Aplicar técnicas de gestión personal para adaptarse de mejor manera al entorno actual de las organizaciones.

El taller está especialmente diseñado para quienes ingresan a un diplomado de Clase Ejecutiva UC.

Ciertamente, los constantes cambios que se viven hoy en día, obligan a los profesionales a mantenerse actualizados. Vivimos en una época de alta volatilidad y se hace necesario ser flexible. Es así como la crisis que explotó en 2020 nos mostró la necesidad de desarrollar habilidades asociadas a los entornos virtuales de trabajo.

En este taller, el participante aprenderá a cómo gestionar su marca personal en redes sociales. También, técnicas de oratoria digital para la realización de videoconferencias. Y, además, estrategias para gestionar bien el tiempo y conocimientos sobre inteligencia emocional.

El taller busca entregar habilidades transversales a todos los alumnos de los diplomados de Clase Ejecutiva UC. Se realizarán controles de lectura, foros de discusión y clases sincrónicas durante su desarrollo.

• Marca personal
• Cómo construir una marca personal digital
• Acciones premium para potenciar nuestra personal branding

• Reuniones virtuales y webinars
• El contenido de las sesiones
• Oratoria digital
• Técnicas básicas de oratoria para entornos digitales

• Conócete a ti mismo
• Procrastinación
• Los “ladrones del tiempo”
• Priorización y matriz de Eisenhower
• Buenas prácticas de gestión del tiempo

• Modelo de inteligencia emocional
• Conciencia de uno mismo
• Conciencia social
• Conciencia organizacional
• Gestión de las relaciones
• ¿Cómo desarrollar estas competencias?

Un profesor ayudante interactúa directamente con un grupo reducido de participantes para ayudar a resolver problemas técnicos remanentes, como por ejemplo, la correcta instalación de herramientas de software, el uso apropiado de algunas herramientas, etc.

Para este curso se revisarán formas de interpretar y aplicar del modelo anidado de visualización para validar visualizaciones existentes y para justificar decisiones de diseño de nuevos gráficos de visualización de información. Se revisarán y aplicarán bibliotecas en Python especializadas en visualización. Y con participación de los alumnos se analizarán casos de visualización.

Los participantes deben aplicar los conocimientos aprendidos en tres trabajos o pequeños proyectos concretos. La primera actividad práctica requiere utilizar los conceptos de visualización para evaluar y validar diseños de visualización de información ya existentes. La idea es poner en práctica la relación entre tipos de datos y datasets, tareas, así como conocer las marcas y canales más apropiados para codificar información visualmente. La segunda actividad práctica tiene como propósito implementar visualizaciones mediante programación. Se establecen tres casos con datasets y codificaciones objetivo, con lenguage Python y usando las bibliotecas Pandas, Matplotlib y Seaborn.

El último proyecto suele tener características integradoras y, por lo tanto, es un poco más largo y completo que los anteriores. Aun cuando el trabajo se entrega en forma individual y no grupal, los alumnos pueden conversar y discutir sobre sus ideas de soluciones con sus compañeros, antes de desarrollar y entregar el proyecto. De esta forma, la tercera actividad de aplicación requiere una integración de conceptos de visualización y de implementación en Python. Dado un dataset y un caso de estudio, el estudiante analiza un dataset y provee respuestas a ciertas preguntas a través de la implementación de diferentes visualizaciones. En el proceso, se justifican las decisiones de codificación visual (gráfico, colores, etc.) y del espacio de diseño en general.

• Ejemplos históricos de visualización de datos
• Conceptos fundamentales de visualización de información
• Percepción visual
• Funciones básicas de Matplotlib y Seaborn.

• ¿Qué? Datos y datasets
• ¿Por qué? Tareas de visualización
• ¿Cómo? Codificación visual
• Reglas y recomendaciones generales para visualizaciones efectivas

• Gráfico de barras y barras apiladas
• Gráfico de puntos y de líneas
• Gráfico de dispersión y de burbujas
• Gráfico de flujos
• Histogramas, gráficos de caja y de violín

• Múltiples ejes, gráficos radiales y de torta
• Matriz de gráficos
• Pequeños múltiples
• Mapa de calor
• Reducción de dimensionalidad lineal y no lineal

• Conceptos de red, grafos y árboles
• Diagramas nodo-enlace
• Matrices de adyacencia
• Gráficos tipo encierro
• Clustermap

• Introducción a la visualización en diversos dominios y a storytelling
• Visualizacion espacial y espacio-temporal
• Visualización de colecciones de documentos
• Visualización de vectores de palabras

• Introducción a la inteligencia de negocios
• Plataforma clásica de inteligencia de negocios
• Componentes de la plataforma clásica de inteligencia de negocios
• Nuevas tendencias que impactan la inteligencia de negocios

• Desafíos de la inteligencia de negocios actual
• Presentación plataforma moderna de análisis de datos
• Componentes de la plataforma moderna de análisis de datos
• Centralización versus descentralización

• Agilidad en inteligencia de negocios
• Introducción al gobierno de datos
• Roles asociados al gobierno de datos
• Desafíos del gobierno de datos

• Introducción a la calidad de datos
• Metodología de calidad de datos
• Etapas de la metodología de calidad de datos
• Desafíos de calidad de datos

• Introducción al pensamiento analítico
• Pensamiento crítico
• Pensamiento creativo
• El nuevo rol del traductor analítico

• Próximos años: principales desafíos
• El rol de los gerentes y directivos de la organización
• El (probable) invierno analítico
• Preparándose para una nueva era

Un profesor ayudante interactúa directamente con un grupo reducido de participantes para ayudar a resolver problemas técnicos remanentes, como por ejemplo la correcta instalación de herramientas de software y el uso apropiado de algunas herramientas. Asimismo, para la preparación de set de datos para la reducción de dimensionalidad, y guiar el trabajo en las diferentes técnicas de reglas de asociación, algoritmos de clasificación, clustering y medidas de similaridad.

Los alumnos deben aplicar los conocimientos aprendidos en tres trabajos o pequeños proyectos concretos. El último proyecto suele tener características integradoras y, por lo tanto, es un poco más largo y completo que los anteriores. Aun cuando el trabajo se entrega en forma individual y no grupal, los alumnos pueden conversar y discutir sobre sus ideas de soluciones con sus compañeros, antes de desarrollar y entregar el proyecto. Los miniproyectos estarán enfocados en: procesar y consolidar datos aplicando ETL (extracción, transformación y carga de datos); utilizar el algoritmo Random Forest y KNN para dos casos propuestos, y realizar el preprocesamiento de una base de datos propuesta, aplicando dos algoritmos de los vistos en clases para así mostrar sus rendimientos a través de evaluar al clasificador y presentar las métricas, pudiendo establecer una comparación de rendimiento entre los dos algoritmos elegidos.

• Preprocesamiento de datos
• Selección y transformación de datos

• Árbol de decisión
• KNN
• Random Forest

• Clustering
• K-means
• Clustering jerárquico

• Modelo de entrenamiento
• Métricas de evaluación

Un profesor ayudante interactúa directamente con un grupo reducido de participantes para ayudar a resolver problemas técnicos remanentes, como por ejemplo, la correcta instalación de herramientas de software, la forma correcta del uso de algunas herramientas, etc.

Los participantes deben aplicar los conocimientos aprendidos en tres trabajos o miniproyectos concretos. El primer trabajo (miniproyecto 1) consiste en construir una base de datos a partir de data en formato csv y luego escribir un programa Python que se conecte con dicha base de datos para agregar nuevas filas y formular algunas consultas simples. En el segundo (miniproyecto 2), se trabaja con un dataset más complejo que da origen a una BD con varias tablas y, además, de interactuar desde Python en forma simple, se usa la librería Pandas. En el tercer trabajo (miniproyecto 3), la data debe obtenerse desde una API JSON y se debe escribir un programa Python que cargue esa información en un motor MongoDB para luego hacer consultas sobre él.

• Conceptos fundamentales de bases de datos
• El modelo relacional
• MySQL desde el Workbench

• Introducción al lenguaje SQL
• Creación de una base de datos desde Python
• Tablas y tipos de datos
• Creación de tablas desde Python
• Agregar y eliminar información a una tabla desde Python

• Introducción a Pandas y dataframes
• SQL joins
• Transacciones en bases de datos
• Eliminación y modificación de filas en una tabla

• Operaciones de conjunto y cláusulas de agrupación
• Ordenamiento y agrupación
• Carga de contenido CSV desde una API Web
• Procesamiento de un archivo en formato CSV

• Bases de datos NoSQL
• Introducción a MongoDB
• El formato JSON
• MongoDB desde Python

• MongoDB y desde una API en la web y procesarla con un programa Python
• Conectando con MongoDB
• Interactuando con el motor MongoDB desde un programa
• Procesamiento de JSON desde Python
• Extracción de JSON desde una API web