

• Conceptos fundamentales de bases de datos
• El modelo relacional
• MySQL desde el Workbench

• Introducción al lenguaje SQL
• Creación de una base de datos desde Python
• Tablas y tipos de datos
• Creación de tablas desde Python
• Agregar y eliminar información a una tabla desde Python

• Introducción a Pandas y dataframes
• SQL joins
• Transacciones en bases de datos
• Eliminación y modificación de filas en una tabla

• Operaciones de conjunto y cláusulas de agrupación
• Ordenamiento y agrupación
• Carga de contenido CSV desde una API Web
• Procesamiento de un archivo en formato CSV

• Bases de datos NoSQL
• Introducción a MongoDB
• El formato JSON
• MongoDB desde Python

• MongoDB y desde una API en la web y procesarla con un programa Python
• Conectando con MongoDB
• Interactuando con el motor MongoDB desde un programa
• Procesamiento de JSON desde Python
• Extracción de JSON desde una API web

Se realizan tres clases en vivo. La primera como ayuda para el primer proyecto de programación con estructuras de datos secuenciales y no secuenciales. La segunda, para apoyar el segundo proyecto acerca de programación orientada a objetos. Y la tercera, como ayuda para el proyecto final. Durante las clases en vivo los estudiantes pueden resolver dudas prácticas respecto a la materia y sus proyectos.

Los alumnos deben aplicar los conocimientos aprendidos en tres trabajos o pequeños proyectos concretos. El primero relacionado con el uso de estructuras secuenciales y no secuenciales. El segundo, con programación orientada a objetos. El último proyecto tiene características integradoras y, por lo tanto, es un poco más largo y completo que los anteriores. Aun cuando el trabajo se entrega en forma individual y no grupal, los alumnos pueden conversar y discutir sobre sus ideas de soluciones con sus compañeros, antes de desarrollar y entregar el proyecto. La evaluación se complementa, además, con cuestionarios de alternativas que miden comprensión sobre los conceptos de cada semana.

Un profesor ayudante interactúa directamente con un grupo reducido de participantes para ayudar a resolver problemas técnicos remanentes, como por ejemplo, la correcta instalación de herramientas de software y el uso apropiado de algunas herramientas, además de apoyar el desarrollo de casos de estudio. Con estos últimos, se busca que los alumnos se vean enfrentados a situaciones más cercanas a la realidad, recorriendo las distintas etapas de los proyectos de machine learning.

Los alumnos deben aplicar los conocimientos aprendidos en tres pequeños proyectos cuyo objetivo es reforzar el aprendizaje teórico de las clases lectivas. El primer proyecto se focaliza en aplicar herramientas de preprocesamiento y visualización de datos. Los siguientes tienen características integradoras de preprocesamiento y aplicación de modelos de machine learning tanto en su versión supervisada como no supervisada.  Aun cuando el trabajo se entrega en forma individual y no grupal, los alumnos pueden conversar y discutir sobre sus ideas de soluciones con sus compañeros, antes de desarrollar y entregar el proyecto.

• Introducción al aprendizaje de máquina
• Tipos de problemas en aprendizaje de máquina

• Introducción a librerías del ecosistema de data science
• Tipos de variables
• Análisis descriptivo de variables
• Transformación de variables
• Visualización de variables
• Imputación de datos

• Aprendizaje supervisado
• Regresión lineal
• Regresiones polinomiales
• Regresión con penalización
• Regresión logística

• Naive Bayes
• Evaluación de clasificadores
• Árboles de decisión
• Random Forest
• Random Forest para regresión

• Introducción a las redes neuronales artificiales
• Tecnologías para desarrollo de redes neuronales artificiales
• Redes neuronales artificiales

• Aprendizaje no supervisado
• K-Means
• Cluster jerárquico
• Evaluación de clusters
• Reducción de dimensionalidad

Un profesor ayudante interactúa directamente con un grupo reducido de participantes para ayudar a resolver problemas técnicos remanentes, como por ejemplo, la correcta instalación de herramientas de software, la forma correcta del uso de algunas herramientas, etc. Entre los posibles temas a tratar en esta sesión se encuentran: instalación de Django en PyCharm, creación de un proyecto Django, uso de Django Shell y la instalación de librerías (requests, REST Framework, otras).

• ¿Qué es la web?
• El protocolo HTTP
• Estructura de las páginas con HTML
• Estilo de las páginas con CSS

• Arquitectura MVC de la web
• Introducción a Django
• Instalación de Django
• Creación de un proyecto Django
• El archivo settings

• Modelos y migraciones
• Views
• Templates
• Forms
• Admins

• Routing
• Django Shell
• El lenguaje JavaScript
• Manipulación del DOM y eventos
• JavaScript en Django: un ejemplo de validación en el cliente

• Introducción a las API REST
• Obtener información desde una API
• Modificar información a través de una API
• Setup para consumir una API
• Setup de Django REST Framework

• Serializers
• Viewsets y paginación
• Routing de la API
• Probando nuestra API y documentación automática
• Consumiendo nuestra API para mejorar la aplicación