Presentación

Todo lo que hacemos genera datos, 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 puede: i) extraer conocimiento y hallazgos relevantes ii) crear oportunidades de mejora y iii) afectar positivamente sus procesos de toma de decisiones.

En este contexto, 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.

A nivel mundial la Ciencia de Datos se ha venido adoptando cada vez más en las organizaciones, y el Perú no está ajeno a esta realidad. La ciencia de datos es la tendencia tecnológica del presente y lo será 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, 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.

Creditaje

55 créditos.

Plan de estudios

La maestría está estructurada en 14 cursos:

Primer Semestre (presencial):

• 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.
• 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.
• 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.

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. Alex Cuadros Vargas

Doctor en Ciencia de la Computación, Universidade de Sao Paulo (Brasil). Maestría en Ciencia de la Computación, Universidade de Sao Paulo (Brasil). Realizó un Pos-Doctorado sobre generación de mallas a partir de imágenes, en la Universidad de Sao Paulo. Actualmente es profesor a tiempo completo del Departamento de Ciencia de la Computación de la UCSP. Tiene experiencia en la programación de soluciones escalables.

Dr. Guillermo Cámara Chavez

Doctor en Ciencia de la Computación, Universidade Federal de Minas Gerais (Brasil). Maestría en Ciencia de la Computación, Universidade de Sao Paulo (Brasil), Bachiller en Ingeniería de Sistemas, Universidad Católica Santa María (Arequipa). Actualmente se desempeña como profesor de la Universidade Federal de Ouro Preto. Tiene amplia experiencia en desarrollo de investigaciones con varios proyectos aceptados por el FONDECYT. Especialista en procesamiento de imágenes usando técnicas de Machine Learning y Deep Learning.

Dr. Sergio Aquise Escobedo

Doctor  en Ciencias de la Educación UNSA-Perú. Doctor (c) en Estadística Aplicada UNA-Perú.

Maestría en Ciencias de la Computación y Matemática Computacional por la Universidad de São Paulo USP-Brasil. Licenciado en Matemática por la Universidad Nacional de San Agustín de Arequipa UNSA-Perú. Profesor Principal de la Universidad Nacional de San Agustín de Arequipa, adscrito al Departamento Académico de Estadística-FCNF. Profesor de la Universidad Católica San Pablo UCSP a nivel de pregrado y postgrado. Investigador Principal del proyecto subvencionado «Aprendizaje Interactivo de La Estadística Usando Modelos B-learning en un Ambiente Computacional Distribuido E Interoperable».: Áreas de interés: Matemática Computacional y Estadística. Sub áreas de interés: Generación de Mallas (Mesh Generation), Criptografía, Solución Numérica de Ecuaciones Diferenciales Ordinarias y Parciales, Álgebra Lineal Numérica, Análisis Numérico, Inferencia Estadística, Cadenas de Markov, Control Estadístico de la Calidad, Diseño Experimental, Análisis Multivariado.

Dr. Alvaro Mamani Aliaga

Doctor en Informática, Universidad Nacional de San Agustín (Perú). Maestría en Ciencia de la Computación, Universidad de Sao Paulo (Brasil). Actualmente de 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. 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.

Dr. José Cerda Hernandez

Doctor en Estadística por la Universidad de São Paulo, Magíster 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. Profesor investigador del Instituto de Investigación de la Facultad de Ingeniería Estadística y Economía de la Universidad Nacional de Ingeniería. Investigador acreditado por Concytec, registro 15491; 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.

Mg. Jenny Callo Huayna

Magister en Matemáticas con mención en Modelación Matemática y licenciada en Matemáticas por la UNSA. Actualmente, es docente nombrada en el Departamento Académico de Matemáticas, y preside la Comisión Permanente de Investigación. Tiene experiencia en la organización de eventos científicos de matemática aplicada. Miembro del Comité Temático Mujeres en la Matemática Aplicada y Computacional de la Sociedad Brasilera de Matemática Aplicada y Computacional. Cuenta con experiencia en investigación en áreas como: optimización, probabilidades, modelación matemática, y minería de datos.

* La Escuela de Postgrado de UCSP se reserva el derecho de hacer cambios en la plana de profesores.

Calendario

• El ingreso presencial a la universidad se realizará de acuerdo a los protocolos de seguridad y requerimientos adecuados a la normativa nacional vigente al inicio del programa.
• 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/ 21,000 hasta el 15 de marzo de 2024 (cupos limitados).
• Precio al contado: S/ 23,500.
• Precio en cuotas: S/ 25,740.
  • Cuota inicial de: S/ 5,100.
  • 16 cuotas de: S/ 1,290.
• Cierre de inscripciones: 12 de julio del 2024.
• Descuentos:
  • Consulta por nuestro descuento para Comunidad UCSP y Antiguos Alumnos.
  • Consulta por nuestro descuento corporativo (3 o más personas).

• 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.