Este curso introduce los lenguajes de programación R y Python de forma que los alumnos aprendan el uso de las funciones básicas, la lógica de programación, las estructuras de datos más usadas, métodos para obtener información agregada/desagregada, herramientas gráficas, entre otras cosas. El objetivo de este curso es entregar una base de conocimientos que permitan a los estudiantes familiarizarse con los lenguajes de programación en R y Python a fin que puedan trabajar y manipular datos y luego poder utilizarlos en asignaturas posteriores que las requieran.

El curso introduce los conceptos principales de la ciencia de datos, sus principales aplicaciones en diferentes ámbitos y cuáles son las tendencias y tecnologías que lo habilitan. Se describirán y analizarán los procesos y sistemas que permiten extraer conocimiento de las fuentes de información y datos.

Este curso busca familiarizar a los alumnos con las metodologías de métodos experimentales y analítica de datos para la identificación de efectos causales. La evaluación del curso contemplará tareas y un examen.

El curso busca desarrollar la capacidad de discernir éticamente en torno a la privacidad de los datos y otras temáticas que entran en tensión en los ámbitos de la ciencia de datos, BigData, inteligencia artificial (IA) y áreas afines. Para tal fin se trabajará inicialmente sobre qué es la ética aplicada, cuáles son sus alcances, pretensiones y límites, con especial énfasis en la ética aplicada al trabajo con datos. A continuación se construirá colaborativamente una herramienta de análisis y evaluación ética de proyectos y acciones tecnocientíficas ligadas al campo de estudio y trabajo de quienes asistan al taller.

Este curso introductorio de machine learning está diseñado para proporcionar una sólida comprensión de los algoritmos clásicos esenciales en el campo, enfocándose en el análisis de datos estructurados para resolver problemas de clasificación y regresión. Los estudiantes explorarán en profundidad técnicas fundamentales como la regresión logística, árboles de decisión, K-NN, y métodos de ensamblaje como boosting y bagging (incluyendo random forest). Además, se abordará la máquina de vectores de soporte (SVM) para complementar el conjunto de habilidades analíticas. El curso también incluirá una introducción a los principios de deep learning y explainable AI, proporcionando una visión panorámica de las técnicas avanzadas de modelado. Este programa está diseñado para equipar a los participantes con las habilidades necesarias para interpretar y aplicar algoritmos de machine learning en una variedad de contextos y sectores.

Este curso busca asociar los modelos predictivos a la toma de decisiones en las empresas y organizaciones en general y comprender las principales estrategias de interpretación y evaluar resultados obtenidos a partid de modelos predictivos y optimización apoyar la toma de decisiones. De la misma manera, busca que los estudiantes comprendan las diferentes ventajas y desventajas de los algoritmos en la toma de decisiones en contextos de negocio sujetos a variabilidad y incertidumbre.

Se busca con aplicaciones que los estudiantes integren todos los conocimientos adquiridos en los cursos previos del programa, tanto a aspectos metodológicos, aplicados y tecnológicos. Los casos que se analizaran en este curso abarcan un amplio rango de empresas y sectores industriales, los cuales tienen como denominador común la resolución de un problema de toma decisiones complejo en ambientes de mucha información. Entre los sectores industriales que se analizarán están: minería, salud, retail, transporte, educación, banca, entre otros. 

Tesis o Actividad Formativa Equivalente a Tesis (Proyecto de grado).