CURSO:INTRODUCCION A DATA SCIENCE TRADUCCION:INTRODUCTION TO DATA SCIENCE SIGLA:IMT3860 CREDITOS:05 MODULOS:02 CARACTER:MINIMO TIPO:CATEDRA,LABORATORIO CALIFICACION:ESTANDAR DISCIPLINA:INGENIERIA,COMPUTACION PALABRAS CLAVE:COMPUTACION,INTELIGENCIA,ARTIFICIAL,CIENCIA,DATOS,INTRODUCCION,DATA,SCIENCE I.DESCRIPCIÓN DEL CURSO Las organizaciones utilizan sus datos para apoyar la toma de decisiones, y para desarrollar productos y servicios intensivos en datos. El conjunto de competencias requeridas para apoyar estas funciones se ha agrupado bajo el termino Data Science. Este curso introduce a los alumnos a este campo de rapido crecimiento, describiendo sus principios basicos y las principales tecnicas y herramientas utilizadas. Los alumnos aprenderan sobre recoleccion e integracion de datos, analisis exploratorio de datos, analisis descriptivo y predictivo, y creacion de productos de informacion. Los temas seran tratados en amplitud, mas que en profundidad, haciendo enfasis en la integracion y sintesis de conceptos, y su aplicacion a la solucion de problemas. II.RESULTADOS DE APRENDIZAJE 1.Describir lo que es Data Science, y los conjuntos de habilidades necesarios para ser un cientifico de datos. 2.Explicar en terminos basicos lo que significa Inferencia Estadistica. 3.Explicar como almacenar datos en un Data Warehouse. 4.Describir las distintas etapas para el proceso de ETL (Extraccion, Transformacion y Carga de los datos) 5.Explicar la importancia del analisis exploratorio de datos en Data Science. 6.Aplicar el analisis exploratorio de datos y el proceso de Data Science a un estudio de caso. 7.Aplicar algoritmos basicos de aprendizaje de maquina para el analisis descriptivo. 8.Aplicar algoritmos basicos de aprendizaje de maquina para el analisis predictivo. 9.Analizar la importancia de una visualizacion efectiva de los datos. 10.Trabajar en equipos en proyectos de Data Science. 11.Describir problemas eticos y de privacidad que emergen en Data Science. III.CONTENIDOS 1.Introduccion a Data Science. 2.Inferencia Estadistica. 3.Data Warehousing. 3.1.Conceptos generales. 3.2.Modelo Dimensional. 4.Proceso de ETL. 5.Proceso de Data Science. 6.Analisis Exploratorio. 7.Algoritmos basicos para analisis descriptivo. 8.Algoritmos basicos para analisis predictivo. 9.Visualizacion de datos. 10.Herramientas practicas (Python, Pandas, entre otros) IV.ESTRATEGIAS METODOLOGICAS -Clases expositivas. -Talleres practicos de laboratorio. V.ESTRATEGIAS EVALUATIVAS -Controles: 30% -Actividades practicas en laboratorio: 30% -Proyecto: 40% VI.BIBLIOGRAFIA Minima Cathy O?Neil and Rachel Schutt. ?Doing Data Science, Straight Talk from the Frontline?. O'Reilly Media, 2013. Foster Provost and Tom Fawcett. ?Data Science for Business: What you need to know about data mining and data-analytic thinking?. O'Reilly Media, 2013. Complementaria Wes McKinney. ?Python for data analysis: Data wrangling with Pandas, NumPy, and IPython?. O'Reilly Media, 2017. PONTIFICIA UNIVERSIDAD CATOLICA DE CHILE ESCUELA DE INGENIERIA/ ENERO 2020