Magíster en Ciencia de Datos


Adquiere conocimientos en los fundamentos y aplicación del procesamiento, modelamiento y análisis de datos, a través de herramientas computacionales de frontera.

Matricúlate Aquí

Magíster en Ciencia de Datos



Quiénes Somos

La UC Chile es una universidad pública no estatal fundada hace más de 130 años y ocupa actualmente el primer lugar en el ranking QS de Latinoamérica.

En la UC Chile tenemos un compromiso permanente con la calidad, como una forma de expresión de nuestro servicio. Este sello es parte de nuestra misión fundacional. Nos esforzamos por realizar esta labor en forma rigurosa, con altos estándares académicos y adoptando las prácticas internacionales de las mejores universidades. A través de nuestras 18 facultades, abarcamos todas las áreas del conocimiento.

Descripción

El Magíster en Ciencia de Datos UC Chile aporta conocimientos y técnicas avanzadas de la ciencia de datos para su aplicación en la solución a problemas en la academia, industria y el Estado, en todas las áreas del quehacer.

Ciertamente, el área de ciencia de datos (data science) pasó en corto tiempo de ser un tópico de especialistas en estadística y computación a convertirse en tema de discusión masiva por sus profundas implicancias en la sociedad. Tales efectos son tan grandes que se ha llegado a hablar incluso de una nueva revolución similar a la industrial y a la del conocimiento.

Lo más importante de la ciencia de datos es que hoy se considera una herramienta de uso general. De hecho, puede utilizarse y contribuir de manera provechosa a casi cualquier área de aplicación.

La ciencia de datos es un área inherentemente interdisciplinaria que utiliza métodos, procesos y algoritmos para recopilar, almacenar e integrar conjuntos de datos complejos, extraer información relevante desde ellos, y presentarlos de forma adecuada a distintos tipos de usuarios.

Formar un  profesional con estas capacidades no es una tarea fácil; y, ciertamente, la creciente demanda que existe por ellos a nivel mundial supera largamente a la oferta. En ese sentido, este magíster en data science es una necesidad para responder a los desafíos de entornos cada vez más cambiantes; aprovechando toda la riqueza de los datos.

El Magíster en Ciencia de Datos se dicta 100% online, a través de la plataforma Coursera. Lo imparten las facultades de Matemáticas e Ingeniería, y el Instituto de Ingeniería Matemática y Computacional de la Pontificia Universidad Católica de Chile (UC Chile).

El programa ofrece una estructura curricular que entrega una base uniforme en temas de programación y ciencia de datos para un avance exitoso en el programa. Además, tiene una metodología interactiva que aprovecha los recursos tecnológicos e incentiva el trabajo en equipos. También desarrolla la componente de responsabilidad ética y social con altos estándares. Cuenta además con un equipo académico de excelencia mundial.

Esta maestría en ciencia de datos o magíster en data science tiene una duración de 24 meses. Ello incluye 22 horas semanales, 16 cursos y un proyecto final.

Objetivos

Implementar soluciones computacionales para apoyar la toma de decisiones en equipos de trabajo de manera colaborativa.

Comunicar de forma clara y eficiente los resultados relevantes del análisis de datos.

Actuar con responsabilidad, ética e integridad en el manejo y análisis de los datos, considerando las implicancias de su quehacer profesional, y privilegiando el compromiso público y el bien común.

Ejercer en la academia, y en organizaciones públicas o privadas, como ingeniero/a de datos, analista de datos y científico/a de datos. También estarán capacitados para participar en la creación de iniciativas tecnológicas.

Dirigido a

Licenciados en Ciencia de Datos, Ingeniería, Matemática, Estadística, Ciencias Básicas u otras áreas cuya formación interdisciplinaria sea afín a la ciencia de datos y que quieran desempeñarse en la academia, organizaciones públicas o privadas donde se requiera implementar soluciones a través del análisis de datos, en roles como ingeniero de datos, analista de datos, científico de datos o en equipo de creación de emprendimientos tecnológicos.

Metodología 100% online

Aprendizaje práctico

La metodología de cada curso considera la realización de un trabajo práctico y diversas herramientas para realizar ejercicios, junto con analizar casos reales. En la actividad final de graduación se aplican los conocimientos y habilidades adquiridos.

Diversidad de formas de aprender

Los cursos cuentan con una amplia diversidad de recursos, lo que permite un aprendizaje integral. Estos incluyen videoclases, podcast, tutoriales, lecturas, clases sincrónicas, foros de discusión, trabajos individuales y grupales, ejercicios y evaluaciones.

Plataforma de Coursera

El programa se imparte en alianza con Coursera, plataforma de aprendizaje en línea que cuenta con una gran variedad de recursos: videoclases, lecturas, cuestionarios, ejercicios prácticos, foros de discusión, herramientas de interacción con otros estudiantes, etc.

ACLARA TUS DUDAS

Conoce detalles del Magíster en el siguiente video, o si prefieres contáctanos al correo: sebastian.villalobos@programasuc.cl

Malla académica










Introducción a la programación en Python: estructurando datos para problemas reales
Profesor:  

Cristián Ruz, Docteur Université Nice Sophia Antipolis (Francia) Ver más...

Jorge Muñoz, Ph.D Universitat Politècnica de Catalunya (España) Ver más...

Valeria Herskovic, Doctora Universidad de Chile Ver más...

Plan de estudios

Sobre el curso

En este curso los estudiantes revisarán los conceptos fundamentales para el desarrollo de algoritmos y su programación en computadores, abordando conceptos que permitirán el desarrollo de programas más complejos utilizando el lenguaje de programación Python. Para esto, el curso cuenta con variadas actividades formativas (clases, videos y talleres) y evaluaciones que buscan medir tanto el manejo teórico como práctico de los contenidos (tests, proyecto final y foro).
Al finalizar el curso, los estudiantes serán capaces de desarrollar sus propios programas informáticos, utilizando estructuras de datos y tipos de datos propios, para implementar algoritmos más complejos y representar problemas interesantes a través de la programación.

Estructuras de datos secuenciales
  • Listas
  • Tuplas
  • Stacks
  • Colas
Estructuras de datos no-secuenciales
  • Sets
  • Diccionarios
Programación Orientada a Objetos
  • Construyendo nuestros propios tipos de datos
  • Clases, objetos, atributos y métodos
  • Interacción entre objetos
  • Herencia
  • Overriding de métodos
Recursión
  • Funciones recursivas
  • Ejemplos de problemas recursivos: pintar mapas, fractales, etc.

La Pontificia Universidad Católica de Chile se reserva el derecho a modificar el contenido en cualquier momento.

Ingeniería de datos
Profesor:  

Domagoj Vrgoc, Doctor Universidad de Edimburgo (Reino Unido)

Plan de estudios

Sobre el curso

En este curso los estudiantes analizarán, en una primera parte, el modelo relacional de bases de datos y su lenguaje de consultas SQL; posteriormente, se explicará el modelo de datos NoSQL; ambos en el contexto de su uso en el mundo real. El curso cuenta con una serie de actividades formativas (clases de cátedra, videos, talleres), evaluaciones y un proyecto final.

Contenidos

Módulo: 1
  • Conceptos fundamentales de bases de datos
  • Modelo relacional de datos
  • Introducción al lenguaje de consulta SQ
Módulo: 2
  • SQL avanzado (agregación, consultas anidadas)
  • Diseño de una BD relacional
Módulo: 3
  • Rol de SQL en ciencia de datos 
  • Bases de datos NoSQL

La Pontificia Universidad Católica de Chile se reserva el derecho a modificar el contenido en cualquier momento.

Análisis de datos en Python
Profesor:  

Alejandro Cataldo, Ph.D Pontificia Universidad Católica de Chile

Plan de estudios

Sobre el curso

Este curso busca que los estudiantes logren comprender cómo el uso adecuado y eficiente de Python como herramienta computacional para el análisis de datos puede mejorar su toma de decisiones dentro de su organización. Para ello, se introducirán los conceptos básicos y generales del análisis de datos, se revisará la importancia de visualizar e identificar valor en los datos y cómo los distintos métodos descriptivos, predictivos y prescriptivos permiten evidenciar oportunidades y justificar decisiones. Para ejemplificar estos conceptos y su desarrollo a través de Python, se verán casos prácticos en industrias diversas.

Contenidos

Ciencia de Datos y Python
  • Conceptos fundamentales de la ciencia de datos
  • Fundamentos de Python
Manejo de Base de Datos y manejo de los datos
  • Tratamiento y limpieza de datos y análisis de datos masivos
Visualización avanzada de Datos
  • Gráficos
  • Interfaces
Analítica de datos
  • Análisis descriptivo
  • Análisis predictivo
  • Análisis prescriptivo

La Pontificia Universidad Católica de Chile se reserva el derecho a modificar el contenido en cualquier momento.

Introducción a la ciencia de datos
Profesor:  

Paula Aguirre, Doctora Pontificia Universidad Católica de Chile

Plan de estudios

Sobre el curso

Este curso introduce a los estudiantes al campo de la ciencia de datos a través de sus principios básicos y las principales técnicas y herramientas utilizadas. Los estudiantes 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 evaluados en la aplicación a soluciones de problemas contextualizados.

Introducción a Ciencia de Datos y aprendizaje de máquinas
  • ¿Qué es la ciencia de datos? Usos y aplicaciones
  • El proceso de ciencia de datos
  • Herramientas de Python para ciencia de datos
Obtención y transformación de datos
  • Tipos y formatos de datos
  • Fuentes y métodos de extracción de datos
  • Limpieza e integración de conjuntos de datos
Análisis Exploratorio de Datos
  • Estadísticas descriptivas
  • Análisis gráfico univariado
  • Análisis gráfico multivariado
Algoritmos básicos para análisis predictivo
  • Introducción a aprendizaje de máquinas: tipos de aprendizaje y algoritmos básicos
  • Algoritmos de aprendizaje supervisado
  • Algoritmos de aprendizaje no supervisado
  • Resumen y comunicación de resultados

La Pontificia Universidad Católica de Chile se reserva el derecho a modificar el contenido en cualquier momento.

Visualización de datos
Profesor:  

Denis Parra, Ph.D University of Pittsburgh (EE.UU.)

Plan de estudios

Sobre el curso

En este curso los estudiantes obtendrán conocimientos y habilidades para resumir y comunicar resultados de métodos de computación, estadística, minería y análisis de datos. Dentro de las actividades prácticas del curso, los estudiantes estudiarán técnicas y algoritmos para analizar, diseñar y crear visualizaciones efectivas, basadas en principios de diseño gráfico, artes visuales y psicología cognitiva. El curso está orientado a estudiantes con experiencia previa en programación.

Contenidos

Fundamentos
  • Definiciones y ejemplos históricos
  • Marcas, canales, y procesamiento humano de la información
  • Modelo anidado de Munzner para diseño y validación de visualización
  • Reglas y recomendaciones generales para visualizaciones efectivas
Gráficos básicos en Python para datos tabulares
  • Gráficos de barras, barras apiladas, puntos y líneas
  • Gráficos de dispersión, de burbujas y de flujos
  • Gráficos para distribuciones: histograma, densidad, caja y violín
  • Múltiples ejes, radial y torta
Gráficos avanzados en Python para datos tabulares
  • Mapa de calor, densidad 2D, treemap
  • Matriz de gráficos y pequeños múltiples
  • Reducción de dimensionalidad lineal
  • Reducción de dimensionalidad no lineal
Implementación de gráficos en Python con datos de red, texto y espaciales
  • Grafos y árboles: diagramas nodo-enlace y de adyacencia
  • Grafos y árboles II: gráficos tipo encierro, clustermap y dendograma
  • Visualización de texto
  • Visualización espaciotemporal

La Pontificia Universidad Católica de Chile se reserva el derecho a modificar el contenido en cualquier momento.

Aprendizaje estadístico y computacional
Profesor:  

Jonathan Acosta, Doctor USM-PUCV-UV (Chile)

Plan de estudios

Sobre el curso

En este curso los estudiantes aprenderán los conceptos elementales de machine learning y varias metodologías de aprendizaje supervisado y no supervisado. El estudiante deberá ser capaz de identificar los métodos más apropiados, aplicarlos y compararlos en diferentes contextos, en particular, para problemas de grandes volúmenes de datos.

Introducción a Machine Learning
  • Tipos de aprendizaje
  • Modelos de regresión lineal y logística
  • Etapas del modelamiento en machine learning
Aprendizaje Supervisado
  • Árboles de decisión
  • Bosque aleatorio
  • Clasificador bayesiano ingenuo
  • K-vecinos más cercanos (KNN)
  • Máquinas de vectores de soporte (SVM)
Aprendizaje No Supervisado
  • Análisis de componentes principales (PCA)
  • K-medias
  • Agrupación jerárquica

La Pontificia Universidad Católica de Chile se reserva el derecho a modificar el contenido en cualquier momento.

Ingeniería de software
Profesor:  

Yadran Eterovic, Ph.D The University of California (EE.UU.)

Plan de estudios

Sobre el curso

En este curso los estudiantes aprenderán conceptos, técnicas y metodologías que se utilizan para el desarrollo de software confiable y robusto. Los estudiantes serán capaces de entender las distintas etapas del proceso de desarrollo de software, incluyendo la especificación de requisitos, el diseño, el desarrollo, la gestión, técnicas de verificación y validación de software.

Proceso
  • Proceso/modelo en cascada
  • Procesos iterativos: prototipos y RUP
  • Procesos incrementales métodos ágiles
  • Scrum y Kanban
Gestión del Proyecto
  • Requisitos funcionales y no funcionales
  • Casos de uso y relatos de usuarios
  • Actividades de gestión estimaciones
  • Planeación de producto, release y sprint
Diseño y Arquitectura
  • Conceptos fundamentales
  • Atributos de un buen diseño acoplamiento y cohesión
  • Diagramas UML de clases, secuencia y estados patrones de diseño
  • Arquitecturas cliente servidor y multicapas
  • Arquitectura orientada a servicios y microservicios
Aseguramiento de Calidad (QA)
  • Definiciones de calidad
  • Prevención de defectos
  • Detección y eliminación de defectos (testing)

La Pontificia Universidad Católica de Chile se reserva el derecho a modificar el contenido en cualquier momento.

Procesamiento de datos masivos
Profesor:  

Juan Reutter, Ph.D Edinburgh University (Reino Unido)

Plan de estudios

Sobre el curso

En este curso, los y las estudiantes aprenderán a trabajar con datos masivos, ya sea estructurados o semiestructurados, a recolectar información desde fuentes web, y a hacer análisis basados en descripciones de los sets de datos. Metodológicamente, en el curso se trabaja con aprendizaje basado en problemas, en donde todas las semanas se orientan a resolver un problema en particular.

Contenidos

Módulo 1: Modelo de regresión clásica
  • Paradigma de Data Warehousing
  • Trabajando con datos en la Nube
  • Introducción a Google Cloud Platform y Big query
  • Consultando datos en Big Query
  • Map Reduce
  • Algoritmos con Map Reduce
  • Databricks como plataforma de computo
  • Map Reduce en Databricks
Módulo 2: Trabajo con texto
  • TF-IDF y búsqueda
  • Índices para búsqueda por texto
  • Búsqueda por texto en BigQuery
  • Análisis de logs o registros
  • Estructura de la web
  • Scrap de HTML
  • Acceso a API (Twitter o similar)
  • Scrap Información en la web
Módulo 3: Búsqueda de elementos de datos básicos
  • Elementos como conjuntos
  • Locally sensitive hashing 
  • Etapas en el procesado de datos para búsqueda de elementos similares
  • Técnicas de minería v/s inteligencia artificial
  • Modelos de canastas y reglas de asociación
  • Algoritmo a-priori
  • Etapas en el procesado para búsqueda de elementos
  • Aplicaciones de elementos frecuentes
Módulo 4: Grafos y redes sociales
  • El paradigma de grafos y sus aplicaciones
  • Extracción de información en grafos
  • Centralidad, pagerank
  • Detección de comunidades

La Pontificia Universidad Católica de Chile se reserva el derecho a modificar el contenido en cualquier momento.

Ciencia de datos responsable
Profesor:  

Luis Cristóbal Rojas, Doctor Universita de Pisa (Italia) y École Polytechnique (Francia).

Plan de estudios

Sobre el curso

En este curso los estudiantes aprenderán los principios éticos, las herramientas y metodologías fundamentales que cimentan el uso responsable de los datos en distintos contextos. Se combinará una serie de lecturas con laboratorios, tareas y proyectos prácticos que permitan a los estudiantes entender tanto la crítica como la solución a problemas relacionados con transparencia, interpretabilidad, privacidad y sesgo, entre otros. 

Introducción
  • Ejemplos de temas éticos en ciencia de datos
  • Imparcialidad y diversidad, imposibilidad teórica
  • Transparencia y gobernanza
  • Privacidad
  • Ciclo de vida de los datos: perfiles y limpieza de datos
Imparcialidad y diversidad
  • Definiciones de imparcialidad
  • La necesidad de una mirada socio-tecnológica
  • Diversidad, regla de Rooney
  • Calidad de datos vs. imparcialidad y transparencia
Transparencia, interpretabilidad, privacidad y protección de datos
  • Necesidad de la transparencia e interpretabilidad
  • Explicaciones locales e influencia causal
  • Transferencia responsable de datos
  • Anonimización y sus límites
  • Privacidad diferencial
Códigos legales y de conducta
  • Principios éticos y normativas legales
  • Regulaciones sobre protección general de datos

La Pontificia Universidad Católica de Chile se reserva el derecho a modificar el contenido en cualquier momento.

Series de tiempo
Profesor:  

Manuel Sánchez, Ph.D Brown University (EE.UU.)

Plan de estudios

Sobre el curso

El estudiante conocerá los modelos de series cronológicas y sus aplicaciones, y aprenderá la metodología estadística para el manejo de modelos de predicción y su aplicación a casos reales. Al final del curso será capaz de identificar problemas que pueden resolverse mediante análisis de series de tiempo, proponer modelos de series de tiempo según las características de la aplicación, evaluar el mejor modelo que se ajuste a los datos observados y realizar predicciones y evaluar la incertidumbre. 

Introducción
  • Ejemplos
  • Dependencia serial
  • Ausencia de estacionariedad
  • Test de blancura
Procesos Lineales
  • Estacionariedad e invertibilidad
  • Causalidad
  • Representación de procesos lineales
  • Dependencia
  • Modelo ARMA
  • Función de auto-covarianza, ACF y PACF
Estimación y Predicción
  • Construcción de modelos
  • Parsimonia y criterios de información
  • Estimación de la media, de auto-covarianzas, de momentos y máximo verosímil
  • Inferencia estadística
  • Predicción pasado finito e infinito
  • Construcción de bandas de predicción
Procesos No Estacionarios y Estacionales
  • Tendencia determinística y estocástica
  • Test de raíces unitarias
  • Modelos ARIMA, ARIMAX, SARIMA y SARIMAX

La Pontificia Universidad Católica de Chile se reserva el derecho a modificar el contenido en cualquier momento.

Actividad de graduación I
Profesor:  

Manuel Sánchez, Ph.D Brown University (EE.UU.)

Plan de estudios

Sobre el curso

En este curso los estudiantes definirán su tema de proyecto de graduación y desarrollarán una propuesta concreta de su proyecto. Para esto, los estudiantes deberán hacer un estudio bibliográfico del tema específico, presentar un desafío en la metodología actual de dicho tema y proponer posibles innovaciones e ideas que aporten potencialmente a superar este desafío. El proyecto será desarrollado en grupo, teniendo por resultado la base metodológica del proyecto.

Planteamiento del problema de investigación
Metodologías de investigación
Evaluación de aspectos éticos del proyecto de investigación

La Pontificia Universidad Católica de Chile se reserva el derecho a modificar el contenido en cualquier momento.

Actividad de graduación II
Profesor:  

Manuel Sánchez, Ph.D Brown University (EE.UU.)

Plan de estudios

Sobre el curso

En este curso los estudiantes integrarán sus conocimientos adquiridos durante sus estudios, para continuar con sus avances de trabajo de graduación, de acuerdo a las sugerencias y ajustes propuestos en la Actividad de graduación I. Para ello aplicarán las estrategias metodológicas definidas para abordar la temática escogida del proyecto en áreas afines a la ciencia de datos, analizando los resultados a partir de las hipótesis establecidas.

Metodologías de investigación
Reporte de resultados
Evaluación de aspectos éticos del proyecto

La Pontificia Universidad Católica de Chile se reserva el derecho a modificar el contenido en cualquier momento.

Actividad de graduación III
Profesor:  

Manuel Sánchez, Ph.D Brown University (EE.UU.)

Plan de estudios

Sobre el curso

En este curso los estudiantes desarrollarán su trabajo de graduación. Los estudiantes deberán continuar con la realización de la metodología y análisis de resultados de su proyecto vinculado con una organización externa. Deberán realizar las conclusiones y el escrito del proyecto.

Metodologías
Reporte de resultados
Evaluación de aspectos éticos del proyecto

La Pontificia Universidad Católica de Chile se reserva el derecho a modificar el contenido en cualquier momento.

Optativo
Profesor:  

Domingo Mery, Doctor Technische Universitat Berlin (Alemania) Ver más...

Pedro Ramos, Doctor Universidad de São Paulo (Brasil) Ver más...

Rodrigo Toro, Ph.D Universidad de Toronto (Canadá) Ver más...

Valeria Leiva, Doctora Pontificia Universidad Católica de Chile Ver más...

Plan de estudio

Cursos optativos

Para completar el Magíster debes elegir y cursar exitosamente 6 cursos optativos.

Listado de cursos

Optativo opción 1: Aprendizaje profundo
En este curso los estudiantes obtendrán los conocimientos necesarios para utilizar deep learning de manera efectiva. Hoy en día, usar deep learning es fácil. El desafío es hacer que funcione bien. Para ello, es necesario entender cómo funciona deep learning y por qué. Este curso es una mezcla entre teoría y práctica. Todo contenido teórico es visto en vías de entender los principios prácticos que hacen funcionar deep learning. El contenido práctico incluye ejemplos de aplicaciones exitosas y trabajos propuestos para los estudiantes.

Optativo opción 2: Sistemas recomendadores
En este curso, los estudiantes estudiarán los principales algoritmos usados para generar recomendaciones, las fuentes de datos utilizadas por dichos algoritmos y diversas formas de evaluar la calidad de un sistema recomendador. Teniendo presente que, los sistemas recomendadores tienen como objetivo ayudar a un usuario o a grupos de usuarios a filtrar y descubrir información relevante, de manera personalizada, desde grandes volúmenes de datos. El curso se desarrollará a través de videos y algunas lecturas, así como con evaluaciones incrementales con alternativas, y con evaluaciones prácticas donde deben programar en lenguaje Python.

Optativo opción 3: Procesamiento de imágenes
En este curso se estudiarán los fundamentos teóricos básicos que son aplicados en el área de procesamiento de imágenes tales como formación y mejoramiento de las imágenes en el dominio del espacio y de la frecuencia, filtros digitales, restauración, procesamiento morfológico y segmentación tanto en blanco y negro como a color. Los fundamentos teóricos aprendidos serán aplicados a problemas prácticos probando y programando algoritmos de procesamiento de imágenes en Python.

Optativo opción 4: Estadística aplicada
En este curso, los estudiantes aprenderán diferentes técnicas estadísticas no estándar, tales como muestreo, datos longitudinales, datos espaciales y análisis de sobrevida. Los contenidos son conceptuales y aplicados, con los cuales los estudiantes serán capaces de comprender los elementos claves de cada metodología y, a partir de un problema planteado, identificar y aplicar la técnica más apropiada.

Optativo opción 5: Métodos bayesianos
En este curso los estudiantes conocerán los elementos claves de la estadística bayesiana. En particular, se estudian modelos, métodos computacionales de simulación y criterios de comparación de modelos. El curso es de carácter práctico y pone énfasis en aplicaciones.

Optativo opción 6: Análisis de redes sociales
En este curso los estudiantes aprenderán los conceptos básicos, modelos principales para generar grafos y metodología de inferencia estadística para la investigación de redes sociales. Además, serán capaces de comparar teorías y metodologías desde distintas disciplinas como estadística, ciencia de la computación y ciencias sociales. En particular, los estudiantes adquirirán herramientas para visualizar, representar, estimar y extraer patrones significativos de redes sociales.

La Pontificia Universidad Católica de Chile se reserva el derecho a modificar el contenido en cualquier momento.

Director de Programa

Manuel Sánchez

Ph.D Brown University (EE.UU.)

Manuel Sánchez tiene un Ph.D en Applied Mathematics, Brown University (EE.UU., 2016).

Es profesor asistente del Instituto de Ingeniería Matemática y Computacional de la Pontificia Universidad Católica de Chile (UC).

Asimismo, se desempeña como director de programa del Magíster en Ciencia de Datos UC Chile, que se imparte online a través de Coursera.

Su especialidad es numerical analysis, partial differential equations (PDE) y scientific computing.

Profesores

Alejandro Cataldo

Ph.D Pontificia Universidad Católica de Chile

Alejandro Cataldo es Ph.D en Ciencias de la Ingeniería, Pontificia Universidad Católica de Chile (UC), 2018.

Académico de la Escuela de Ingeniería y del Instituto de Ingeniería Matemática y Computacional de la UC.

Asimismo, se ha especializado en herramientas analíticas y matemáticas para apoyar procesos de toma de decisiones en sistemas complejos.

Además, en el sector público, ha sido consultor para el Ministerio de Salud y de Educación, Corfo, Junaeb y municipalidades; en el sector privado, empresas de minería, forestales, agroindustriales, cadenas de supermercados, farmacias, veterinarias y el sector bancario.

Cuenta con más de 13 publicaciones científicas de alto impacto en investigación de operaciones.

Cristián Ruz

Docteur Université Nice Sophia Antipolis (Francia)

Cristián Ruz es docteur, Université Nice Sophia Antipolis (Francia). También tiene un Magíster en Ciencias de la Ingeniería, Pontificia Universidad Católica de Chile (UC). Además, es ingeniero civil en Computación, UC.

Actualmente, se desempeña como profesor asistente adjunto del Departamento de Ciencia de la Computación de la UC.

Denis Parra
Denis Parra

Ph.D University of Pittsburgh (EE.UU.)

Denis Parra es Ph.D. en Philosophy in Information Science, University of Pittsburgh, Estados Unidos.

Profesor del Departamento de Ciencia de la Computación de Ingeniería de la Pontificia Universidad Católica de Chile (UC).

Además, realiza investigación y desarrollo de sistemas sociotécnicos, desde diversas perspectivas.

Entre sus áreas de interés se encuentran los sistemas recomendadores y el uso de visualizaciones tanto para crear aplicaciones como para analizar los datos.

Domagoj Vrgoc
Domagoj Vrgoc

Doctor Universidad de Edimburgo (Reino Unido)

Domagoj Vrgoc es doctor en Ciencias de la Computación, Universidad de Edimburgo (Reino Unido), 2014.

Es profesor asistente del Instituto de Ingeniería Matemática y Computacional de la Pontificia Universidad Católica (UC).

Además, sus áreas de interés son bases de datos, la web semántica y teoría de computación.

Asimismo, la British Computing Society destacó su tesis de doctorado como una de las mejores de su generación.

Domingo Mery

Doctor Technische Universitat Berlin (Alemania)

Domingo Mery es doctor en Ciencias de la Información, Technische Universitat Berlin (Alemania), 2000.

Es profesor titular del Departamento de Ciencia de la Computación de Ingeniería de la Pontificia Universidad Católica de Chile (UC).

Sus líneas de investigación incluyen visión por computador, procesamiento de imágenes y reconocimiento de patrones.

Jonathan Acosta

Doctor USM-PUCV-UV (Chile)

Jonathan Acosta tiene un Doctorado en Matemática, consorcio Universidad Técnica Federico Santa María (USM), Pontificia Universidad Católica de Valparaíso (PUCV) y Universidad de Valparaíso (UV).

También es ingeniero civil matemático con mención en Estadística Aplicada y licenciado en Ciencias de la Ingeniería Matemática, ambos de la Universidad Técnica Federico Santa María (USM).

Asimismo, Jonathan Acosta dicta el curso Aprendizaje estadístico y computacional del Magíster en Ciencia de Datos de UC Chile (online).

Además, sus líneas de investigación corresponden a:

  • modelamiento de datos dependientes
  • estadística computacional y extracción de conocimiento desde bases de datos no estructuradas
  • modelación estadística para aplicaciones multidisciplinarias
Jorge Muñoz

Ph.D Universitat Politècnica de Catalunya (España)

Jorge Muñoz es Ph.D en Computación, Universitat Politècnica de Catalunya. 2014.

Es autor de más de 80 publicaciones en process mining, incluyendo el libro Conformance Checking and Diagnosis in Process Mining.

Miembro del IEEE Task Force on Process Mining Steering Committee y chair en la Business Process Management.

Juan Reutter

Ph.D Edinburgh University (Reino Unido)

Juan Reutter  es Ph.D. en Philosophy in Informatics, Edinburgh University, Edinburgh, Escocia, Reino Unido.

Es profesor del Departamento de Ciencia de la Computación de Ingeniería de la Pontificia Universidad Católica de Chile (UC). Investigador del Centro de Investigaciones de la Web Semántica de Chile.

Sus intereses de investigación están en la gestión de datos y teoría de autómatas.

Ha recibido los premios Ramón Salas y Cor Baayen de ERCIM.

Luis Cristóbal Rojas

Doctor Universita de Pisa (Italia) y École Polytechnique (Francia).

Luis Cristóbal Rojas es doctor en Matemáticas, Universita de Pisa (Italia), 2008, y doctor en Ciencias de la Computación, École Polytechnique (Francia), 2008.

Es profesor asociado del Instituto de Ingeniería Matemática y Computacional de la UC.

Además, sus áreas de investigación incluyen: teoría de algoritmos, aleatoriedad e información, probabilidades, complejidad computacional, sistemas dinámicos y teoría ergódica, análisis geométrico, física y computación.

Manuel Sánchez, Magíster en Ciencia de Datos UC Chile, magíster ciencia de datos online
Manuel Sánchez

Ph.D Brown University (EE.UU.)

Manuel Sánchez tiene un Ph.D en Applied Mathematics, Brown University (EE.UU., 2016).

Es profesor asistente del Instituto de Ingeniería Matemática y Computacional de la Pontificia Universidad Católica de Chile (UC).

Asimismo, se desempeña como director de programa del Magíster en Ciencia de Datos UC Chile, que se imparte online a través de Coursera.

Su especialidad es numerical analysis, partial differential equations (PDE) y scientific computing.

Paula Aguirre

Doctora Pontificia Universidad Católica de Chile

Paula Aguirre es doctora en Astrofísica, Pontificia Universidad Católica de Chile (UC), 2012. Asimismo es ingeniera civil mecánica y licenciada en Astronomía de la UC.

Es profesora asistente del Instituto de Ingeniería Matemática y Computacional UC. También, investigadora del Centro Nacional de Investigación para la Gestión Integrada de Desastres Naturales (Cigiden).

Pedro Ramos

Doctor Universidad de São Paulo (Brasil)

Pedro Ramos tiene un Doctorado en Estadística, Universidad de São Paulo (2018), una Maestría en Matemáticas Aplicadas y Computacionales de la Universidad Estatal de São Paulo, Brasil, y una Licenciatura en Estadística de la misma universidad.

Fue becario postdoctoral de la Universidad de São Paulo desde 2018 hasta 2021.

Es profesor asistente del Departamento de Estadística de la Pontificia Universidad Católica de Chile (UC).

Asimismo, es profesor del Magíster en Ciencia de datos UC Chile (online), que se imparte a través de Coursera.

 

Rodrigo Toro

Ph.D Universidad de Toronto (Canadá)

Rodrigo Toro es Ph.D y Master en Inteligencia Artificial, Universidad de Toronto (Canadá). Es egresado de Ingeniería, Pontificia Universidad Católica de Chile (UC).

También es profesor asistente del Departamento de Ciencia de la Computación de la Facultad de Ingeniería de la UC, y enseña en el Magíster en Ciencia de Datos UC Chile (online), que se imparte en Coursera.

Actualmente es miembro de los grupos de investigación IALab y CENIA.

Valeria Herskovic

Doctora Universidad de Chile

Valeria Herskovic es doctora en Ciencias, mención Computación, Universidad de Chile, 2010.

Asimismo, es profesora asociada del Departamento de Ciencias de la Computación de la Pontificia Universidad Católica de Chile (UC).

Su investigación está enfocada en sistemas de información, sistemas colaborativos, dispositivos móviles, interfaces humano-computador y redes sociales.

Valeria Leiva

Doctora Pontificia Universidad Católica de Chile

Valeria Leiva tiene un Doctorado y un M. Sc. en Estadística, Pontificia Universidad Católica de Chile (UC).

Es profesora en el Magíster de Ciencia de Datos UC Chile (online), que se imparte a través de Coursera.

Su investigación se centra en el modelado conjunto de datos longitudinales y de supervivencia.

Además, sus áreas de interés corresponden a métodos estadísticos en salud pública y métodos computacionales.

Yadran Eterovic

Ph.D The University of California (EE.UU.)

Yadran Eterovic tiene un Ph.D y Master of Science, The University of California, EE.UU. Además, es
ingeniero civil electricista, Pontificia Universidad Católica de Chile (UC).

Se desempeña como profesor asociado del Departamento de Ciencia de la Computación de la UC, y es coordinador docente de postgrado de la misma unidad académica.

También es profesor del Magíster de Ciencia de Datos UC Chile (online), que se imparte a través de Coursera.

Sus líneas de investigación corresponden a:

  • Ingeniería de software
  • interfaces humano-computador
  • sistemas colaborativos

Ventajas

Prestigio UC

La UC es una universidad pública no estatal fundada en 1888, que ocupa hace varios años el primer lugar en el ranking QS Latinoamericano.

El compromiso con la calidad es nuestro sello. Mantenemos altos estándares académicos y adoptamos las mejores prácticas internacionales de educación superior. En 18 facultades, abarcamos todas las áreas del conocimiento.

Equipo docente de excelencia

La UC promueve la investigación científica y aplicada de impacto entre sus académicos, quienes cuentan con gran experiencia en pregrado, postgrado y educación continua. Los profesores son expertos en los temas del programa; con vasta presencia internacional en investigación y desarrollo de proyectos de transferencia con empresas e instituciones del Estado.

Flexibilidad

Los estudiantes podrán ajustar el programa a sus horarios, dentro de un cierto período. Además, contarán con el apoyo de tutores y con clases sincrónicas para interactuar con sus profesores. También tendrán disponibles herramientas tecnológicas para el desarrollo de proyectos y para fomentar la interacción entre estudiantes, profesores y tutores.

Requisitos de postulación

Para postular al programa debes llenar tu postulación en línea y cumplir con los siguientes requisitos:

  • Licenciatura en Ciencia de Datos, Ingeniería, Matemática, Estadística, Ciencias Básicas, u otras afines.
  • 2 años experiencia laboral en área afín.

Este programa considera trabajos grupales y, en algunos casos, evaluará la participación en clases, por tanto el postulante deberá tener un nivel de español acorde, para participar de estas actividades.

Inversión

Precios

Precio :
USD $10.000

CLP $8.700.000

Medios de pagos Chile

  • 12 cuotas sin interés con tarjeta de crédito
  • Pago al contado vía transferencia electrónica, con lo que obtendrás un 5% de descuento acumulable
  • Pago en 10 cuotas bimestrales a través de Webpay

Medios de pagos internacional

  • Pago al contado vía transferencia electrónica, con lo que obtendrás un 5% de descuento acumulable
  • Pago en 10 cuotas bimestrales a través de Paypal

 

Clase Ejecutiva UC

Certificados apostillados

Una de las características más importantes de los títulos emitidos por la Pontificia Universidad Católica de Chile es que pueden ser apostillados gracias al Convenio de la Apostilla de la Haya. La Apostilla es una certificación única que permite agilizar el proceso de acreditación y certificación de títulos o documentos extranjeros en algún país miembro del Convenio de la Apostilla. Los documentos emitidos en Chile para ser utilizados en un país miembro del Convenio de la Apostilla que hayan sido certificados mediante una Apostilla, deberán ser reconocidos en cualquier otro país del convenio sin necesidad de otro tipo de certificación. Más información sobre el proceso de Apostilla en http://apostilla.gob.cl. El título de grado es apostillable. Sin embargo, UC Chile no se hace parte de la gestión de apostillarlo.

Conoce el Magíster