En este curso los estudiantes analizarán los conceptos básicos y algoritmos fundamentales apropiados para la investigación de datos masivos de medios sociales, comparando teorías y metodologías desde distintas disciplinas como ciencia de la computación, ciencia de redes, minería de datos, aprendizaje de máquinas, análisis de redes sociales, sociología, etnografía, estadística y matemáticas. Además los estudiantes adquirirán herramientas para representar, medir, modelar, y extraer patrones significativos para datos sociales de gran escala.

El curso presenta un estado del arte en Minería de Procesos (Process Mining), disciplina conocida como “Data Science para Procesos”. En este curso los estudiantes analizarán los datos generados por los sistemas de información sobre los procesos de negocio que apoyan, para poder entender, monitorear, analizar y mejorar dichos procesos. Para ello, se presentarán las metodologías, algoritmos y software que permiten analizar procesos de negocio a partir de los datos. En este curso, los estudiantes tendrán la oportunidad de realizar actividades prácticas, que les permitan entender cuáles son el potencial y los límites del estado del estado del arte actual.

En este curso los estudiantes revisarán ejemplos exitosos de aplicación de herramientas de Ciencias de Datos e Inteligencia Artificial mediante casos de estudio, donde un invitado presentará la problemática y como esta fue resuelta usando técnicas y herramientas de Ciencia de Datos e Inteligencia Artificial. El curso considera además trabajo práctico, donde se recrearán condiciones similares a las de los casos presentados.

En el curso de Proyecto Aplicado I el alumno aplicará en forma integrada el conocimiento de herramientas computacionales utilizadas en el análisis de datos. Los alumnos deben integrar habilidades relacionadas con la identificación y resolución de problemas en el análisis de datos, a través del diseño, innovación, uso de tecnologías de información y modelación computacional. La evaluación se basa en el diseño de un proyecto grupal.

En el curso de Proyecto Aplicado II el alumno desarrollará un proyecto individual, donde integre experimentación, recolección de datos, análisis de resultados y posibles rediseños y mejoras de la solución. La evaluación se basa en la implementación de un prototipo previamente diseñado.

El curso tiene por objetivo que los estudiantes analicen las prácticas, metodologías y herramientas de la gestión de proyectos y su aplicación a los proyectos de Ciencia de Datos e Inteligencia Artificial, revisando los principios del PMI (Project Management Institute) y las metodologías clásicas y modernas asociadas a la gestión de programas y proyectos

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. En este curso, los alumnos estudiarán los principales algoritmos usados para generar recomendaciones, las fuentes de datos usadas por dichos algoritmos, diversas formas de evaluar la calidad de un sistema recomendador, además de áreas de investigación presente y desafíos a futuro de estos sistemas.

El curso es una introducción a la seguridad computacional, tan importante pero, a la vez subvaluada hoy en día. Los estudiantes aprenderán conceptos básicos y herramientas para distinguir vulnerabilidades, ataques y fallas de políticas en las que caen muchas veces las organizaciones, principalmente por ignorancia respecto de esta área.

En este curso los estudiantes aprenderán los procesos de negocios de las organizaciones entregando una visión general y detallada de cómo se llevan a cabo las operaciones, y teniendo la base que los procesos de negocios en una compañía deben estar alineados a la estrategia de la misma y ser soportados por la infraestructura tecnológica.

En este curso los estudiantes aplicarán un modelo sistémico de gestión y preparar un Plan Estratégico de Negocio, basado en la comprensión de la gestión de organizaciones como un Macro-Sistema compuesto por tres sistemas integrados (Entorno, Organización y Gestión).

En este curso los estudiantes analizarán el marco regulatorio de las nuevas tecnologías en temas tales como el uso de las tecnologías en el trabajo, contratos, contratación electrónica y comercio electrónico, delitos informáticos, protección de datos, propiedad intelectual, gobierno electrónico, con el propósito de tener una visión general de regulación según la legislación nacional.

En este curso los los estudiantes adquirirán herramientas para el análisis de series de tiempo, incluyendo la estimación y construcción de modelos mediante componentes como tendencia y estacionalidad, con el propósito que los estudiantes puedan identificar el modelo adecuado para una serie de tiempo que permita realizar predicciones de datos.

En este curso los estudiantes analizarán los fundamentos de la inferencia Bayesiana. Para ello, el curso entrega una comparación con la Inferencia Clásica, las principales características de la Inferencia Bayesiana, y las herramientas para el cálculo y aproximación de la distribución a postertiori en modelos paramétricos.

En este curso los estudiantes analizarán los fundamentos para construir y aplicar modelos lineales generalizados. El curso entrega una revisión de los componentes comunes de esta clase de modelos de regresión para datos continuos y categóricos, así como las herramientas para la validación de los modelos.

En este curso los estudiantes analizarán los fundamentos para crear modelos que aprenden de factores asociados a tiempos de fallas de sistemas y productos. Para ello, el curso entrega una revisión de los modelos estadísticos y proporciona los fundamentos para la estimación y pruebas de hipótesis asociadas a sus parámetros.

En este curso los estudiantes analizarán los diferentes tipos de origenes de datos faltantes y el efecto sobre el aprendizaje. Para ello, el curso entrega una revisión de los métodos para lidear con datos faltantes y sus consecuencias bajo mecanismos ignorables o no ignorables de generación de datos faltantes.

En este curso los estudiantes analizarán los fundamentos asociados al análisis conjunto de un vector de variables por unidad experimental. Para ello, el curso entrega una revisión de los métodos de análisis multivariado, cómo también los métodos para evaluar el rendimiento de ellos en el cumplimiento de la tarea desarrollada.

En este curso los estudiantes analizarán modelos Bayesianos complejos, incluyendo modelos jerárquicos paramétricos y noparamétricos. Con este objeto, se presentaran las principales proipiedades de los modelos y las técnicas erficientes para la exploración numérica de la distribución a posteriori.