Importante: Anuncio primer cohorte
La Facultad de Ingeniería de la UNPSJB informa que el inicio de la DIPLOMATURA EN CIENCIA DE DATOS APLICADA, originalmente previsto para el 15 de septiembre 2023, ha sido postergado. La primera cohorte estaría siendo programada para 2024, acorde con las condiciones fijadas para su dictado por la Facultad de Ingeniería. Esta diplomatura está dirigida a profesionales, docentes y personal de empresas o instituciones públicas y/o privadas que quieran incursionar en el análisis, modelización y visualización de datos. Por lo tanto, se informa que se continuará aceptando pre inscripciones hasta el 30 de noviembre de 2023..
Acerca del Curso
La Ciencia de Datos es una disciplina sólida por diversas razones, ya que se ha convertido en un pilar fundamental en muchos campos y sectores en la sociedad actual. Dada la creciente digitalización de la información y la necesidad de tomar decisiones basadas en datos ha aumentado la demanda de profesionales en ciencias de datos. Las empresas de todos los tamaños y sectores requieren expertos en análisis de datos para obtener información significativa y tomar decisiones estratégicas.
La explosión de datos generados por dispositivos, sensores y plataformas en línea ha impulsado el desarrollo de tecnologías relacionadas con la ciencia de datos, como el aprendizaje automático (machine learning) y la inteligencia artificial (IA). Estudiar ciencias de datos te brinda la oportunidad de trabajar en campos en constante evolución y aplicar tecnologías innovadoras.
La ciencia de datos combina conocimientos de matemáticas, estadísticas, programación y dominio del campo de aplicación. Esto significa que los profesionales en ciencias de datos tienen habilidades transferibles que les permiten trabajar en una variedad de industrias y roles.
En resumen, estudiar ciencias de datos ofrece oportunidades emocionantes en un mundo cada vez más impulsado por los datos. Ya sea que estés interesado en abordar desafíos globales, influir en la toma de decisiones empresariales o contribuir a la innovación, esta disciplina te brinda una base sólida para tener un impacto positivo.
Contenido de la Diplomatura
Los contenidos específicos de cada módulo son los siguientes:
| Módulo | Descripción |
|---|---|
| Estadística Básica (Módulo Introductorio) | Estadística descriptiva. Medidas de posición y dispersión. Representaciones gráficas. Probabilidad: Teoría de la probabilidad. Probabilidad condicional e independencia. Variable aleatoria. Modelos discretos y continuos. Teorema Central del Límite. Estimación puntual. Propiedades de los estimadores. |
| Modelado de Datos | Introducción al Modelado de datos, técnicas de relevamiento de datos, modelo relacional y no relacional, modelos temporales, introducción a SQL. |
| Minería de Datos | Concepto KDD y patrón. Recuperación de información y recuperación de datos. Minería de Datos. Preprocesamiento de datos. Modelos para clasificación y predicción, Árboles de clasificación (ID3 y C4.5). Entropía, tasa de ganancia e índice gini. Técnicas de agrupamiento, Clustering, KMeans. Evaluación de modelos, performance, matriz de confusión, precisión y recall, visualización con Curva ROC. |
| Taller de Programación para Ciencias de Datos | Herramientas de desarrollo: Python, Instalación de los ambientes de desarrollo. Módulos, funciones y paquetes. Bibliotecas y funciones para la gestión y procesamiento de datos. Tareas de pre-procesamiento: integración de diversas fuentes de datos, limpieza, completamiento de datos, reducción de datos, selección de variables, construcción de nuevas variables. |
| Minería de Texto | Procesamiento del lenguaje natural. Representación de documentos. Categorización de textos. Clustering de textos. Modelización de tópicos. Sumarización de textos. Social media. Visualización. |
| Aprendizaje Automático) | Introducción al aprendizaje automático, conceptos de sesgo y bias, tipos de aprendizaje, problemas de overfitting y underfitting, regresiones lineales y logísticas, Redes Neuronales multicapa y competitivas, SVM, redes neuronales convolucionales y recurrentes, nociones de deep learning. |
| Laboratorio Final Integrador | Taller práctico de casos de uso aplicado en la industria, gestión de empresas, económicas, ingeniería, medicina y otros. Desarrollo por parte del estudiante de un caso práctico completo utilizando los conocimientos adquiridos |
Modalidad de Evaluación
Cada módulo implementará su mecanismo de evaluación, pero se sugiere que los mismos sean mediante actividades de entrega puntuales, casos de aplicación, ejercicios de programación y visualización de datos, confección de informes y exposición mediante la plataforma virtual. Para la aprobación del módulo se tomará una evaluación final en el campus, tipo múltiple choice o un ejercicio integrador de los contenidos del módulo. Los criterios de aprobación de cada espacio serán especificados por el docente responsable del módulo.
Requisitos de Aprobación
Para aprobar la Diplomatura en Ciencias de Datos Aplicada, los estudiantes deben aprobar todos los módulos de formación específica y realizar un trabajo final integrador, supervisado por un docente de la diplomatura y evaluado por el comité académico. El mismo es de carácter individual y debe ser entregado, como máximo, a los 90 días de la finalización del cursado.
Aranceles
La actividad será arancelada, siendo el costo total de la formación según se indica a continuación:
| Forma de pago | Cuotas | Costo total |
|---|---|---|
| Un único pago (al inicio del curso) | 1 cuota | $ 70.000 |
| Pagos bimestrales (1er pago al inicio) | 2 cuotas de $ 40.000 c/u | $ 80.000 |
| Pagos mensuales (1er pago al inicio) | 4 cuotas de $25.000 c/u | $ 100.000 |
Los aranceles podrían variar en función al contexto inflacionario del país, manteniéndose en el valor pactado para cada cohorte a ejecutar.
Programa del Curso
El Programa contempla una carga horaria de 210 hs (doscientos diez) horas, con una duración de un cuatrimestre, y se distribuyen en 1 (un) módulo introductorio, 5 (cinco) módulos de formación de 30 horas cada uno y 1 (un) laboratorio final integrador tal como se detalla en el siguiente plan de estudio:
| Módulo | Carga Horaria | Descripción | Correlativa | Docente Responsable |
|---|---|---|---|---|
| Estadística Básica (M01) | 30Hs | Conceptos básicos de estadística descriptiva y probabilidad | - | Ing. Miguel Llaryora |
| Modelado de datos (M02) | 30Hs | Introducción al modelado de datos y lenguajes de consulta | M01 | Lic. Francisco Viviers |
| Taller de Programación para ciencias de datos (M03) | 30Hs | Introducción a la programación en Python para ciencias de datos | M01 | Lic. Daniel Ormachea |
| Minería de datos (M04) | 30Hs | Técnicas de inteligencia artificial para crear modelos de predicción y clasificación | M02 -M03 | Dr. Ing. Martín Bilbao |
| Minería de texto (M05) | 30Hs | Diseño de clasificadores, análisis de sentimientos, chatbot y procesamiento de lenguaje natural | M02 -M03 | Mg. Ing. Viviana Mercado |
| Aprendizaje Automático (M06) | 30Hs | Introducción a modelos de aprendizaje automático y profundo. | M04 | Dr. Ing. Martín Bilbao/Mg. Ing. Viviana Mercado |
| Laboratorio Final Integrador (M07) | 30Hs | Trabajo integrador con aplicación de todos los conceptos vistos en la diplomatura | Todos los módulos | Comité Académico |
Formato y horarios de cursado
El cursado se hará en forma virtual sincrónica los días Viernes de 19 a 22 hs y Sábado de 9 a 12 hs. Durante la semana tendrán actividades prácticas asincrónicas complementarias en la plataforma de estudios.
Etapa I: Módulo Estadística Básica (30 horas)
Etapa II: 5 semanas (viernes 15 de septiembre al 13 de octubre de 2023)
- Módulo Taller de Programación para Ciencias de Datos
- Módulo Modelado de Datos
Etapa III: 5 semanas (20 de octubre al 17 de noviembre de 2023)
- Módulo Mineria de Datos
- Módulo Minería de Texto
Etapa IV: 5 semanas
- Módulo Aprendizaje Automático (24 de noviembre al 22 de diciembre de 2023)
- Módulo Laboratorio Final Integrador
Comité de Carrera
DIRECTOR
- Dr. Ing. Martín Bilbao
Comité Académico
- Mg. Ing. Viviana Mercado
- Dr. Ing. Daniel Berns
- Lic. Daniel Ormachea
- Lic. Pablo Rosales
Inscripciones
Profesionales y personal de empresas o instituciones públicas y/o privadas que quieran incursionar en el análisis, modelización y visualización de datos podrán realizar la diplomatura. Los criterios de ingreso:
- Personas con título de grado (mínimo de 4 años) y/o posgrado afines podrán ingresar directamente sin realizar el curso nivelatorio.
- Para aquellos postulantes que dispongan del conocimiento previo en estadística básica, pero que no cumplan con el requisito de poseer titulación de grado y/o posgrado se le tomará un examen nivelador para acreditar dichos conocimientos.
- Las personas que no dispongan del conocimiento previo en estadística básica, deberán aprobar el módulo introductorio previo al ingreso a la diplomatura.
Cualquier otra situación particular, será evaluada por el comité académico de la diplomatura.
CANTIDAD MÁXIMA DE ALUMNOS POR COHORTE: 60 alumnos
Staff de la capacitación
Para llevar a cabo la disertación de la diplomatura contamos con el siguiente Staff de profesionales, que desarrollarán los distintos temas de la misma, y gestionarán el contenido.
Martin Bilbao
Doctor en Ciencias de la Computación e Inteligencia Artificial
Viviana Mercado
Magister en Informática y Sistemas
Miguel Llaryora
Ingeniero Electrónico
Daniel Ormachea
Licenciado en Informática
Francisco Viviers
Licenciado en InformáticaActualmente se desempeña como Jefe de Trabajos Prácticos en la facultad de Ingeniería de la Universidad Nacional de la Patagonia San Juan Bosco en las currículas de “Bases de Datos I”, “Análisis y Diseño de Sistemas”, y “Redes y Transmisión de Datos”.
Miembro de la Comisión Asesora de Carrera del Departamento de Informática de la UNPSJB sede Comodoro Rivadavia.
Experiencia de 17 años como Fullstack Developer, habiendo trabajado en DASU (Obra Social del Personal de la UNPSJB) desde el año 2006 a 2015.
Emprendedor independiente desde 2015 con manejo de herramientas como: MSSQL, Postgresql, Firebird, MariaDB, Clarion 6/8/10, Laminas Framework,y Zend Framework 2.