malla curricular

1. 48
Horas Créditos Horas Créditos Horas Créditos Horas Créditos
1 Fundamentos Ciencia de datos 1 No aplica
Unidad de Formación
Disciplinar Avanzada
Aplica los conceptos y técnicas fundamentales de la ciencia de
datos para analizar y resolver problemas complejos de manera
eficiente y efectiva, utilizando herramientas y lenguajes de
programación apropiados, para procesar, limpiar, transformar y
visualizar datos.
•Conceptos y definiciones
•Fundamentos de estadística y probabilidad
•Análisis exploratorio de datos
•Fundamentos de programación
•Bases de datos
•Aprendizaje automático
•Métodos de optimización
•Procesamiento de datos.
•Herramientas de análisis de datos
48 1,00 24 0,50 24 0,50 96 2,00
2 Análisis estadístico de datos 1 No aplica
Unidad de Formación
Disciplinar Avanzada
Entiende las técnicas estadísticas avanzadas para analizar
conjuntos de datos complejos y extraer información relevante y
significativa. también podrá identificar y aplicar los modelos
estadísticos apropiados para resolver problemas específicos,
interpretar los resultados de análisis estadísticos y comunicar los
hallazgos de manera efectiva a un público técnico y no técnico
•Estadística Descriptiva
•Inferencia estadística
•Modelos de regresión
•Análisis multivariante.
•Minería de datos
•Aprendizaje automático
•Análisis temporal
48 1,00 48 1,00 48 1,00 144 3,00
3
Aprendizaje Automático(Maching
learning)
1 No aplica
Unidad de Formación
Disciplinar Avanzada
Comprende los fundamentos teóricos y las técnicas básicas de
aprendizaje automático, incluyendo los algoritmos de aprendizaje
supervisado y no supervisado, técnicas de validación cruzada y
selección de modelos, y métodos de reducción de
dimensionalidad.
•Introducción al Aprendizaje Automático
•Preprocesamiento de datos para el Aprendizaje Automático
•Modelos de Aprendizaje Supervisado
•Modelos de Aprendizaje No Supervisado
•Evaluación de Modelos de Aprendizaje •Automático
•Optimización de Modelos de Aprendizaje Automático
64 1,33 16 0,33 16 0,33 96 2,00
4
Ética y privacidad en ciencia de
datosAA4
1 No aplica
Unidad de Formación
Disciplinar Avanzada
Identifica y evalúa los problemas éticos y de privacidad
relacionados con la recopilación, almacenamiento, procesamiento
y análisis de datos en diferentes contextos a través de las leyes y
regulaciones relevantes en materia de privacidad de datos que
serán capaces de aplicarlas en el diseño y desarrollo de sistemas
de ciencia de datos. para reflexionar críticamente sobre las
implicaciones éticas de diferentes escenarios y perspectivas
•Introducción a la ética en ciencia de datos
•Marco legal y regulación
•Técnicas de anonimización y privacidad
•Sesgos y discriminación en los datos
•Responsabilidad social y ética en el diseño de modelos
•Evaluación y monitoreo ético.
•Casos prácticos y estudios de casos
48 1,00 24 0,50 24 0,50 96 2,00
5 Big Data y computación en la nube 1 No aplica
Unidad de Formación
Disciplinar Avanzada
Adquieren los conocimientos y habilidades necesarias para
trabajar con grandes conjuntos de datos en la nube y utilizar
tecnologías y herramientas de Big Data para solucionar
problemas empresariales complejos.
•Introducción a Big Data y sus principales características
•Herramientas y tecnologías de Big Data
•Arquitectura de sistemas Big Data
•Modelado de datos y análisis de Big Data
•Computación en la nube
•Arquitecturas de computación en la nube para Big Data
•Desafíos y oportunidades en Big Data y computación en la
nube
64 1,33 40 0,83 40 0,83 144 3,00
6 Inteligencia artificial 1 No aplica
Unidad de Formación
Disciplinar Avanzada
Adquiere las habilidades y el conocimiento necesarios para
aplicar técnicas de inteligencia artificial en situaciones prácticas y
resolver problemas complejos de ciencia de datos.
• Fundamentos de la inteligencia artificial
• Procesamiento de lenguaje natural
• Visión artificial
• Procesamiento del lenguaje natural basado en redes
neuronales
• Sistemas de recomendación
• Ética en la inteligencia artificial
64 1,33 16 0,33 16 0,33 96 2,00
7
METODOLOGIA DE LA
INVESTIGACIÓN
1 No aplica Unidad de Investigación
Define a la investigación científica e identifica sus principales
características.
Clasifica y comprende los principales enfoques que se han
presentado en la investigación.
Comprende y construye una revisión de la literatura, y discute lo
que puede revelar la misma.
Identifica y aplica un método para organizar y construir el marco
teórico.
Selecciona con espíritu crítico entre los enfoques cuantitativo y
cualitativo, dependiendo del problema de investigación planteado.
Comprende y emplea métodos de recolección de datos
cualitativos y cuantitativos.
Establece y aplica los diseños básicos de la investigación
cualitativa y cualitativa.
• Métodos y técnicas de investigación
• Fases de investigación
• Introducción a la teoría y metodología de la investigación.
• El nacimiento de un proyecto de investigación.
• La investigación cuantitativa y cualitativa.
• Pruebas de hipótesis
• Desarrollo del anteproyecto
20 0,42 25 0,52 17 0,35 62 1,29
PROYECTO DE MAESTRÍA EN CIENCIA DE DATOS
Aprendizaje contacto
con el docente
Aprendizaje
autónomo
Aprendizaje
práctico/experimental
Total
Contenidos mínimos
Resultados de Aprendizaje
Unidad de organización
curricular
Nombre del Itinerario/Mención
Periodo
Académico
Nombre de la asignatura
Nro.

2. Aprendizaje contacto
con el docente
Aprendizaje
autónomo
Aprendizaje
práctico/experimental
Total
Contenidos mínimos
Resultados de Aprendizaje
Unidad de organización
curricular
Nombre del Itinerario/Mención
Periodo
Académico
Nombre de la asignatura
Nro.
1
Técnicas de Visualización de datos
masivos
2 No aplica
Unidad de Formación
Disciplinar Avanzada
Desarrollan habilidades prácticas para la visualización de datos
masivos y puedan aplicar estas técnicas para ayudar a las
empresas y organizaciones a tomar decisiones informadas
basadas en datos.
•Introducción a la visualización de datos masivos
•Herramientas de visualización de datos
•Visualización de datos espaciales y geográficos
•Técnicas de visualización de datos en tiempo real
•Visualización de datos multimedia
•Visualización de datos de redes sociales
•Análisis de datos a través de la visualización
64 1,33 40 0,83 40 0,83 144 3,00
2 TITULACIÓN 1 2 No aplica Unidad de Titulación
Prepara el documento preliminar del Trabajo de Titulación, sea
Proyecto de titulación con componentes de investigación aplicada
y/o de desarrollo, o Artículo profesional de alto nivel, elaborado de
forma autónoma por el maestrante con el acompañamiento del
profesor tutor del taller, que fundamente su competencia de
investigación y redacción técnica.
• Especificidades de la Metodología de Investigación,
aplicada al campo del
• Orientaciones metodológicas (estrategias del trabajo),
para desarrollar la estructura del trabajo de titulación,
según la normativa institucional de la ESPOCH.
• Informe que contenga la forma, redacción técnica y
fondo (Introducción, Marco Teórico y Metodología), basado
en el tipo de trabajo de titulación: Proyecto de titulación con
componentes de investigación aplicada y/o de desarrollo, o
Artículo profesional de alto nivel.
40 0,83 20 0,42 20 0,42 80 1,67
3 Gestión y gobernanza de datos 2 No aplica
Unidad de Formación
Disciplinar Avanzada
Comprende los desafíos y riesgos asociados con la gobernanza
de datos, como la privacidad y seguridad de los datos, la
conformidad con las regulaciones y políticas, la ética y la
responsabilidad social. También deberán ser capaces de evaluar
y seleccionar herramientas y tecnologías para la gestión y
gobernanza de datos, y de comunicar eficazmente sus hallazgos
y recomendaciones a las partes interesadas
•Fundamentos de la gestión y gobernanza de datos
•Ciclo de vida de los datos
•Calidad de datos
•Seguridad y privacidad de los datos
•Gestión de metadatos
•Arquitectura de datos
•Gestión de datos maestros
64 1,33 16 0,33 16 0,33 96 2,00
4 Minería de datos 2 No aplica
Unidad de Formación
Disciplinar Avanzada
Evalúa la efectividad y precisión de los modelos de minería de
datos para la toma de decisiones informadas basadas en los
resultados obtenidos para aplicar técnicas avanzadas de análisis
de datos y generar valor en diferentes campos y sectores de la
industria y la investigación.
•Fundamentos de la minería de datos
•Preprocesamiento de datos
•Análisis exploratorio de datos
•Clustering
•Reglas de asociación
•Modelos de predicción
•Evaluación de modelos
64 1,33 40 0,83 40 0,83 144 3,00
5 Deep learning 2 No aplica
Unidad de Formación
Disciplinar Avanzada
Aprenden y aplican diferentes algoritmos de aprendizaje
profundo, como redes neuronales convolucionales (CNN), redes
neuronales recurrentes (RNN), redes generativas adversarias
(GAN) y redes neuronales de atención (Transformer).
•Fundamentos de Deep Learning
•Optimización y Regularización
•Procesamiento de Lenguaje Natural (NLP)
•Visión por Computadora
•Aprendizaje por Reforzamiento
•Aplicaciones de Deep Learning
•Herramientas y Frameworks
64 1,33 40 0,83 40 0,83 144 3,00
6 TITULACIÓN 2 2 No aplica Unidad de Titulación
Prepara el documento final del Trabajo de Titulación, sea
Proyecto de titulación con componentes de investigación aplicada
y/o de desarrollo, o Artículo profesional de alto nivel, elaborado de
forma autónoma por el maestrante con el acompañamiento del
profesor tutor del taller, que fundamente su competencia de
investigación y redacción técnica.
• Desarrollo de la investigación
• Introducción al diseño de experimentos.
• Redacción del proyecto de titulación
• Interpretación de resultados
• Presentación del trabajo de titulación escrito (Aprobado
por el tutor).
48 1,00 25 0,52 25 0,52 98 2,04
700 14,583333 374 7,7916667 366 7,625 1440 30,00
SIGNIFICADO
CARGA
HORARI
A
CRÉDITO
S
Aprendizaje en Contacto con el Docente 700 15
Aprendizaje autónomo 374 8
Aprendizaje Practico experimental 366 8
TOTAL

3. Aprendizaje contacto
con el docente
Aprendizaje
autónomo
Aprendizaje
práctico/experimental
Total
Contenidos mínimos
Resultados de Aprendizaje
Unidad de organización
curricular
Nombre del Itinerario/Mención
Periodo
Académico
Nombre de la asignatura
Nro.
Unidad de Titulación
Total Horas 1.440 30