Presentación

En los últimos años hemos visto el crecimiento en escala y complejidad de los datos generados por dispositivos, maquinarias, aplicativos y el Internet. El uso efectivo de los datos puede tener un gran impacto en las organizaciones, pues a partir de su análisis se pueden mejorar positivamente sus procesos de toma de decisiones. La Ciencia de Datos, surge como la disciplina que propone formas efectivas y éticas de usar las vastas cantidades de datos generadas y propone técnicas escalables para el análisis y transformación de estos en conocimiento.

La ciencia de datos junto con la Inteligencia Artificial son la tendencia tecnológica del presente y lo serán también en el futuro. Conscientes de esto, la Universidad Católica San Pablo (UCSP), a través de su Departamento de Ciencia de la Computación, presenta la Maestría en Ciencia de Datos. Esta maestría tiene como objetivo brindar una sólida formación teórica y práctica en los fundamentos matemáticos, estadísticos, computacionales, de Inteligencia Artificial (Machine Learning) y visualización de datos, que permitan desarrollar proyectos de Ciencia de Datos que impacten positivamente en las organizaciones.

La maestría está orientada al desarrollo práctico (hands-on), de casos de estudio en dominios tales como minería, finanzas, marketing, ingeniería, educación, entre otros. El objetivo es que a través del desarrollo práctico de soluciones, estas puedan ser replicadas por los estudiantes en sus propias organizaciones. La maestría ha sido diseñada para entrenar a los estudiantes para que sean fluentes en data engineering, visualización, modelado estadístico, modelado predictivo basado en Inteligencia artificial (Generativa), Machine Learning y Deep Learning. Los graduados estarán posicionados para ser pioneros en el desarrollo de este campo y liderar sus organizaciones hacia la toma de decisiones direccionadas por datos (data-driven) en la industria, el sector público y academia.

Objetivos

Los egresados de la maestría en Ciencia de Datos estarán en capacidad de:

• Identificar oportunidades de aplicación de técnicas de Ciencia de Datos en sus organizaciones.
• Proponer e implementar proyectos integradores en Ciencia de Datos en las organizaciones.
• Desempeñar tareas de Data Engineering en las organizaciones.
• Abordar problemas y construir soluciones de análisis de datos usando herramientas computacionales.
• Elaborar modelos estadísticos para el análisis de datos en organizaciones, entender sus fundamentos y aplicarlos en problemas reales.
• Proponer, diseñar e implementar estrategias de visualización de datos para exploración, análisis y toma de decisiones.
• Gestionar y analizar conjuntos de datos masivos, estructurados y no estructurados de una forma escalable.
• Diseñar, aplicar, proponer, implementar y evaluar modelos predictivos basados en Inteligencia Artificial (Machine Learning y Deep Learning) para toma de decisiones.
• Acceder a un mercado laboral en franco crecimiento para profesionales con estas habilidades.
• Crecer profesionalmente dentro de su organización.

Dirigido principalmente a

Dirigido a bachilleres (Ciencia de la Computación, Ingeniería de Sistemas y las otras ingenierías, educación, matemática, estadística, minería, finanzas, administración, ventas, manufactura, áreas biomédicas, entre otras) con conocimientos de lenguajes de programación, e interesados en analizar datos de forma computacional y transformarlos en información útil para una mejor toma de decisiones y por ende crear un valor añadido en las organizaciones.

Metodología

Clases magistrales, desarrollo de clases prácticas (hands-on), desarrollo de casos de estudios, exposición de estudiantes.

Creditaje

55 créditos.

Plan de estudios

La maestría está estructurada en 14 cursos:

Primer Semestre (presencial):

• Programación para Ciencia de Datos: Tiene como finalidad nivelar a los estudiantes en conceptos de lenguajes de programación y estructuras de datos necesarios para desarrollar herramientas computacionales para Ciencia de Datos.
• Introducción a Ciencia de Datos: En este curso se dará un panorama general de lo que implica llevar a cabo un proyecto de Ciencia de Datos, las áreas que la componen y los tipos de soluciones que pueden ser construidas.
• Matemática para Ciencia de Datos: Se darán las bases matemáticas necesarias para poder realizar modelado estadístico y para construir modelos de Machine Learning y Deep Learning. En ese sentido, se revisarán conceptos de probabilidad y estadística, álgebra lineal, cálculo entre otros.
• Data Engineering: Se abordará el diseño, construcción y mantenimiento de la infraestructura de datos para colectar, procesar, almacenar y entregar datos que puedan ser analizados a cualquier escala.
• Persona Humana y Ciencia de Datos: Ofrece una visión católica sobre la persona humana, su dignidad, apertura al mundo y modo de comprender. Desde esta perspectiva, se pretende relevar algunas discusiones en torno a los fundamentos epistemológicos y éticos ligados a la Ciencia de la Computación y Ciencia de Datos.

Segundo Semestre (virtual síncrono):

• Machine Learning y Deep Learning Aplicado: Aborda la forma de crear modelos predictivos para problemas de análisis de datos desde la perspectiva de Machine Learning y Deep Learning. Se usarán diversos algoritmos para construir modelos que permitan resolver problemas de clasificación, regresión y clustering, y que puedan ser aplicados en diversos sectores (industria, finanzas, salud, marketing,etc.).
• Visualización de datos: Tiene como objetivo estudiar herramientas visuales avanzadas para interpretar datos durante el proceso de descubrimiento de conocimiento, en apoyo a la toma de decisiones. Entre otros tópicos se abordará: la creación de Chart analíticos, limpieza de datos para visualización, procesamiento de datos multidimensionales.
• Estadística Predictiva Avanzada: Proporcionar bases estadísticas para el modelado predictivo al abordar problemas de análisis de datos. Entre los tópicos avanzados que serán estudiados están: la simulación computacional de fenómenos aleatorios, muestreo de Monte Carlo, la generación de variables aleatorias, análisis exploratorio de datos y el reconocimiento de patrones estadísticos.

Tercer Semestre (virtual síncrono):

• Ciencia de Datos Escalable: Aborda el diseño de soluciones para análisis de datos que tengan gran escala (Big Data). Se estudia cómo desplegar los modelos estadísticos y de machine learning en la nube.
• Tópicos en Ciencia de Datos I: Aborda tópicos que complementan tareas de análisis de datos de imágenes y texto. Por lo tanto, se enfoca el estudio de modelos estadísticos y de Machine Learning para visión por computador y el estudio de técnicas estadísticas y de Machine Learning para el procesamiento de lenguaje y texto (NLP).
• Proyecto I: Tiene como objetivo, desarrollar el tema de tesis, durante el último año de la maestría. Con la guía de los asesores del curso también se comenzará a desarrollar el documento de tesis de maestría.

Cuarto Semestre (virtual síncrono):

• Entrenamiento Práctico en Ciencia de Datos: Propone el estudio de herramientas y técnicas que permitan aplicar el conocimiento obtenido durante la maestría en la solución de problemas reales. Son discutidos, desde conceptos de diseño y desarrollo de interfaces de Software, MLOps, integración continua e implementación, entre otros.
• Tópicos en Ciencia de Datos II: Aborda el estudio de técnicas avanzadas de análisis de datos Espacial y Geoespacial. Así como el estudio de técnicas de visual analytics orientadas a problemas de gran escala.
• Proyecto II: Se finaliza el desarrollo del tema de tesis, con la guía de los asesores del curso. Asimismo, se termina de desarrollar el documento de tesis necesario para realizar su sustentación.

Proceso de evaluación

Presencial, virtual, síncrono y asíncrono.

Metodología de evaluación: Participación en aula, evaluación constante, exposiciones, exámenes, trabajo integrador.

Plana docente

Dr. José Eduardo Ochoa Luna

Doctor en Ciencia de la Computación, Universidade de Sao Paulo (Brasil). Maestría en Ciencia de la Computación, Universidade Federal de Mato Grosso do Sul (Brasil). Actualmente se desempeña como profesor tiempo completo del Departamento de Ciencia de la Computación de la UCSP. Ha desarrollado diversos proyectos de análisis de datos en social media, usando técnicas de Procesamiento de lenguaje natural y Deep Learning. Especialista en Inteligencia Artificial.

Dr. Erick Gómez Nieto

Doctor en Ciencia de la Computación, Universidade de Sao Paulo (Brasil). Maestría en Ciencia de la Computación, Universidade de Sao Paulo (Brasil). Actualmente se desempeña como docente a tiempo completo del Departamento de Ciencia de la Computación de la Universidad Católica San Pablo (UCSP). Ha trabajado como investigador en el grupo de Visual Analytics de IBM Research en Brasil. Es especialista y con amplia experiencia en visualización de datos, visual analytics y data science.

Dra. Julissa Villanueva Llerena

Doctora y Magíster en Ciencia de la Computación de la Universidad de Sao Paulo (Brasil). Actualmente, ejerce como profesora de Postgrado en la Universidad Católica San Pablo y desarrolla soluciones innovadoras mediante inteligencia artificial en problemas del área legal. Además, tiene experiencia en proyectos de aprendizaje supervisado, data science, modelos probabilísticos y procesamiento del lenguaje natural.

Dr. Daniel Alexis Gutierrez Pachas

Doctor en Ciencia de la Computación y Matemática Computacional, Universidade de Sao Paulo (Brasil). Maestría en Matemática, Universidade Federal de Juiz de Fora (Brasil). Actualmente es Director del Departamento de Ciencia de la  Computación UCSP. En 2019 fue vice-coordinador de la Sociedad Brasileña de Matemática Computacional y Aplicada en Minas Gerais (Brasil) y miembro del Comité Latinoamericano de Matemática Aplicada Computacional e Industrial.

Sus áreas de interés son: filtración y control de sistemas estocásticos, optimización, análisis numérico y ciencia de datos.

Dr. Edward Cayllahua Cahuina

Investigador en el campo de la Ciencia de la Computación, tiene una maestría en Ciencia de la Computación de la Universidade Federal De Ouro Preto (Brasil), obtuvo un doctorado conjunto por la Universidad Federal de Minas Gerais (Brasil) y la Universidad Gustave-Eiffel (Francia). Sus principales áreas de investigación abarcan la visión computacional, el reconocimiento de patrones, el aprendizaje de máquina.

Dr. Pablo Calcina Ccori

Doctor en Ciencia de la Computación en la Universidad de São Paulo (Brasil). Maestría en Ciencia de la Computación en la Universidad de São Paulo (Brasil). Graduado en Ingeniería de Sistemas en la Universidad Nacional de San Agustín (Arequipa). Sus principales áreas de investigación son Inteligencia Artificial e Internet de las Cosas. Tiene varios años de experiencia en proyectos de desarrollo de software y en proyectos de investigación científica. Actualmente participa de un emprendimiento en el área de Internet de las Cosas.

Dr. Javier Montoya Zegarra

Doctor en Ciencia de la Computación, ETH-Zurich (Suiza). Maestría en Visión y Machine Learning, INRIA/ENSIMAG (Francia). Actualmente es investigador senior en el ETH-Zurich (Suiza). Se ha desempeñado como Data Scientist en la empresa Caru GmbH con el proyecto: analysis of temporal data from sensors for predicting presence of humans in rooms. Asimismo, en la empresa Tracktics GmbH, con el proyecto: analysis of sensor data for sport summarisation. Especialista en Machine Learning aplicado en Data Science.

Dr. Manuel Loaiza Fernández

Doctor. en Informática (Pontifícia Universidade Católica do Rio de Janeiro, PUC-Rio de Janeiro Brasil) en el área de computación gráfica con énfasis en tópicos de Computación Gráfica, Realidad Virtual y Visión Computacional. Mg. en Informática (Pontifícia Universidade Católica do Rio de Janeiro, PUC-Rio de Janeiro). B.Sc. Ingeniería de Sistemas (Universidad Nacional de San Agustín, UNSA). Desde 2017 hasta la fecha he trabajado como docente de pregrado y posgrado en los Departamentos de Ciencia de la Computación de la Universidad Católica San Pablo y de la Universidad Nacional San Agustín. Ha trabajado en proyectos de investigación aplicada para empresas como Petrobras, Rede Globo, y General Electric (GE) en Brasil. Actualmente, trabaja en 2 proyectos de investigación aplicada multidisciplinar con fondos externos de FONDECYT/Banco Mundial.

Dr. José Cerda Hernandez

Es Ph.D. en Estadística por la Universidad de São Paulo, Máster en Matemática Aplicada por el Instituto de Matemática y Ciencias Afines de la Universidad Nacional de Ingeniería y licenciado en Matemática por la Universidad Nacional de Ingeniería. También ha realizado postdoctorado en la Universidad de São Paulo, Universidad de Campinas y Oregon State University. Actualmente es profesor investigador del Instituto de Investigación de la Facultad de Ingeniería Estadística y Economía de la Universidad Nacional de Ingeniería consultor en análisis estadístico de datos, en el área de modelamiento econométrico y data science, y asesor en ciencia y tecnología aplicado a la industria.

Dr. Yván Túpac Valdivia

Doctor en Ingeniería Eléctrica por la Pontifícia Universidade Católica do Rio de Janeiro ( PUC-Rio de Janeiro Brasil), con pregrado en Ingeniería Electrónica (UNSA, 1995). Trabaja actualmente como docente e investigador acreditado en Ciencia de la Computación en la Universidad Católica San Pablo (UCSP), siendo Encargado de Postgrado del Departamento de Ciencia de la Computación de la UCSP. Posee experiencia en Ciencia de la Computación con énfasis en Inteligencia Computacional (Computación Evolutiva, Aprendizaje por Refuerzo) con actuación principal en proyectos de Investigación y Desarrollo en Ingeniería de Petróleo, Energía Eléctrica, Evaluación de Proyectos, Análisis de Riesgo, Control y Automatización de Procesos, Sistemas de redes de Comunicación, Computación Distribuida, Sistemas Electrónicos y Digitales, Análisis y Procesamiento de Imágenes.

Dr. Christian Delgado Polar

Doctor por la Universidad de São Paulo – Brasil. Magíster en Ciencia de la Computación por la Universidad Federal de Minas Gerais – Brasil. Ingeniero Informático por la UCSP. Más de 10 años de experiencia laboral en desarrollo de software en empresas de mediano y gran tamaño. Especialidad en Inteligencia Artificial en el área de Aprendizaje por Refuerzo.

Dr. Rensso Mora Colque

Doctor en Ciencia de la Computación por la Universidade Federal de Minas Gerais – Brasil. Maestría en la Universidade Federal de Ouro Preto – Brasil. Ingeniero Informático en la Universidad Catolica San Pablo. Tiene experiencia en el área de Procesamiento de Imágenes y videos. Actualmente labora como docente en UTEC y en el postgrado de la UCSP.

Dr. Alvaro Mamani Aliaga

Doctor en Ciencias de la Computación, Universidad Nacional de San Agustín (Perú). Maestría en Ciencia de la Computación, Universidad de Sao Paulo (Brasil). Actualmente se desempeña como profesor en el programa de Ciencia de la Computación de la Universidad Católica de San Pablo. Tiene experiencia en las áreas de computación paralela y distribuida, programación y estructuras de datos. Trabajó como investigador en varios proyectos entre los que destacan el Proyecto Maritaca efectuado en la Universidad Federal de São Paulo (UNIFESP); los proyectos Laboratorio de computación de alto rendimiento y Proyecto Tunki: Detección remota de humedales utilizando imágenes satelitales y computación de alto rendimiento en la Universidad Nacional de San Agustín. Sus áreas de interés son: computación de alto rendimiento, computación paralela, computación en la nube, sistemas de archivos distribuidos, big data, computación móvil y ciencia de datos.

Mgtr. Rosa Paccotacya

Magíster en Ciencia de la Computación en la Universidad Estadual de Campinas, Brasil, en el laboratorio Recod. bajo la orientación de la Prof. Sandra Ávila. Su investigación se centró en la IA explicable para el análisis del cáncer de piel, con el objetivo de comprender y validar los mecanismos internos de los modelos de caja negra para garantizar predicciones confiables. Ha sido investigadora en diferentes proyectos de investigación aplicada usando Inteligencia Artificial. Actualmente es profesora en la Universidad Nacional de San Agustín y en la Universidad Católica San Pablo. Sus intereses de investigación son: AI for Social good, Responsible AI, fairness, accountability, Explainable AI, y Computer Vision.

Mgtr. Johan Llamoza Rafael

Magíster en Física, Universidad Pontificia Católica del Perú. Pregrado en Física, Universidad Nacional de Ingeniería. Especialista en cálculo numérico y computación de alto rendimiento. Sus áreas de interés son ecuaciones de reacción difusión, análisis de redes, ciencia de datos. Actualmente se desarrolla como Machine Learning Engineer y Data Scientist en Interbank desarrollando proyectos en Ciencia de Datos, con énfasis en modelos predictivos, usos de análisis de redes, procesamiento de lenguaje natural, visualización de datos, y computación en la nube (AWS) usando metodología MLOps.

Dr. Yessenia Yari Ramos

Magíster en Ciencia de la Computación por la Universidad Federal de Rio Grande del Sur(Brasil). Bachiller en Ingeniería de Sistemas por la Universidad Nacional de San Agustín. Docente de la Universidad Católica San Pablo. Sus áreas de interés son Visión Computacional, Procesamiento de Imágenes e Inteligencia Artificial.

Mgtr. Manasses Antoni Mauricio Condori

Maestría en Ciencia de la Computación, Universidad Católica San Pablo. Bachiller de la Universidad Nacional de Ingeniería (UNI), con una especialización en Ingeniería Mecatrónica. Ha desarrollado proyectos en el área de inteligencia artificial y ciencia de datos orientados a la generación/diagnóstico en imágenes médicas y predicción/clasificación. Actualmente, se desempeña como Lead Data Scienctist en Interbank, donde desarrolla proyectos en las áreas de aprendizaje automático, representación de conocimiento, procesamiento de imágenes, procesamiento del lenguaje natural.

Mgtr. José Chávez Álvarez

Maestría en Ciencia de la Computación, Universidad Católica San Pablo. Bachiller en la Universidad Nacional de Ingeniería (UNI), con una especialización en Ingeniería Electrónica. Ha desarrollado proyectos en el área de inteligencia artificial y Computer Vision. Actualmente, se desempeña como profesor en la Universidad Católica San Pablo y UTEC.

Dr. Juan David Quiceno

Doctor en Filosofía por la Universidad de Navarra. Maestría en Filosofía Universidad Católica Santa María de Murcia. Docente del Departamento de Humanidades de la Universidad Católica San Pablo.

Calendario

• La Escuela de Postgrado se reserva el derecho de hacer cambios en el calendario académico.
• La Escuela de Postgrado se reserva el derecho de cambiar la plataforma virtual.
• La Escuela de Postgrado UCSP se reserva el derecho de cancelar o postergar el programa si no alcanza el mínimo de alumnos matriculados hasta 7 (siete) días hábiles anteriores a la fecha indicada para el inicio del programa.

Tiempo de dedicación al programa

Modalidad Semipresencial:

Modalidad A distancia:

Horas lectivas: 584, horas no lectivas: 592

Inversión

• Preventa: S/ 21,500 hasta el 7 de marzo de 2025 (cupos limitados).
• Precio al contado: S/ 23,500.
• Precio en cuotas: S/ 25,960.
  • Cuota inicial de: S/ 5,000.
  • 16 cuotas de: S/ 1,310.
• Descuentos:
  • Consulta por nuestro descuento para Comunidad UCSP y Antiguos Alumnos.
  • Consulta por nuestro descuento corporativo (3 o más personas).

• Para mayor información consulta con nuestra asesora educativa.
• Para ver las orientaciones para devolución de pagos darle clic aquí.
• Aceptamos pagos con todas las tarjetas.
• Los descuentos no son acumulables.
• Los descuentos a la comunidad UCSP, antiguos alumnos y corporativo no aplica en pronto pago.
• El monto de matrícula es de S/ 350, está incluída en todas las modalidades de pago y es única al momento de la admisión.

CERTIFICACIÓN

Grado de Maestro en Ciencia de Datos.

CONDICIONES DE CULMINACIÓN

• Reglamento General de Grados y Títulos: https://ucsp.edu.pe/archivos/transparencia/R-VICE-08-Reglamento-General-de-Grados-y-Titulos.pdf
• Disposiciones particulares de Grados y Títulos de la Escuela de Postgrado: https://ucsp.edu.pe/transparencia/disposiciones-particulares-de-grados-y-titulos-de-la-escuela-de-postgrado/

Requisitos de admisión

INSCRIPCIÓN

• Ficha de inscripción correctamente llenada.
• Documento de identidad:
  
  • Peruanos: Copia simple de DNI.
  • Extranjeros: Copia simple del carné de extranjería, pasaporte o documento de identidad oficial de su país de origen.
• Documento académico:
  
  • Peruanos: Reporte SUNEDU, en caso de no contar con el reporte, copia legalizada del diploma de bachiller.
  • Extranjeros: Copia legalizada del diploma de bachiller con la Apostilla de la Haya o la legalización por el Ministerio de Relaciones Exteriores.
• 01 carta de motivación y presentación personal.
• 01 entrevista personal.

MATRÍCULA

• Compromiso de honor firmado.
• Contrato de prestación de servicios firmado.

• La documentación que se presenta es evaluada por el Comité de Admisión del programa de postgrado que determina si el postulante reúne el nivel esperado de los participantes.
• La información que el postulante ingrese en la inscripción es su responsabilidad, la UCSP presume su veracidad.
• Se considera matriculado al postulante que cumpla con todos los requisitos de admisión.
• Si el postulante realiza el pago con anterioridad al proceso de admisión y se comprueba el no cumplimiento de algún requisito de admisión, no se considerará la matrícula.

Condiciones de permanencia

• Reglamento de Admisión para la Escuela de Postgrado: https://ucsp.edu.pe/transparencia/reglamento-de-admision-para-la-escuela-de-postgrado/
• Reglamento de Estudiantes de la Escuela de Postgrado: https://ucsp.edu.pe/transparencia/reglamento-de-estudiantes-de-la-escuela-de-postgrado/

Requerimientos tecnológicos

• Contar con PC o Laptop.
• Cámara web (interna o externa) con mínimo de 720p de resolución.
• Micrófono (interno o externo).
• Acceso a internet – la velocidad recomendada es de 4 Mbps para descarga y 1 Mbps para subida o superior.
• Navegador Google Chrome o Firefox actualizado.