Programa de formación

Machine learning
and data science MLDS
Bienvenido,
Programa de formación
Machine Learning
Resumen del programa
and Data Science MLDS
Presentación Inicio
Desde Abril 09 de 2019
El aprendizaje computacional (machine Consultar individualmente
learning en Inglés) está en el centro de una más adelante.
nueva área de conocimiento, la ciencia de
datos (o data science en Inglés), que aborda el
análisis y explotación del creciente volumen
Martes a Jueves
de datos. Los métodos de aprendizaje
6:00pm a 9:00pm
computacional permiten extraer información y
conocimiento en forma de patrones, modelos
predictivos y descriptivos, automáticamente
inducidos a partir de estos datos. Estas 39 horas presenciales
tecnologías forman parte integral de lo que se por módulo
ha denominado como la 4ta revolución
industrial, la cual se refiere al cambio
dramático que está experimentado la Universidad Nacional
sociedad y la industria gracias a la adopción de de Colombia
diferentes tecnologías tales como la robótica, Sede Bogotá
el procesamiento de grandes volúmenes de
datos (big data), la inteligencia artificial, la
nanotecnología y la biotecnología entre 1’600.000
otras. Valor por módulo.
El programa consta
de múltiples módulos.
Consultar tabla de
valores más adelante.
El propósito del programa de formación en MLDS es ofrecer un conjunto de módulos de formación en
las diferentes áreas de fundamentación y aplicación del aprendizaje computacional y la ciencia de
datos. Los módulos que componen el programa tienen un enfoque práctico que enfatiza la aplicación
de los conceptos y métodos a la solución de problemas reales. A la par con el estudio de los conceptos
fundamentales, los asistentes desarrollan implementaciones de diferentes sistemas analíticos usando
diversas tecnologías actuales para el procesamiento, análisis y visualización de datos.
En un estudio de prospectiva patrocinado por IEEE , el aprendizaje computacional ha sido identificado
como una de las tecnologías innovadoras que pueden liderar el cambio de la industria de la
computación en los siguientes años. Pero aún, más allá de esta distinción, el aprendizaje
computacional juega un papel fundamental en el éxito de otras tecnologías identificadas en el mismo
estudio. En algunos casos, el aprendizaje computacional proveerá los métodos básicos que permitan
abordar los retos particulares de algunas tecnologías, como la visión por computador, la biología
computacional, las interfaces de usuarios naturales o el denominado big data analytics. En otros casos,
los métodos de aprendizaje computacional permitirán analizar y aprovechar los inmensos volúmenes
de datos generados por tecnologías, tales como los cursos abiertos masivos en línea, el internet de las
cosas o la bioinformática. El programa de formación en MLDS provee los elementos necesarios para
afrontar esta revolución y aprovechar estas herramientas conceptuales y tecnológicas para la solución
de problemas prácticos en sus organizaciones.
El programa de formación en MLDS está organizado en módulos que abordan diferentes áreas
conceptuales y de aplicación. El diseño curricular es flexible y modular, de tal manera que el asistente
puede planear su ruta de formación de acuerdo con sus intereses y necesidades.

Milojičić, Dejan et al. "IEEE Computer Society 2022 Report." Joint Seminar on Computer Science and Applied Mathematics, 2013

Programa de formación MLDS

El programa de formación en MLDS está organizado en módulos que abordan diferentes áreas
conceptuales y de aplicación. El diseño curricular es flexible y modular, de tal manera que el
asistente puede planear su ruta de formación de acuerdo con sus intereses y necesidades. Los
siguientes son los temas cubiertos por el programa:

MLDS-1 Introducción al Análisis y visualización de datos con Python

MLDS-2 Introducción al Aprendizaje Computacional Machine learning
MLDS-3 Procesamiento de grandes volúmenes de información (Big data)
Perfil El programa de formación en MLDS está dirigido a todas las personas que
desde sus roles tienen responsabilidad o incidencia en los procesos de análisis
de datos y desarrollo de sistemas inteligentes y analíticos: gerentes de
informática, analistas, desarrolladores y responsables de área. Igualmente, el
programa de formación en MLDS también está dirigido a aquellos profesionales
en áreas tales como la ingeniería, ciencias naturales, economía, matemáticas y
estadística, interesados en diversas aplicaciones del aprendizaje computacional
y el desarrollo de sistemas inteligentes y analíticos. Dado el enfoque práctico
del programa de formación en MLDS se requiere que los estudiantes tengan
familiaridad previa con conceptos de programación.

Objetivo

Formar a los estudiantes en las competencias necesarias que les permitan

aplicar herramientas conceptuales y tecnológicas del análisis de datos y el
aprendizaje computacional a la solución de problemas reales.

Metodología En el programa de formación en MLDS se asume la educación como un proceso

de interacción dinámica centrada en los participantes, donde el rol del profesor,
además de proveer su experiencia profesional y los elementos conceptuales, se
concentra en ser un dinamizador de las actividades de aprendizaje. Desde esta
perspectiva, la metodología debe reflejar el enfoque propiciando el desarrollo
de las competencias propuestas. Se pretende entonces una participación activa
y productiva en el desarrollo de cada uno de los módulos, a través de: a)
exposición magistral, b) talleres de trabajo en equipo c) sustentación y
argumentación de los trabajos.

30%: Presentación de temas

70%: Talleres guiados
 Estructura
El programa de formación está organizado en 6 módulos, 3 básicos y 3 avanzados, como lo muestra la
siguiente tabla:

MLDS-1 Introducción al Análisis y Visualización de 39 horas

Datos con Python
Nivel básico

MLDS-2 Introducción al Aprendizaje Computacional 39 horas

(Machine Learning) con Python
MLDS-3 Big Data: almacenamiento y procesamiento 39 horas
de grandes volúmenes de datos

MLDS-4 Desarrollo de sistemas analíticos en la nube 39 horas

Nivel avanzado

MLDS-5 Procesamiento y entendimiento de 39 horas

lenguaje natural con Python

MLDS-6 Deep learning: introducción al aprendizaje 39 horas

profundo con Python

Tenga en cuenta:
La estructura de los módulos está diseñada de manera que un estudiante pueda tomar los módulos
individuales de acuerdo con sus intereses y conocimientos previos.

Fechas primer semestre 2019

Los niveles básico y avanzado se dictarán de forma paralela de la siguiente manera:

Nombre Módulo Fecha inicio Fecha cierre

MLDS-1: Introducción al Análisis
y Visualización de Datos con Python 09 de Abril 16 de Mayo
MLDS-2: Introducción al Aprendizaje
Computacional (Machine Learning) con Python 21 de Mayo 20 de Junio
MLDS-3: Big Data: almacenamiento y
procesamiento de grandes volúmenes de datos 25 de Junio 23 de Julio
Tabla de valores
El programa de formación está organizado en módulos que abordan diferentes áreas conceptuales y
de aplicación. El diseño curricular es flexible y modular, de tal manera que el asistente puede planear su
ruta de formación de acuerdo con sus intereses y necesidades. A continuación se listan los valores
dependiendo del tipo de inscripción:

Tipo inscripción Descuento Valor matrícula

Tarifa plena Módulo 0% 1’600.000
Grupos de 4 o más
personas con mismo 10% 1’440.000
soporte de pago
Docentes, funcionarios,
egresados y contratistas 20% 1’280.000
Universidad Nacional

Pago de 3 módulos
antes del inicio del 20% 3’840.000
Programa

Este curso ofrece certificación expedida por la Facultad de Ingeniería de la

Universidad Nacional de Colombia Sede Bogotá si el estudiante cursa con
éxito el 80% o más del tiempo efectivo del curso/diplomado/programa.
También es necesario aprobar con una nota mínima los exámenes o talleres
en el desarrollo de la metodología.

Un estudiante puede recibir tres (3) tipos de certificaciones:

Certificado por módulo: Lo recibe al culminar satisfactoriamente cada uno
de los módulos.
Certificado "Diplomado en Machine Learning & Data Science": Lo recibe al
culminar satisfactoriamente los 3 primeros módulos (pueden ser
cualesquier 3 de los 6 módulos).
Certificado "Diplomado en Advanced Machine Learning & Data Science": lo
recibe al culminar satisfactoriamente 3 módulos adicionales para completar
6 módulos en total.
Profesores El programa es diseñado y soportado por un cuerpo de profesores con
formación doctoral, con una amplia experiencia investigativa y profesional
en las diferentes áreas de énfasis.

Felipe Restrepo Calle, PhD.

Ingeniero de Sistemas
Ingeniero de Sistemas y Computación, Universidad Tecnológica de
Pereira, 2004; Magíster en Instrumentación Física, Universidad
Tecnológica de Pereira, 2007; Doctor en Ingeniería Informática,
Universidad de Alicante (España), 2011. Ha participado en varios
proyectos de investigación a nivel nacional e internacional. Estancias
posdoctorales: Universidad de Sevilla (España) durante 2012 y 2013,
Universidade Federal do Rio Grande do Sul (Brasil) durante el primer
semestre de 2014.
Profesor del Departamento de Ingeniería de Sistemas e Industrial en la
Universidad Nacional de Colombia, sede Bogotá. Sus áreas de interés
incluyen: lenguajes de programación, análisis automático de código
fuente, procesadores de lenguaje, diseño de sistemas embebidos y
educación en ingeniería. Cuenta con más de 30 publicaciones científicas
en revistas, libros y conferencias internacionales. Actualmente lidera el
grupo de investigación PLaS (Programming Languages and Systems) y es
el Coordinador de la Maestría en Ingeniería de Sistemas y Computación.

Fabio Augusto González Osorio, PhD.

Ingeniero de Sistemas
Ingeniero de Sistemas,Universidad Nacional de Colombia (1993); MSc. en
Matemáticas, Universidad Nacional de Colombia [1998]; Ph.D. & M.Sc. in
Computer Science, The University of Memphis (2003); Profesor visitante
University of Louisville, USA (2009); Profesor visitante Ecole Nationale
Superieure de Techniques Avancees (ENSTAParisTech), Francia (2010);
Profesor visitante University of Houston, USA (2017)
Profesor Titular del Departamento de Ingeniería de Sistemas e Industrial.
Coordinador del programa de Doctorado en Ingeniería de Sistemas y
Computación, Universidad Nacional de Colombia, Bogotá. Amplia
experiencia en investigación en aprendizaje computacional, minería de
datos, recuperación de información, procesamiento de lenguaje natural y
visión por computador. Participación en diversos proyectos de
investigación internacionales y nacionales. Más de 100 publicaciones
científicas en revistas, libros y conferencias internacionales. Lidera el
grupo de investigación MindLab (Machine Learning Perception and
Discovery Lab, http://mindlaboratory.org)
Jorge Eliecer Camargo, PhD.
Ingeniero de Sistemas
Profesor del Departamento de Ingeniería de Sistemas e Industrial de la
Universidad Nacional de Colombia, Sede Bogotá. Cuenta con más de 50
publicaciones científicas en revistas, libros y conferencias internacionales
relacionadas con el manejo de grandes volúmenes de datos y
aplicaciones de machine learning en grandes volúmenes de datos en
imágenes, audio y texto (big data).
Ingeniero de Sistemas de la Universidad Nacional de Colombia, Magíster
en Ingeniería de Sistemas y Computación de la Universidad de los Andes,
Doctor en Ingeniería - Sistemas y Computación de la Universidad
Nacional de Colombia. Ha participado en diferentes proyectos de
investigación a nivel nacional e internacional. Trabajó en el
Departamento de Policía Científica en Lausana (Suiza) en el proyecto
"Detección automática de medicamentos falsos utilizando técnicas de
procesamiento de imágenes y Machine Learning" y en el proyecto
"Monitoreo de redes de tráfico de drogas sintéticas utilizando técnicas
de procesamiento de imágenes y Machine Learning".
Co-Fundador de BigData Solutions S.A.S, compañía colombiana de base
tecnológica que presta servicios de Consultoría en Big Data. Experiencia
en Avantel S.A.S a cargo de la fábrica de software interna de la compañía.
Consultor asesor en Arquitectura de Software, Machine Learning y Big
Data para entidades tales como ICFES, DANE, MinTIC, Secretaría de
Gobierno, Agencia de Defensa Jurídica del Estado, Superintendencia de
Servicios Públicos, Ministerio de Transporte, CINTEL, entre otras.

Elizabeth León Guzmán, PhD.

Ingeniera de Sistemas
Ingeniera de Sistemas,Universidad Nacional de Colombia [1998]; MSc. en
Ingeniería de Sistemas, Universidad Nacional de Colombia [2001]; MSc in
Electrical Engineering, The University of Memphis [2003]; Ph.D. in
Computer Engineering and Computer Science, University of Louisville
[2005]; Estancia posdoctoral en el "Knowledge Discovery & Web Mining
Lab", University of Lousville [2006, 2011].
Experiencia en investigación en minería de datos, recuperación de
información y bases de datos. Participación en proyectos de investigación
internacionales y nacionales. Más de 50 publicaciones científicas en revistas,
libros y conferencias internacionales. Lidera el grupo de investigación MIDAS
(Minería de Datos, http://midas.unal.edu.co). Coordinadora del programa de
Doctorado en Ingeniería de Sistemas y Computación, Universidad Nacional
de Colombia, Bogotá [2010-2011].
Módulo MLDS-01
Introducción al Análisis y Visualización de Datos con Python

El objetivo de este módulo es entrenar al estudiante en el uso del lenguaje de programación Python
como herramienta para el análisis y visualización de datos. El módulo abordará los elementos básicos
del lenguaje, los ambientes de programación que soportan su uso interactivo y las bibliotecas
especializadas para el análisis y visualización de datos.

39 horas - Teórico/práctico

» Introducción
» Introducción a Phyton
» Librería numérica de Python: NumPy
» Análisis de datos con Panda: Parte 1
» Análisis de datos con Pandas: Parte 2
» Análisis de datos con Pandas: Parte 3
» Principios de visualización de información
» Visualización de datos con Matplotlib
» Visualización de datos con Seaborn
» Visualización de datos con Plotly y Cufflinks
» Visualizaciones interactivas web con Bokeh
» Visualización de datos complejos
Módulo MLDS-02
Introducción al Aprendizaje Computacional
(Machine Learning) con Python

El objetivo de este módulo es dotar al estudiante con la capacidad de abordar problemas de análisis de
datos, usando técnicas de aprendizaje computacional. El módulo parte de una aproximación
conceptual al aprendizaje computacional para llevar al estudiante, a través de prácticas concretas
basadas en Python y bibliotecas especializadas, al diseño e implementación de modelos de aprendizaje
supervisado y no supervisado.

39 horas - Teórico/práctico

» ¿Qué es el machine learning?

» Introducción a scikit-learn
» Aprendizaje supervisado
» Modelos probabilísticos de clasificación
» Árboles de decisión
» Taller de aprendizaje supervisado
» Aprendizaje no supervisado
» Agrupación
» Reducción de la dimensionalidad
» Taller de aprendizaje supervisado
» Otros métodos
» Selección de modelos
Módulo MLDS-03
Big Data: almacenamiento y procesamiento
de grandes volúmenes de datos

El objetivo de este módulo es proveer y capacitar al participante en conceptos y tecnologías para

almacenar, procesar y acceder grandes volúmenes de datos, que son generados a grandes velocidades
y en diversos formatos. Se busca que el participante conozca de manera teórica y práctica la
arquitectura de manejadores de bases de datos NoSQL y Hadoop, el marco de trabajo distribuido
MapReduce, y plataformas de recuperación de indexación y recuperación de información como Lucene
y Solr, en aplicaciones con datos textuales y de la web.

39 horas - Teórico/práctico

» Introducción
» Volúmenes de Datos
» Bases de datos NoSQL
» HBase
» MongoDB
» Taller MongoDB
» Map-Reduce
» Apache Hadoop
» Taller Hadoop
» Hive
» Apache Spark
» Proyecto final
» Presentación Proyecto final
Formalización de la inscripción

1 2 3
Pre inscripción Formalización Legalización

La Unidad de Educación Continua y Permanente de la Facultad de Ingeniería de la Universidad

Nacional de Colombia maneja 3 pasos para habilitar un cupo para un usuario en alguno de
nuestros cursos, diplomados y eventos. Estos pasos corresponden a la pre inscripción,
formalización y legalización.

1) Pre inscripción
Procedimiento de toma de datos personales para llevar registro de su interés en participar en
determinada actividad y recibir información de las actualizaciones de la misma. Es gratuita y no
compromete a participar. Puede realizarla llamándonos al 3165000 ext. 10689 / 10686.

2) Formalización
Una vez haya tenido la oportunidad de recibir la información, revisarla y tomar la decisión de
cursar con nosotros; debe acercarse a alguno de nuestros medios de pago para realizar la
consignación respectiva al valor de cada curso/diplomado.

3) Legalización
Una vez se ha realizado el pago es necesario enviar el comprobante de pago (soporte de
consignación, recibo de pago…) junto con un escaneado de su documento de identidad (cédula)
al correo uec_fibog@unal.edu.co En caso de aplicar al descuento de integrante de la UN,
adjuntar también el carnet o diplomado de la Institución.

Modalidades de pago

Encuentre la opción más cómoda para formalizar su inscripción e información

detallada de la misma en el siguiente enlace:

https://ingenieria.bogota.unal.edu.co/uec/?page_id=8779