Imprimir

Programa

CURSO:INTRODUCCIÓN A DATA SCIENCE	 
TRADUCCIÓN:INTRODUCTION TO DATA SCIENCE
SIGLA:IMT3860
CRÉDITOS:05 
MÓDULOS:02	
CARÁCTER:MÍNIMO
TIPO:CÁTEDRA,LABORATORIO
CALIFICACIÓN:ESTÁNDAR
DISCIPLINA:INGENIERÍA,COMPUTACIÓN
PALABRAS CLAVE:COMPUTACIÓN,INTELIGENCIA,ARTIFICIAL,CIENCIA,DATOS,INTRODUCCIÓN,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 término Data Science. Este curso introduce a los alumnos a este campo de rápido crecimiento, describiendo sus principios básicos y las principales técnicas y herramientas utilizadas. Los alumnos 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.


II.RESULTADOS DE APRENDIZAJE 

1.Describir lo que es Data Science, y los conjuntos de habilidades necesarios para ser un científico de datos.

2.Explicar en términos básicos lo que significa Inferencia Estadística.

3.Explicar cómo almacenar datos en un Data Warehouse.

4.Describir las distintas etapas para el proceso de ETL (Extracción, Transformación y Carga de los datos)

5.Explicar la importancia del análisis exploratorio de datos en Data Science.

6.Aplicar el análisis exploratorio de datos y el proceso de Data Science a un estudio de caso.

7.Aplicar algoritmos básicos de aprendizaje de máquina para el análisis descriptivo.

8.Aplicar algoritmos básicos de aprendizaje de máquina para el análisis predictivo.

9.Analizar la importancia de una visualización efectiva de los datos.

10.Trabajar en equipos en proyectos de Data Science.

11.Describir problemas éticos y de privacidad que emergen en Data Science.


III.CONTENIDOS

1.Introducción a Data Science.

2.Inferencia Estadística.

3.Data Warehousing.
3.1.Conceptos generales.
3.2.Modelo Dimensional.

4.Proceso de ETL.

5.Proceso de Data Science.

6.Análisis Exploratorio.

7.Algoritmos básicos para análisis descriptivo.

8.Algoritmos básicos para análisis predictivo.

9.Visualización de datos.

10.Herramientas prácticas (Python, Pandas, entre otros)


IV.ESTRATEGIAS METODOLÓGICAS

-Clases expositivas.

-Talleres prácticos de laboratorio.


V.ESTRATEGIAS EVALUATIVAS

-Controles: 30%

-Actividades prácticas en laboratorio: 30%

-Proyecto: 40%


VI.BIBLIOGRAFÍA 

Mínima

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 CATÓLICA DE CHILE 
ESCUELA DE INGENIERÍA/ ENERO 2020