Plan de estudios

El aprendizaje automático (machine learning) es un área de muy rápido crecimiento y gran actualidad que se ubica en la intersección de las ciencias de la computación y la estadística.

Es la piedra fundamental de los motores de búsqueda, los filtros colaborativos usados para recomendación personalizada, la traducción automática, el reconocimiento de voz y de imágenes, etc.

Esta materia presenta los elementos fundamentales que constituyen el cuerpo teórico-práctico esencial de las técnicas de aprendizaje automático. En particular, el curso cubre los enfoques y algoritmos básicos necesarios para construir modelos para su utilización en el análisis predictivo de grandes volúmenes de datos.

El objetivo de este curso es estudiar distintos paradigmas de bases de datos. Los objetivos específicos son: presentar el dinamismo existente en el campo de las bases de datos e incentivar la investigación de tecnologías de bases de datos orientadas a big data.

Durante el curso se verán paradigmas que van desde bases de datos embebidas en dispositivos móviles hasta los nuevos modelos no relacionales NoSQL. Al final del curso el estudiante tendrá́ las herramientas necesarias para poder analizar y seleccionar la tecnología de base de datos que mejor se adapte a sus necesidades.

Este curso tiene por objetivo general que los estudiantes integren los conceptos clave de la analítica de datos: qué implica generar ventajas competitivas a partir de los datos y cómo aplicar técnicas de inteligencia artificial y análisis de datos para la resolución de problemas de negocio.

En este sentido, se buscará que los estudiantes puedan diferenciar y emplear los diferentes conceptos vinculados a la analítica de datos: ciencia de datos, metodologías, roles, tecnologías y técnicas de modelado.

Por último, se busca que los participantes del curso puedan desarrollar las competencias prácticas para integrar el análisis de datos a la toma de decisiones, como método de resolución de problemas comunes con abordajes innovadores.

En este sentido, el curso tendrá un abordaje teórico práctico, en el cual los estudiantes puedan ir aplicando los fundamentos de análisis de datos cubiertos en casos de negocio y datos reales, desde el entendimiento del problema, a la extracción de insights accionables a partir de los datos.

Uno de los problemas fundamentales en aprendizaje automático es la representación del conocimiento. Las técnicas y modelos de aprendizaje profundo constituyen un paradigma cuyo factor central es la representación de modelos complejos mediante la composición de representaciones más simples.

Esta materia presenta los modelos fundamentales de aprendizaje profundo, en particular, diferentes tipos de redes neuronales, así como una metodología de aplicación práctica. Además, se presentan implementaciones paralelas y distribuidas de los algoritmos que proveen soluciones eficientes en diferentes arquitecturas.

El objetivo de este curso es proporcionar una introducción general de los principales conceptos, desafíos y terminología que definen la esencia misma de la analítica de grandes volúmenes de datos.

Se presentan las diversas características que distinguen a los grandes conjuntos de datos y el ciclo de vida de la analítica, desde la identificación hasta la utilización final para la toma de decisiones.

Se discute cómo los grandes volúmenes de datos impactan en la inteligencia de negocios. Se estudian las diferentes fases de la analítica de big data, en cuanto a los requerimientos, infraestructura y mecanismos necesarios para el almacenamiento, procesamiento y análisis de grandes volúmenes de datos.

El objetivo de este taller es poner en práctica los conocimientos, competencias y herramientas necesarias con el fin de poder sobrellevar los retos relacionados con la gobernanza y la toma de decisiones a partir de grandes volúmenes de datos en diferentes áreas de negocio, en particular, organizaciones relacionadas con la salud, empresas, organismos públicos, etc.

Por ejemplo, un proyecto tipo consistirá en la elaboración de una serie de dashboards cuyo objetivo es responder a las preguntas que se formulan los responsables de las diferentes áreas de una organización, tales como ¿es posible personalizar los mensajes de marketing en tiempo real? ¿se puede lograr aumentar las compras online de los clientes en un 15%?

La capacidad de utilizar todos los datos de la empresa y los recursos disponibles cuando se necesita es una herramienta esencial para mejorar la toma de decisiones.

Los grandes volúmenes de datos a explorar, la complejidad de los modelos, sumados a los requerimientos específicos de ejecución en tiempo real hacen necesario recurrir a la paralelización y distribución masiva del procesamiento, esto es, el análisis coordinado de los datos por múltiples procesadores.

Sin embargo, decidir qué algoritmos y qué plataformas son las más adecuadas en un contexto determinado no es para nada sencillo. El objetivo de este curso es presentar los conceptos teóricos y prácticos fundamentales para entender en detalle la relación costo-beneficio de cada opción disponible en cuanto a la ejecución paralela y distribuida de las técnicas de analítica inteligente de datos a gran escala.

Los datos en forma de series de tiempo surgen en diversas áreas, como la economía, las ciencias sociales, etc. El creciente interés en el análisis de series de tiempo en los últimos años es consecuencia de su amplia aplicabilidad como herramienta para el modelado de sistemas dinámicos y la predicción y el control del comportamiento de dichos sistemas.

Este curso está destinado a presentar los modelos básicos, métodos y conceptos de análisis de series temporales. La presentación será equilibrada entre teoría y práctica. Se pondrá énfasis en el desarrollo y evaluación de modelos y pronósticos en aplicaciones prácticas a través de casos de estudio y el uso de herramientas informáticas existentes.

Esta materia aborda el proceso, las técnicas y patrones de llevar sistemas de aprendizaje automático (o machine learning) a producción con un enfoque teórico-práctico.

Se presentan los conceptos centrales que conforman el ciclo de vida y las operaciones de los proyectos de aprendizaje automático en la industria, con la finalidad de comprender y resolver los desafíos que se presentan al interactuar con una realidad cambiante y cumplir con los requerimientos del sistema.

En particular, el curso cubre las herramientas y prácticas necesarias para partir de un problema de aprendizaje automático y servirlo en producción, tomando las consideraciones necesarias, paso fundamental para materializar el valor de una solución de aprendizaje automático.

El trabajo final comprende la realización de un proyecto o tesis de investigación aplicada o de innovación científico-técnica en el área de aplicación del Master, poniendo en práctica los conocimientos y habilidades adquiridas.

El trabajo final puede ser individual o grupal. Los estudiantes deberán presentar una propuesta de plan de trabajo al coordinador académico, quién evaluará el cumplimiento de los requisitos mencionados, además de su viabilidad.