Imprimir

Programa

CURSO:CIENCIA DE DATOS Y SUS APLICACIONES 
TRADUCCIÓN:DATA SCIENCE AND ITS APPLICATIONS
SIGLA:INF3521
CRÉDITOS:05 
MÓDULOS:02		
CARÁCTER:OPTATIVO
TIPO:CÁTEDRA	
CALIFICACIÓN:ESTÁNDAR 
PALABRAS CLAVE:CIENCIA DE DATOS, ANÁLISIS PREDICTIVO, INTERPRETACIÓN DE MODELOS
NIVEL FORMATIVO:MAGÍSTER


I.DESCRIPCIÓN DEL CURSO

En este curso los estudiantes se aproximarán a entender los datos como la nueva moneda a nivel global, que con su espectacular crecimiento está transformando a todas las industrias - desde la industria de la salud hasta finanzas y entretenimiento, ciberseguridad y más -, requiriendo profesionales para explotar todo su potencial. El enfoque del curso se centra en que los estudiantes comprendan los conceptos básicos de la Ciencia de Datos, y adquieran competencias en el uso de herramientas para su aplicación. Los estudiantes podrán aplicar conceptos, métodos y herramientas de Ciencia de Datos a ejemplos reales, incluyendo el desarrollo de modelos, el análisis de los datos, y su interpretación, a través del desarrollo de trabajos prácticos y discusión de casos de la industria.


II.RESULTADOS DE APRENDIZAJE

1.Aplicar los conceptos, métodos y herramientas fundamentales de Ciencia de Datos a problemas reales de negocio, interpretando adecuadamente los resultados y generando acciones de valor agregado.

2.Desarrollar modelos descriptivos, predictivos y prescriptivos sobre datos de diversas industrias.

3.Evaluar oportunidades de negocio accionables a partir del análisis de datos.


III.CONTENIDOS

1.La evolución de la ciencia de datos y el análisis predictivo para el apoyo a la toma de decisiones.

2.Las características que definen a una organización data-driven.

3.Cómo las empresas modernas estás generando productos y servicios analíticos.

4.Metodologías de análisis de datos y búsqueda de patrones.

5.Generación de modelos descriptivos, análisis de casos reales y trabajo práctico.

6.Generación de modelos predictivos y prescriptivos, análisis de casos reales y trabajo práctico.

7.Cómo interpretar modelos analíticos para tomar mejores decisiones de negocio.


IV.ESTRATEGIAS METODOLÓGICAS

-Clases expositivas.

-Talleres prácticos.

-Estudio y discusión de conceptos en clases.

-Nota: Para el desarrollo de las actividades de este curso se requiere un porcentaje mínimo de asistencia, el que será indicado por el profesor al inicio de este.


V.ESTRATEGIAS EVALUATIVAS

-Participación (de acuerdo a una rúbrica): 50%

-Proyectos prácticos: 50%


VI.BIBLIOGRAFÍA

Mínima

Foster Provost, Tom Fawcett, Data Science for Business: What You Need to Know about Data Mining and Data-Analytic Thinking. O'Reilly Media, 2013.

John W. Foreman, Data Smart: Using Data Science to Transform Information into Insight. Wiley, 2013.

Nir Kaldero, Data Science for Executives: Leveraging Machine Intelligence to Drive Business ROI. Lioncrest Publishing, 2018.


Complementaria

Trevor Hastie, Robert Tibshirani, Jerome Friedman, The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2nd Ed.), Springer, 2009.

John Warrillow, Built to Sell: Creating a Business That Can Thrive Without You, August 21, 2014.

Daniel Coyle, The Talent Code: Greatness Isn't Born. It's Grown. Here's How, June 1, 2014.

Mike Rother, Toyota Kata: Managing People for Improvement, Adaptiveness and Superior Results, June 1, 2014.

Kevin D. Johnson, The Entrepreneur Mind: 100 Essential Beliefs, Characteristics, and Habits of Elite Entrepreneurs, March 20, 2017.


PONTIFICIA UNIVERSIDAD CATÓLICA DE CHILE 
ESCUELA DE INGENIERÍA / JUNIO 2020