Maestría en
Ciencia de Datos

Inicio

Convocatoria 2024

Modalidad

A distancia

Duración

832 horas académicas

Acerca de esta maestría

La ciencia de datos abarca diversos campos de conocimiento dinámicos que se están volviendo cada vez más valiosos para muchas organizaciones de todo tamaño y de diversos sectores. Las empresas recopilan grandes cantidades de información sobre sus clientes, operaciones y desempeño financiero, entre otros, y necesitan profesionales que las guíen sobre cómo manejar y obtener valor a partir de estos datos obtenidos y, de esta manera, tomar mejores decisiones y optimizar sus resultados. Los especialistas en ciencia de datos no solamente cumplen roles técnicos sino también funciones relacionadas a la estrategia de negocios, lo que les permite desempeñarse en distintas áreas funcionales y en diferentes industrias productivas de alta demanda en la actualidad.

Nuestra Maestría en Ciencia de Datos brindará, a los participantes, las habilidades necesarias y el conocimiento para recolectar, analizar y hacer descubrimientos relevantes a partir de grandes conjuntos de datos. El estudiante conocerá las principales tendencias en la industria y las herramientas de software y lenguaje de amplia adopción actual en las ciencias de datos. Podrá contribuir a la transformación digital de las empresas u organizaciones —convirtiendo sus modelos de negocio tradicionales en modelos de negocio basados en datos— y la creación de valor y conocimiento a través del manejo estratégico de la información en un entorno empresarial cada vez más competitivo, cambiante y, sobre todo, dependiente de los datos. 

Dirigida a:

  • Profesionales de áreas relacionadas a ingeniería, matemática o estadística con conocimientos de estadística y programación básica.
  • Profesionales, de puestos técnicos o de negocios, con experiencia certificada en el manejo básico de datos para la toma de decisiones.

Solicitar más información

Plana docente

Mónica Tatiana Barahona Varón Colombia
Docente investigadora de la Universidad Jorge Tadeo Lozano, Colombia. Experiencia en la aplicación de la metodología Crisp-DM. Investigadora en economía del comportamiento y las decisiones con big data analytics, machine learning y data mining. Magíster en Analítica para la Inteligencia de Negocios por la Pontificia Universidad Javeriana, Colombia. Economista.

Danna Vanessa Betancourt Martínez Colombia
Docente de la Universidad Autónoma del Caribe y la Corporación Universitaria Americana en Colombia. Ha desarrollado aplicaciones en el campo del big data y la analítica de datos en los sectores educación y logístico. Magíster en Logística Integral por la UAC, Colombia. Especialista en Estadística Aplicada por la Universidad del Atlántico, Colombia. Ingeniera industrial.

Alan Ferrándiz Langley Estados Unidos
Cofundador de Core Analitica. Experiencia como ingeniero de Inteligencia de Negocios en Socius Insurance Services y como jefe de Desarrollo de Negocios y jefe de Marketing y Nuevos Medios en Laboratorio Clínico Roe. MBA con mención en Business Intelligence y Big Data por la URJC, España. M. Sc. en Gestión de Ingeniería por la USF, Estados Unidos. Ingeniero empresarial.

José Carlos Machicao Valencia Perú
Gerente fundador de GestioDinámica. Consultor en generación de algoritmos para la gestión compleja. Especialista en aprendizaje computacional, por refuerzo y procesamiento de lenguaje natural. Coautor del libro "Complejidad, inteligencia artificial y evolución en la gestión pública" (2018). PMP. Máster en Gestión de la Energía por la Universidad de Cardiff, Reino Unido. Ingeniero mecánico.

Erik Maldonado Ascanio Colombia
Especialista en análisis de datos, sistemas de información y mejora del proceso de toma de decisiones con 9 años de experiencia en educación superior. Profesor de la Universidad Simón Bolívar, Colombia. Doctorado en Dirección de Empresas por la Universidad de Valencia, España. Magíster en Ingeniería Industrial por la Universidad del Norte, Colombia. Ingeniero industrial.

Kevin Rafael Palomino Pacheco Colombia
Experto en ciencia de datos. Instructor de la Continental University of Florida y de la Universidad del Norte, Colombia. Experiencia en el desarrollo de modelos y algoritmos de optimización para resolver problemas comerciales complejos y mejorar los procesos de toma de decisiones. Doctor en Ingeniería Industrial por la Universidad del Norte, Colombia. Ingeniero industrial y matemático.

José Miguel Pazos Loayza Perú
Gerente de Distribución y Operaciones Logísticas en Sodimac Perú. Consultor en retail management. Evaluador de competencias laborales certificado por el MTPE. Con 25 años de experiencia en multinacionales del sector retail liderando equipos de ventas, logística y comercio electrónico. MBA por la USIL. Certificado en Servicio al Cliente por el SQI Latam. Licenciado en Administración.

Eduar Pérez Rojas Colombia
Analista de datos senior en Meridian Consulting. Investigador junior reconocido por el Ministerio de Ciencia, Tecnología e Innovación de Colombia. Magíster en Ingeniera Mecánica por la Universidad del Norte, Colombia. Especialista en Automatización Industrial por la Universidad Francisco de Paula Santander, Colombia. Ingeniero mecánico.

Rolando Romero Paredes Perú
Amplia experiencia participando en equipos del INEI, estudios de mercado y de investigación aplicada. Especialista en métodos estadísticos y en optimización aplicados a la organización. Maestro en Ingeniería Industrial con mención en Operaciones y Logística por la USAT. Maestro en Administración con mención en Gerencia Empresarial por la UNPRG. Estadístico.

Daniel Romero Rodríguez Colombia
Profesor asistente del Departamento de Ingeniería Industrial de la Universidad del Norte, Colombia. Doctorado en Ingeniería Industrial por la Universidad del Sur de la Florida, Estados Unidos. Magíster en Ingeniería Industrial por la Universidad del Norte, Colombia. Certificado en Logísticas Globales por el Instituto Tecnológico de Massachusetts, Estados Unidos. Ingeniero industrial.

Johanna Romero Rodríguez Colombia
Profesora de la Universidad Simón Bolívar, Colombia. Experta en análisis de datos, inteligencia artificial y ejecución de proyectos. Experiencia como investigadora para empresas de distintas industrias energéticas y mineras como Gecelca, Cerro Matoso y Promigas. Magíster en Ingeniería Mecánica por la Universidad del Norte, Colombia. Ingeniera mecánica.

Danilo Santiago Torres Manrique Perú
Especialista en análisis de la calidad educativa y mercados laborales. Se ha desempeñado como consultor del MINEDU y especialista en Investigación en Educación Superior de la SUNEDU. Experiencia en la elaboración de exámenes de selección para los cursos de extensión en regulación del OSIPTEL. Magíster en Economía por la Universidad Alberto Hurtado, Chile.

* Programación de docentes sujeta a variación según disponibilidad.

Grado académico

MAESTRO EN CIENCIA DE DATOS

Luego de aprobar todos los cursos y de la sustentación de tu tesis, recibirás el grado de maestro en Ciencia de Datos, a nombre de la Escuela de Posgrado de la Universidad Continental.

Certificación progresiva:

  • Diplomado de Especialización en Análisis y Visualización de Datos, por 26 créditos y 464 horas académicas.

Ventajas diferenciales

Propuesta académica integral
Propuesta académica integral
Maestría que brinda el conocimiento y las herramientas necesarias para la creación de valor a través del manejo estratégico de la información en un entorno cada vez más competitivo, cambiante y dependiente de los datos.
Certificación progresiva
Certificación progresiva
Durante el desarrollo de la maestría el estudiante podrá obtener, además del grado de maestro, el Diplomado de Especialización en Análisis y Visualización de Datos a nombre de la EPG de la Universidad Continental.
Excelencia docente
Excelencia docente
Especialistas nacionales e internacionales con amplia experiencia a nivel académico y destacada trayectoria profesional, expertos en análisis de datos y optimización de procesos.
Metodología activa y participativa
Metodología activa y participativa
Que promueve el trabajo colaborativo y la interacción entre los participantes, con asesoramiento permanente durante el desarrollo de la maestría.
Modalidad a distancia
Modalidad a distancia
Formación académica del más alto nivel que le permitirá, al participante, estudiar la maestría con clases virtuales en vivo y desde cualquier parte del Perú y del mundo.
Ecosistema digital para el aprendizaje
Ecosistema digital para el aprendizaje
Recursos y herramientas tecnológicas de vanguardia utilizadas en las mejores universidades del mundo, con acceso a la biblioteca y al aula virtual.

Plan de estudios

La maestría está organizada en 4 ciclos académicos, con un total de 832 horas académicas:
Fundamentos de ciencias de datos
  • Formulación de problemas, adquisición, modelado, análisis y presentación de datos como parte de un proyecto de ciencia de datos. 
  • ¿Qué hacen los científicos de datos?
  • Entrevistas con científicos de datos y estudio de casos reales.
Programación para ciencias de datos
  • Conceptos básicos de programación en los lenguajes Python y R, actualmente son los más adoptados en la industria.
  • Técnicas que incluyen estructuras de datos (vectores, matrices, listas, entre otras), operaciones, conceptos básicos y comunes (indexación, vectorización, división, entre otras), estructuras de control y funciones. 
  • Operaciones de cadenas y técnicas de manipulación de datos. 
Introducción a los modelos estadísticos
  • Conceptos, teorías y técnicas fundamentales de análisis estadístico para la ciencia de datos.
  • Estadística descriptiva y probabilidad.
  • Fundamentos de operaciones más avanzadas.
Fundamentos de estrategia de negocios para ciencias de datos
  • Contabilidad financiera y gerencial.
  • Técnicas de análisis financiero para la toma de decisiones.
  • Marketing.
  • Estrategia empresarial.
Gestión de datos y bases de datos con SQL
  • Conceptos básicos y técnicas utilizadas para organizar, limpiar y administrar datos dentro y entre conjuntos de datos dispares.
  • Diseño de bases de datos y el uso de bases de datos en aplicaciones de ciencia de datos con énfasis en SQL.
  • Temas adicionales: control de versiones y Git.
Limpieza y manipulación de datos
  • Principales técnicas de manipulación y limpieza de datos utilizando la popular biblioteca de ciencia de datos llamada Pandas, que es parte principal del lenguaje Python.
  • Estructuras de datos básicas para el análisis de datos.
  • Uso de funciones como agrupar y fusionar estructuras de datos.
Analítica y minería de datos
  • Análisis de patrones frecuentes.
  • Clasificación, agrupación y análisis de valores atípicos. haciendo uso del lenguaje R. 
  • Los métodos en la minería de datos.
  • Aspectos computacionales de la implementación de algoritmos eficientes para manejar conjuntos de datos a gran escala. 
  • Técnicas de minería de datos.
  • Aprendizaje automático y procesamiento de señales.
Introducción a la visualización de datos
  • Mejores prácticas en visualización de datos.
  • Tendencias clave en la industria y cómo convertirse en grandes narradores con datos.
  • Representaciones visuales de datos a través de sistemas interactivos.
  • Construcción de visualizaciones efectivas a partir de los datos. 
  • Uso de los principales softwares de la industria: Power BI, Tableau y Google Data Studio.
Fundamentos de machine learning
  • ¿Qué es el aprendizaje automático, por qué lo utilizamos y para qué es apropiado?
  • Uso del lenguaje R y las principales librerías de la especialidad.
  • Aprendizaje supervisado y no supervisado.
  • Principales algoritmos como k-nearest neighbors, support vector machines, decision trees y principal component análisis, entre otros. 
  • Técnicas de regresión lineal y no lineal. 
Fundamentos de big data analytics
  • Análisis y manejo de grandes conjuntos de datos estructurados y no estructurados usando medios no tradicionales.
  • Teoría y aplicación de las estrategias para manipulación de conjuntos de datos distribuidos de manera eficiente.
  • Uso de herramientas de analítica de datos en la nube para manipular de manera eficiente y realizar descubrimientos en conjuntos de datos de gran tamaño.
Técnicas avanzadas de machine learning
  • Conceptos avanzados para la creación de modelos de machine learning.
  • Redes neuronales y deep learning. 
  • Selección y ajuste de modelos.
Métodos de optimización para ciencias de datos
  • Conceptos básicos de optimización.
  • Optimización lineal con métodos de solución como simplex y el análisis de sensibilidad con aplicaciones para transporte, optimización de red y asignación de tareas.
  • Optimización no lineal restringida y sin restricciones. 
  • Métodos de solución que utilizan herramientas como MatLab o Excel.
Seminario de investigación I
  • Propuesta del proyecto de tesis y su aprobación considerando criterios como título de la investigación, situación problemática, definición del problema, objetivos de la investigación y justificación e importancia del proyecto.
Seminario de investigación II
  • Marco teórico para la investigación y definición de la metodología a utilizar para lograr cada objetivo propuesto.
Seminario de investigación III
  • Desarrollo del proyecto con técnicas viables, métodos de cálculo, flujogramas, definición de costos, etc.
  • Exposición e interpretación de los resultados y conclusiones verificables que se alcanzaron en el logro de los objetivos del proyecto.
Seminario de investigación IV
  • Redacción del informe final de la investigación.