es _ _Educacion Continua }UC | Chile — Formando personas Diplomado en Machine Learning aplicad Acerca del programa: Fecha de Ilo: ‘8 mayo 2024 En la era digital, la masiva produccién de datos abre infinitas oportunidades para un efectivo andlisis de éstos. El diplomado en Machine Learning Valor: aplicado apunta a brindar una sélida formacién préctica en las principales {$2,500,000 técnicas, tecnologias y tendencias que marcan el estado del arte en el uso 2.78 USD de Machine Learning para el procesamiento y andlisis de datos. Hasta 12 cuotas sin interés, Pag $208,334 al mes Dirigido a: Cinicio - rérnino 8 mayo 2024 al 4 noviembre 2024 + Ingenieros de todas las especialidades, que trabajen con datos, o que requieran conocimientos o habilidades en la materia, © ouracion = Licenciados en Computacién, y otros profesionales licenciados y/o con 144 Horas cronolégicas experiencia en éreas afines, que requieren conocimientos o habilidades en la 192 Horas pedagdgicas, materia + Astrénomos, Matematicos, Estadisticos, Bidlogos y otros profesionales de @noranio 4reas cientificas afines que trabajen con datos, o que requieran Lunes y miércoles de 18:30 a 21:45 conocimientos o habilidades en la materia, horas ‘Punipan QUE vICTA EL PROGRAMA Escuela de Ingenieria Jefe de programa 5 Brio Hans Lobel — Diplomado Doctor y Magister en Ciencias de la Ingenierfa, Ingeniero Civil de Computacién, UC. Profesor Asistente del f wooatioao Departamento de Ciencia de la Computacién y del Departamento de Ingenieria de Transporte y Logistica de la Escuela de Ingenieria UC. Especialista en aprendizaje de maquina (Machine Learning), reconocimiento visual y Big © Lucan DE REALIZACION Data, Su area principal de trabajo es el desarrollo de ‘técnicas de aprendizaje profundo para andlisis de datos no estructurados con aplicaciones en el érea de Smart Cities. Online - Clases en vivo Plataforma Este programa requiere de un ndmero ‘minimo de matriculados para poder dictarse y, por motivas de fuerza mayor, Equipo Docente podria experimentar cambios en su Programacién, equipo docente y/oHans Label, Ph.D Ph.D. y Magister en Ciencias de la Ingenieria de la UC. Ingeniero Civil en Ciencia de la Computacién de la UC. Profesor Asistente de los departamentos de Ingenieria de Transporte y Logistica y de Ciencia de la Computacién de la Escuela de Ingenieria UC. El Dr. Lobel es especialista en aprendizaje de maquina (Machine Learning), reconocimiento visual y big data, Su area principal de trabajo es el desarrollo de técnicas de aprendizaje profundo para andlisis de datos no estructurados con aplicaciones en el rea de smart cities. Hernén Valdivieso, M.Sc. Profesor Instructuro del Departamento de Ciencia de la Computacién, Escuela de Ingenieria UC; Ingeniero Civil en Computacién y Magister en Ciencias de la Ingenierfa, UC. Su érea principal de trabajo es la docencia y el desarrollo de técnicas de visualizacién, ‘Andrés Carvallo, Ph.D Ph.D. en Ciencias de la Ingenieria mencién en Ciencia de la Computacién de la UC, Actualmente se desempefia como Postdoctorado en el Centro de Investigacién en Inteligencia Artificial (CENIA). El Dr. Carvallo es experto en ‘sistemas de recomendacién, recuperacién de informat én y procesamiento de lenguaje natural. Sus areas principales de trabajo y aplicaciones se centran en mineria de texto biomédico, inteligencia artificial explicable y mineria de datos. Antonio Ossa Gu Magister en Ciencia de la Computacién, UC. Ingeniero Civil de Industrias con Diploma en Ingenieria de Computacién, UC. Ingeniero en Machine Learning de PhageLab. * EP (Educacién Profesional) de la Escuela de Ingenieria se reserva el ‘en caso de fu derecho de remplai olos profesores mayor, a indicados en este programa; y de asignar al docente que dicta el programa ‘segtin disponibilidad de los profesores. Descripei Eluso de datos para tomar decisiones y predecir comportamientos ha comenzado a surgir en los mas diversos émbitos de nuestro quehacer social y laboral, lo que, acompafiado de nuevas plataformas tecnolégicas de ‘cémputo para el procesamiento de datos, generan un escenario propicio para la irrupcién masiva de técnicas de Machine Learning, Las oportunidades que abre un efectivo uso de estas técnicas junto con la actual abundancia de datos son enormes; ello ha motivado un gran interés, y acelerado el desarrollo de nuevas tecnologias dedicadas a su aplicacién en diversos dominios de la sociedad. En este contexto, el diplomado en formato de realizacién, Cualquier cambio serd informado por la coordinaclén a cargo, Consulta v revisa agul informacién mportante eobre retiro, devolucién, reglamento v otros, INFORMACION DE PAGO sence: ~ cod x Cconvenio Marco: Formas de pago Formas de pago de particula Web pay: Tarjeta de crédito hasta 12 cuotas sin interés y Tarjeta de débito-redcompra ‘Transferencia Bancarla Formas de pago de empresa: Con ficha de Inseripeién y Orden de compra Formas de pago de extranjero: Tarjetas de crédito a través de webpay ‘Transferencia Bancaria Paypal Descuentos + 40% para personas mayores a 60 afios + 90% Funcionarios UC + 30% alunos y funcionarios DUOC + 30% Tarjeta vecino Providencia y Las Condes + 25% Convenio empresa Ingenieria + 25% Pago con Tarjetas Banco de Chile + 20% Socios con Membresia Alumni uc + 18% Ex alumnos UC (Pregrado- Postgrados Diplomados) + 18% Profesionales de servicios piblicos,Machine Learning aplicado apunta a entregar una sélida formacién practica en las principales técnicas, tecnologias y tendencias que marcan el estado del arte de esta area, enfatizando el uso de fuentes de datos diversas, tanto estructuradas como no estructuradas, en una amplia gama de areas de aplicacién. Como eje central, se aborda la aplicacién de técnicas de Machine Learning cen diversos dominios de interés, cubriendo no solo los aspectos practicos, sino también los técnico-teéricos que entregan que permiten su correcto funcionamiento, Junto con esto, el programa pone especial énfasis en la ensefianza de las herramientas y plataformas tecnolégicas que permiten aplicar estas técnicas, de modo que los estudiantes puedan llevar rapidamente a la practica los conocimientos adqulridos. Con el fin de enriquecer esta perspectiva, los cursos del programa no sélo exploran el Uso de datos estructurados tradicionales, sino también de datos no estructurados, como es el caso de datos textuales, imagenes, sensores 0 interacciones en redes sociales. Con el fin de enfatizar aun mas la naturaleza aplicada y practica del diplomado, se consideran cursos dedicados a sistemas recomendadores y teoria de grafos para Machine Learning, dos de las dreas de aplicacién de estas técnicas con mayor crecimiento en la industria. Adicionalmente, el diplomado abarca tépicos de visualizacién de informacién, elemento clave para facilitar la inclusién de analistas humanos en el ciclo de entrenamiento, validacién y auditoria de modelos de Machine Learning, cuando estos son utilizados para tomar decisiones que involucran o afectan a las personas De esta manera, el programa entrega herramientas para entender el ‘escenario técnico y tecnolégico que da vide a Machine Learning; describir los principales elementos y desafios de esta érea en cuanto a su aplicacién en diversos dominios; conocer y entender las principales tecnologias detras de aplicaciones; y disefiar y aplicar soluciones a problematicas reales en diversos dominios, donde el aprendizaje basado en datos es factible. Los cursos ponen especial énfasis en la aplicacién de Machine Learning en mmiltiples dominios, cubriendo los aspectos técnicos y teéricos, y llevando estos titimos @ la préctica mediante programacién y el uso de librerias y herramientas especializadas. La metodologia combina clases expositivas ‘con apoyo audiovisual, talleres con ejercicios practicos de programacién guiados y aplicados a distintos dominios, y el estudio de casos de Machine Learning en distintos dominios. Requisitos de Ingres + Licenciatura o titulo profesional universitatio en una disciplina afin a la Ingenieria + Experiencia laboral de 2 afios en al érea de tecnologias de informacién, cientifica, 0 afin, + Aresponsabilidad del alumno, se sugiere experiencia basica en lenguajes de pprogramacién, ademas de un buen nivel de comprensién lectora de inglés.Objetivos de Aprendizajes: + Identificar oportunidades de implementacién y uso de tecnologias relacionadas con Machine Learning en la organizacién. + Analizar escenario técnico y tecnolégico que da vida @ Machine Learning, cconsiderando los principales elementos y desafios de esta rea en cuanto a ‘su aplicacién en diversos dominios. + Aplicar las principales técnicas de Machine Learning en dominios diversos donde exista disponibilidad de datos. Metodologia: El marco metodolégico combina diferentes métodos de ensefianza, con el propésito de lograr un alto nivel de aprendizaje en los alumnos, Para ello se ‘contemplan: Exposiciones conceptuales y participativas apoyadas por material audio visual Clases expositivas e interactivas, donde el profesor realizar un juego de preguntas a los alumnos, con el propésito de aprovechar la historia y experiencia de los participantes. Actividades practicas de anélisis, ajustadas a las necesidades e intereses de los participantes y sus empresas; éstas se realizarén en grupos. Revisién y discusién de lecturas, y casos escritos que serdn proporcionados por los docentes. Desglose de cursos: *E] orden de imparticién de los cursos no seré necesariamente el indicado en [a estructura curricular. Curso 1: Fundamentos de Machine Learning Nombre en inglés: Machine Learning fundamentals Horas cronolégicas: 24 crédito Descripeién del curso:Machine Learning, o aprendizaje de maquina, es la ciencia encargada de ‘generar nuevas tecnologias que sean capaces de aprender desde fuentes de datos diversas. Este curso es una vitrina a sus conceptos y algoritmos fundamentales. En particular, el curso se centra en una mirada practica y aplicada de técnicas para el aprendizaje y prediccién sobre datos, estructurados provenientes de variadas fuentes. Resultados del Aprendizaje: Distinguir conceptos y técnicas del paradigma tradicional de aprendizaje de maquina. I+ Aplicar las representaciones de datos y técnicas de optimizacién de Machine Learning. IIL Implementar soluciones basadas en modelos de Machine Learning en base abibliotecas de software existentes, Contenidos: + Fundamentos de Machine Learning + Técnicas de vecinos cercanos = Arboles y ensambles + Maquina de vectores de soporte + Aplicaciones de Machine Learning en multiples dominios Metodologia de ensefianza vy aprendizaie: El marco metodolégico combina diferentes métodos de ensefianza, con el propésito de lograr un alto nivel de aprendizaje en los alumnos, Para ello se contemplan: Exposiciones conceptuales y participativas apoyadas por material audio visual Clases expositivas e interactivas, donde el profesor realizar un juego de preguntas a los alumnos, con el propésito de aprovechar la historia y experiencia de los participantes. Actividades practicas de anélisis, ajustadas a las necesidades e intereses de los participantes y sus empresas; éstas se realizardn en grupos. Revisién y discusién de lecturas, y casos escritos que serdn proporcionados por los docentes. Evaluacién de los aprendizajes: + Control escrito individual 1 -25% + Laboratorio préctico grupal 1 -25% + Control escrito individual 2 -25% = Laboratorio préctico grupal 2 -25% Curso 2: Deep Learning Nombre en inglés: Deep LearningHoras cronolégicas: 24 crédit 8s: 5 Deseripcién del curso: Este curso introduce los principales conceptos y técnicas de Deep Learning, actualmente el area més exitosa del Aprendizaje de Maquina. En particular, ‘se enfocarén estos contenidos a nuevos tipos de datos no estructurados, Introduciendo técnicas recientes del estado del arte y aplicaciones de estas, Resultados del Aprendizaje: Identificar los conceptos fundamentales del paradigma de Deep Learning. I Aplicar técnicas de Deep Learning para anélisis de datos rmultidimensionales y técnicas para el modelamiento de imagenes, secuencias y datos temporales. IL Implementar soluciones basadas en modelos de Deep Learning en base a bibliotecas de software existentes. Contenidos: + Fundamentos de aprendizaje profundo + Perceptrén y redes neuronales de capa oculta «Redes neuronales convolucionales «Redes neuronales recurrentes, modelos seq2seq y mecanismos de atencién + Entornos de desarrollo para aprendizaje profundo = Aplicaciones de Deep Learning en miitiples dominios Evaluacién de los aprendizajes: + Control escrito individual 1 -25% + Laboratorio préctico grupal 1 -25% + Control escrito individual 2 - 25% + Laboratorio préctico grupal 2- 25% Curso 3: Teoria de grafos paraMachine Learning Nombre en inglés: Graph theory for Machine Learning Horas cronolégicas: 24 Deseripeién del eurs: En este curso se introducen los conceptos fundamentales de la teoria de ‘grafos y sus aplicaciones en Machine Learning. Complementando estos aspectos, el curso considera el anélisis de casos de uso para el uso de datos basado en grafos en el contexto de Machine Learning, ademas de la aplicacién de herramientas para realizarlo.Resultados del Aprendizaje: Distinguir los fundamentos de la teoria de grafos. 1 Identificar los principales desatios del uso de grafos en Machine Learning IIL Aplicar representaciones de grafos para el modelamiento de distintas fuentes de datos. IV. Aplicar las principales técnicas para el uso de grafos como herramienta analitica + Conceptos fundamentales de teoria de grafos + Base de datos para grafos. + Grafos como herramienta analitica + Grafos para modelamiento y andlisis de datos dinémicos, datos espaciales y redes sociales, = Redes neuronales para grafos. + Estudio de casos y aplicaciones en diversos dominios. de los ay + Control escrito individual 1 (20%) + Laboratorio préctico grupal 1 (30%) + Control escrito individual 2 (20%) + Laboratorio préctico grupal 2 (30%) Curso 4: Plataformas para Machine Learning Nombre en inglés: Machine Learning platforms Horas cronolégicas: 24 Créditos: 5 Descripeién del curso: En este curso se introducen y aplican las distintas plataformas, lenguajes y librerias requeridas en los distintos pasos involucrados en la construccién de sistemas de Machine Learning, con especial énfasis en el uso del lenguaje Python para este propésito. El objetivo es que los estudiantes se familiaricen con estas y que desarrollen nociones de los tipos de problemas ‘que pueden ser solucionados de manera efectiva con ellas. Resultados de! Aprendiz: L-_ Distinguir los principales componentes con que debe contar una solucién, basada en Machine Learning. I Desarrollar algoritmos de Machine Learning utilizando el lenguaje Python IL Identificar los principios conceptuales y técnicos en los que se basan los, entornos Hadoop y Spark. 1V-- Utlizar las herramientas de Hadoop y Spark para Machine Learning.V.- Reconocer las bases conceptuales y técnicas sobre las cuales funcionan las plataformas Cloud, V.- Aplicar las principales herramientas de las plataformas Cloud para Machine Learning. Contenidos: + Python como entorno para Machine Learning y ciencia de datos + Pandas y scikitlearn + Plataforma Hadoop y Spark + PySparkML, SparkSQL y SparkML. = Aspectos técnicos de las plataformas Cloud. + Herramientas Cloud para Machine Learning. jon de los ay Control individual (20%) Tarea préctica grupal 1 (40%) Tarea préctica grupal 2 (40%) Curso 5: Sistemas recomendadores Nombre en inglés: Recommender systems Horas cronolégicas: 24 Gréditos: § El curso introduce el rea de Sistemas Recomendadores, los cuales mediante esquemas de Machine Learning, tienen como objetivo ayudar a un usuario 0 a grupos de usuarios a filtrar y descubrir informacién relevante y de manera personalizada, Se presentardn los principales algoritmos para generar recomendaciones, las fuentes de datos usadas y el estudio de casos avanzados. Resultados del Aprendizaje: L_ Distinguir los principales algoritmos y fuentes de datos usados para generar recomendaciones. I~ Analizar algoritmos de recomendacién, identificando sus fortalezas y debilidades. IIL Disefiar los distintos componentes de un sistema recomendador. IV-- Evaluar un sistema recomendador usando diversas métricas y la factibilidad de su implementacién. Contenidos: + Datos usados para generar recomendaciones: informacion espacial, temporal yrredes sociales, + Preferencias basadas en retroalimentacién explicita e implica,= Métodos de recomendacién y evaluacién de Sistemas Recomendadores + Estudio de casos y aplicaciones en diversos dominios de los ay Control escrito individual 1 (20%) Laboratorio practico grupal 1 (30%) Control escrito individual 2 (20%) Laboratorio practico grupal 2 (30%) Curso 6: Visualizacién de Informacién para Machine Learning Nombre en inglés: Information Visualization for Machine Learning Horas cronolégicas: 24 créditos: 5 Deseripcién del curso: El curso introduce el érea de Visualizacién de Informacién, donde se estudiaran técnicas y algoritmos para crear visualizaciones efectivas basadas en principios de disefio grafico, artes visuales, y psicologia cognitiva. En particular, el curso enfoca sus técnicas y casos de estudio en aplicaciones de Machine Learning Resultados del Aprendizaje: Describir problemas éticos y de privacidad en el manejo de datos, I Disefiar de forma justificada la representacién visual de un conjunto de datos determinado, IIL Evaluar el disefo de la visualizacién de datos baséndose en la naturaleza de los datos subyacentes, el publico objetivo y el propésito general + Fundamentos: abstraccién de datos, marcas y canales, procesamiento hhumano de la informacién, + Herramientas de visualizacién y aplicaciones en Machine Learning, + Procesamiento y visualizacién con lenguaje Python, + Visualizacién en distintos dominios y aplicaciones de Machine Learning tabulares, espaciales, redes y texto, + Pensamiento critico para evaluarvisualizaciones, = Etica y privacidad en el manejo de datos. + Aplicaciones en diversos dominios. Control escrito individual 1 (20%) Laboratorio préctico grupal 1 (30%)Control escrito individual 2 (20%) Laboratorio practico grupal 2 (30%) Requisitos Aprobacién: Los cursos que componen el diplomado tienen la siguiente ponderacién: + Curso 1; Fundamentos de Machine Learning 15% + Curs0 2: Deep Learning 15% + Curso 3: Teoria de grafos para Machine Learning 15% + Curso 4: Plataformas para Machine Learning 15% + Curso 5: Sistemas recomendadores 15% + Curso 6: Visualizacién de informacién para Machine Learning 15% Asistencia: 10% Para aprobar el diplomado, el alumno debe con el siguiente requisito: Requisite académico: Se cumple aprobando todos los cursos con nota minima 4,0. *Si bien el porcentaje de asistencia no es un requisito para la aprobacién final del diplomado o curso, dentro de las clases pueden realizarse actividades no grabadas y evaluadas, sin previo aviso. En los casos en que la asistencia sea considerada como una calificacién en la ponderacién de la nota final del programa, el % de asistencia a clases seré expresado en una calificacién que tiene un 70% de exigencia para la nota 4,0. Esta calificacién se promedia con la nota del diplomado segtin la ponderacién indicada Para aprobar los programas de diplomados se requiere la aprobacién de todos los cursos que lo conforman, Los alumnos que aprueben las exigencias del programa recibirén un certificado de aprobacién digital otorgado por la Pontificia Universidad Catélica de Chile. E1 alumno que no cumpla con una de estas exigencias reprueba autométicamente sin posibilidad de ninguin tipo de certificacién. Proceso de Admisién: Las personas interesadas deberén completarla ficha de postulacién que se encuentra al costado derecho de esta pagina web y enviar los siguientes documentos al momento de la postulacién o de manera posterior a la coordinacién a cargo: + Fotocopia Carnet de Identidad= Fotocopia simple del Certificado de Titulo + Curriculum Vitae actualizado, El postulante serd contactado, para asistir a una entrevista personal (si corresponde) con el Jefe de Programa del Diplomado 0 su Coordinadora ‘Académica. Cualquier informacién adicional o inquletud podras escribir al correo programas@ing.puc.cl VACANTES: 40 INFORMACION RELEVANTE + Con el objetivo de brindar las condiciones de infraestructura necesaria y la asistencia adecuada al inicio y durante las clases para personas con discapacidad: Fisica 0 motriz, Sensorial (Visual o auditiva) u otra, los invitamos a informarlo, + Elpostular no asegura el cupo, una vez inscrito 0 aceptado en el programa se debe pagar el valor completo de la actividad para estar matriculado. + Nose tramitarén postulaciones incompletas. Puedes revisar aqui mas informacién importante sobre el proceso de admisién y matricula