Professional Documents
Culture Documents
DPP Uc 13072020
DPP Uc 13072020
OBJETIVOS DE APRENDIZAJE
» Conocer y utilizar el lenguaje Python en todo su
potencial.
Curso: Curso:
DESARROLLO DE SOFTWARE CON PYTHON PYTHON Y BASES DE DATOS
• Estructuras de datos secuenciales: listas, tuplas, colas. • Conceptos fundamentales de bases de datos.
• Estructuras de datos no secuenciales: diccionarios y sets. • El modelo relacional.
• El lenguaje de consultas estándar SQL.
• Clases, objetos, atributos y métodos.
• Interacción directa con una base de datos relacional usando
• Interacción entre objetos. SQL.
• Uso de módulos y bibliotecas existentes. • Conectores y librerías Python para trabajo con bases de
datos relacionales.
• Extracción directa de información desde un programa
Python.
• La librería Pandas y el concepto de Dataframe.
• Extracción de información de mediana complejidad desde
un programa Python.
• Modificación y eliminación de información de la base de
datos desde Python.
• El modelo de documentos.
• El formato JSON.
• Interacción con una base de datos de documentos desde un
programa Python.
Curso: Curso:
PYTHON PARA MACHINE LEARNING PYTHON Y LA WEB
• Conceptos fundamentales de Machine Learnings. • Contenido de las páginas con HTML y CSS.
• Análisis, procesamiento y visualización de datos a través de • El protocolo HTTP.
Python. • Arquitectura MVC/T de la aplicación Web.
• Algoritmos de aprendizaje supervisado en Python utilizando • El framework Django: apps, representación de datos en
scikit-learn. modelos, migraciones, views, settings, templates, forms,
- Regresión Lineal. admin.
- Regresión Logística. • JavaScript y procesamiento en el lado del cliente.
- Regresiones Polinomiales. • APIs REST.
- Regresiones con penalización. • Django REST Framework: endpoints, viewsets,
- Árboles de Decisión. documentación automática.
- Random Forest.
- Random Forest para regresiones.
- Naive Bayes.
- Vecino más cercano.
- Redes Neuronales.
- Selección de modelos.
• Algoritmos de aprendizaje no supervisado en Python
utilizando scikit-learn.
- K-means.
- Mezcla de Gaussianas.
- Cluster Jerárquico.
- Autoencoders.
Nota: El orden de los cursos dependerá de la programación que realice la Dirección Académica.
EQUIPO DOCENTE
IGNACIO BECKER
Ph.D. candidate in Computer Science, UC. Licenciado en Astronomía, UC.
GABRIEL DIEGUEZ
Project Manager en Magnet SPA. Magíster en Ciencias de la Ingeniería, UC,
Ingeniero Civil en Computación, UC. Profesor Instructor Adjunto del
Departamento de Ciencia de la Computación, UC.
FRANCISCO PÉREZ
Magíster en Gestión de Operaciones, Universidad de Talca. Ingeniero Civil
Industrial. Cursa el doctorado en Ciencias de Ingeniería UC. Profesor
part-time en la Facultad de Ingeniería y en la Facultad de Economía de la
Universidad de Talca. Profesor Asistente en las cátedras de Minería de
Datos y Tópicos Avanzados de Inteligencia de Máquina UC.
CRISTIÁN RUZ
Docteur, Université Nice Sophia Antipolis. Magíster en Ciencias de la
Ingeniería e Ingeniero Civil en Computación, UC. Profesor Asistente
Adjunto del Departamento de Ciencia de la Computación, UC.
MODALIDAD
» Online
REQUISITOS
» Licenciatura o título profesional que incluya competencias
de programación.
Consulta por descuentos, facilidades de pago y convenios con tu banco para pago en cuotas.