Magíster en Ciencia de Datos

Pontificia Universidad Católica de Chile

Duración del programa

24 meses

Plan de estudios

Malla curricular MCD 5

Cursos Minimos:

  • Introducción a la Programación en Python
  • Bases de Datos
  • Análisis de Datos en Python
  • Introducción a la Ciencia de Datos
  • Visualización de Datos
  • Aprendizaje Estadístico y Computacional
  • Ingeniería de Software
  • Procesamiento de Datos Masivos
  • Ciencia de Datos Responsable
  • Actividad de graduación I
  • Actividad de graduación II
  • Actividad de graduación III

Cursos Optativos:

  • Aprendizaje Profundo
  • Sistemas Recomendadores
  • Procesamiento de Imágenes
  • Estadística Aplicada
  • Métodos Bayesianos
  • Análisis de Redes Sociales

Conoce los cursos en detalle:

Introducción a la Programación en Python: Estructurando datos para problemas reales: En este curso los estudiantes aprenderán los conceptos fundamentales para el desarrollo de algoritmos y su programación en computadores, exponiéndose a conceptos que permitirán el desarrollo de programas más complejos utilizando el lenguaje de programación Python. Al finalizar el curso, los estudiantes serán capaces de desarrollar sus propios programas informáticos, utilizando estructuras de datos y tipos de datos propios, para implementar algoritmos más complejos y representar problemas interesantes a través de la programación.

Bases de Datos: En este curso los estudiantes analizarán, en una primera parte, el modelo relacional de bases de datos y su lenguaje de consultas SQL; posteriormente, se explicará el modelo de datos NoSQL; ambos en el contexto de su uso en el mundo real. El curso cuenta con una serie de actividades formativas (clases de cátedra, videos, talleres), evaluaciones, y un proyecto final.

Análisis de Datos en Python: En este curso los estudiantes aprenderán el uso adecuado y eficiente de Python como herramienta computacional para el análisis de datos, y su rol en la toma de decisiones dentro de una organización. Para ello se introducirán los conceptos básicos y generales sobre el manejo y análisis de datos, se explicará la importancia de una correcta visualización de los datos y de los resultados de los análisis que se realicen con estos, y se explicará en qué consisten los análisis descriptivos, predictivos, y prescriptivos, enseñando diferentes métodos para llevar a cabo estos análisis. El curso utilizará exposiciones a través de clases sincrónicas, análisis de casos, test basados en la interacción con bases de datos, contenidos entregados por las video clases, lecturas y reflexión individual a través de foros.

Introducción a la Ciencia de Datos: Este curso introduce a los estudiantes al campo de la ciencia de datos a través de sus principios básicos y las principales técnicas y herramientas utilizadas. Los estudiantes aprenderán sobre recolección e integración de datos, análisis exploratorio de datos, análisis descriptivo y predictivo, y creación de productos de información. Los temas serán tratados en amplitud, más que en profundidad, haciendo énfasis en la integración y síntesis de conceptos, y su aplicación a la solución de problemas.

Visualización de Datos: En este curso los estudiantes complementarán conocimientos y habilidades que se requieren especialmente en el área de Ciencia de Datos, donde los resultados de métodos de computación, estadística, minería y análisis de datos podrán ser resumidos y comunicados. Dentro de las actividades prácticas del curso, los estudiantes aprenderán técnicas y algoritmos para analizar, diseñar y crear visualizaciones efectivas basadas en principios de diseño gráfico, artes visuales, y psicología cognitiva. El curso estará orientado a estudiantes con experiencia previa en programación, con foco en aquellos que deseen utilizar visualizaciones en su trabajo, así como estudiantes interesados en construir mejores sistemas y herramientas de visualización.

Aprendizaje Estadístico y Computacional: En este curso los estudiantes aprenderán los conceptos elementales de machine learning y varias metodologías de aprendizaje supervisado y no supervisado. El estudiante deberá ser capaz de identificar los métodos más apropiados, aplicarlos y compararlos en diferentes contextos, en particular, para problemas de grandes volúmenes de datos.

Ingeniería de Software: En este curso los estudiantes aprenderán conceptos, técnicas y metodologías que se utilizan para el desarrollo de software confiable y robusto. Los estudiantes serán capaces de entender las distintas etapas del proceso de desarrollo de software, incluyendo la especificación de requisitos, el diseño, el desarrollo, la gestión, técnicas de verificación y validación de software.

Procesamiento de Datos Masivos: Las capacidades de recolección y almacenamiento de datos en la actualidad requieren de un desarrollo constante a nivel de técnicas para trabajar con estos grandes volúmenes de información. En este curso, los estudiantes aprenderán a trabajar con datos masivos, ya sea estructurados o semiestructurados, a recolectar información desde fuentes web, y a hacer análisis basados en descripciones de los sets de datos. Metodológicamente, en el curso se trabaja con aprendizaje basado en problemas, en donde todas las semanas se orientan a resolver un problema en particular.

Ciencia de Datos Responsable: En este curso los estudiantes aprenderán los principios éticos, las herramientas y metodologías fundamentales que cimentan el uso responsable de los datos en distintos contextos. Se combinará una serie de lecturas con laboratorios, tareas, y proyectos prácticos que permitan a los estudiantes entender tanto la crítica como la solución a problemas relacionados con transparencia, interpretabilidad, privacidad, y sesgo, entre otros. Series de Tiempo: El estudiante conocerá los modelos de series cronológicas y sus aplicaciones, y aprenderá la metodología estadística para el manejo de modelos de predicción y su aplicación a casos reales.

Actividad de graduación I: En este curso los estudiantes definirán su tema de proyecto de graduación y desarrollarán una propuesta concreta de su proyecto. Para esto, los estudiantes deberán hacer un estudio bibliográfico del tema específico, presentar un desafío en la metodología actual de dicho tema, y proponer posibles innovaciones e ideas que aporten potencialmente a superar este desafío. El proyecto será desarrollado en grupo, teniendo por resultado la base metodológica del proyecto.

Actividad de graduación II: En este curso los estudiantes integrarán sus conocimientos adquiridos durante sus estudios, para continuar con sus avances de trabajo de graduación, de acuerdo a las sugerencias y ajustes propuestos en la “Actividad de Graduación I”, para ello los estudiantes aplicarán las estrategias metodológicas definidas para abordar la temática escogida del proyecto en áreas afines a la ciencia de datos, analizando los resultados a partir de las hipótesis establecidas.

Actividad de graduación III: En este curso los estudiantes desarrollarán su trabajo de graduación. Los estudiantes deberán continuar con la realización de la metodología y análisis de resultados de su proyecto vinculado con una organización externa. Deberán realizar las conclusiones y el escrito del proyecto.

Cursos optativos:

Aprendizaje Profundo: En este curso los estudiantes obtendrán los conocimientos necesarios para utilizar deep learning de manera efectiva. Hoy en día, usar deep learning es fácil. El desafío es hacer que funcione bien. Para ello, es necesario entender cómo funciona deep learning y por qué. Este curso es una mezcla entre teoría y práctica. Todo contenido teórico es visto en vías de entender los principios prácticos que hacen funcionar deep learning. El contenido práctico incluye ejemplos de aplicaciones exitosas y trabajos propuestos para los estudiantes.

Sistemas Recomendadores: En este curso, los estudiantes estudiarán los principales algoritmos usados para generar recomendaciones, las fuentes de datos usadas por dichos algoritmos, y diversas formas de evaluar la calidad de un sistema recomendador. Teniendo presente que, los sistemas recomendadores tienen como objetivo ayudar a un usuario o a grupos de usuarios a filtrar y descubrir información relevante, de manera personalizada, desde grandes volúmenes de datos. El curso se desarrollará a través de videos y algunas lecturas, así como con evaluaciones incrementales con alternativas, y con evaluaciones prácticas donde deben programar en lenguaje Python.

Procesamiento de Imágenes: En este curso se estudiarán los fundamentos teóricos básicos que son aplicados en el área de Procesamiento de Imágenes tales como formación de imágenes, mejoramiento de las imágenes en el dominio del espacio y de la frecuencia, filtros digitales, restauración de imágenes, procesamiento morfológico y segmentación tanto en imágenes en blanco y negro como a color. Los fundamentos teóricos aprendidos serán aplicados a problemas prácticos probando y programando algoritmos de procesamiento de imágenes en Python.

Estadística Aplicada: En este curso los estudiantes aprenderán diferentes técnicas estadísticas no estándar, tales como muestreo, datos longitudinales, datos espaciales y análisis de sobrevida. Los contenidos son conceptuales y aplicados, donde los estudiantes serán capaces de comprender los elementos claves de cada metodología y, a partir de un problema planteado, identificar y aplicar la técnica más apropiada.

Métodos Bayesianos: En este curso los estudiantes conocerán los elementos claves de la estadística Bayesiana. En particular, se estudian modelos, métodos computacionales de simulación y criterios de comparación de modelos. El curso es de carácter práctico y pone énfasis en aplicaciones.

Análisis de Redes Sociales: En este curso los estudiantes aprenderán los conceptos básicos, modelos principales para generar grafos y metodología de inferencia estadística para la investigación de redes sociales. Además, los estudiantes serán capaces de comparar teorías y metodologías desde distintas disciplinas como estadística, ciencia de la computación y ciencias sociales. En particular, los estudiantes adquirirán herramientas para visualizar, representar, estimar y extraer patrones significativos de redes sociales.

Download Coursera's mobile app

Placeholder
Placeholder

¡Las inscripciones están abiertas!

Cierre de inscripción: 20 de febrero 2023

Fecha de inicio: Marzo 2023

Costo: $10.000 USD ($8.700.000 CLP)

Coursera no otorga crédito académico y no garantiza que una institución académica, aparte de la institución que otorga el título, reconocerá el crédito o la credencial otorgada por la institución. La decisión de otorgar, aceptar o reconocer crédito académico, está sujeta a la discreción única y absoluta de una institución educativa.

Antes de presentar su solicitud al programa, recomendamos investigar si este título cumple con sus necesidades académicas y / o profesionales.