Carrera Profesional de Ciencia de Datos

Perfil del ingresante de la carrera de Ciencia de Datos

Te gusta aprender e innovar
Identificar y solucionar problemas de tipo lógico matemático
Te interesa descubrir patrones a partir de la exploración de datos

¿Aún no sabes si es tu carrera ideal?

Contacta a un asesor para más información.

Contactar un asesor

¿Qué habilidades potenciarás al egresar de la carrera de Ciencia de Datos?

Tras terminar de estudiar Ciencia de Datos e Inteligencia Artificial y culminar satisfactoriamente la carrera en UTEC, el egresado de Ciencia de Datos será capaz de encontrar conocimiento valioso a partir de grandes volúmenes de data utilizando técnicas estadísticas, Big Data, Machine Learning y otros métodos computacionales.

¿En qué trabajan los egresados de la carrera de Ciencia de Datos?

Serás un profesional destacado

Las personas que egresan se desempeñan en:

Empresas que desarrollan software, aplicaciones o servicios digitales.

Empresas de telecomunicaciones.

Grandes compañías tecnológicas nacionales e internacionales.

Consultoras especializadas en Big Data y Machine Learning.

Las mejores escuelas de posgrado en Ciencia de Datos del mundo.

Industria de automatización e instrumentación

Eric Biagioli

Director de carrera de Ciencia de Datos

ebiagioli@utec.edu.pe

Científico de la Computación formado en el IMPA (Brasil) y l'École Polytechnique (Francia). Medallista en competencias de matemáticas e informática, se dedica a los algoritmos, la computación gráfica y la geometría. Ha trabajado en empresas como Amazon Web Services, Snowflake y Zalando en Berlín.Actualmente, es profesor de tiempo completo en el Departamento de Ciencias de la Computación de la Universidad de Ingeniería y Tecnología (UTEC) en Perú, y fomenta la comunidad de algoritmos en América del Sur.

Julio Josue Gutierrez

Docente de carrera

Germain Garcia

Docente de carrera

Rensso Victor Mora

Docente de carrera

Andrea Villanes Arellano

Miembro del Comité Consultivo

Andrea Villanes Arellano es bachiller en informática de la PUCP, tiene maestría en Analytics y además en Computer Science de North Carolina State University y PhD en Computer Science de la misma universidad. Su área de investigación es Text Mining y sus aplicaciones. Se ha desempeñado como Research Associate y actualmente es Assistant Professor of Analytics en el Institute for Advanced Analytics de NCSU. Es también coordinadora del programa de Maestría en dicho instituto. Andrea ha sido una vocera acerca de la importancia del área de Data Science. Ha sido panelista en diferentes seminarios (por ejemplo AI Latin American Summit 2020, Big Data Summit 2018) y ha participado en el grupo WiT Perú (Women in Technology) incentivando la participación de mujeres en el área.

Carlos Stefano Filho

Miembro del Comité Consultivo

Carlos Stefano Filho es un reconocido científico de datos brasileño con más de 10 años de experiencia en diversas industrias, combinando su conocimiento en Inteligencia Artificial Generativa, Machine Learning y análisis estadístico con habilidades de liderazgo y comunicación de insights estratégicos. Su tesis doctoral en Neurociencia Computacional fue galardonada y, en la actualidad, aplica modelos avanzados de IA para resolver desafíos empresariales reales. A lo largo de su trayectoria, ha trabajado en empresas tecnológicas como Gupy, iFood y A3Data, donde ha liderado iniciativas clave en el desarrollo y aplicación de modelos de IA. Actualmente, se desempeña como Especialista de Datos en Caju, una empresa brasileña de beneficios corporativos. Su experiencia en liderazgo en IA incluye la creación de soluciones con RAG, el ajuste fino de modelos y la implementación de embeddings, desplegando pruebas de concepto estratégicas. En el ámbito educativo, ha formado a más de 230 profesionales en Data Science como profesor en Ada Tech y FIAP, impartiendo talleres sobre Python, Estadística, Redes Neuronales e Inteligencia Artificial Generativa. Además, ha desarrollado interfaces cerebro-computadora en UNICAMP y CSIC-España, con publicaciones internacionales en procesamiento de señales neuronales y Machine Learning, además de artículos premiados. Especialista en herramientas como Python, TensorFlow, PySpark, SQL, AWS Bedrock y plataformas de análisis visual como Tableau y Superset, está abierto a colaboraciones en el desarrollo de modelos de IA ética, auditoría de sesgos en aplicaciones generativas y proyectos de investigación en arquitecturas de Machine Learning potenciadas por neurotecnología.

Carola Andrea Figueroa Flores

Miembro del Comité Consultivo

Carola Andrea Figueroa Flores es profesora asociada en el Departamento de Ciencias de la Computación y Tecnologías de la Información de la Universidad del Bío-Bío. A lo largo de su trayectoria como investigadora, ha participado en proyectos interdisciplinarios tanto a nivel nacional como internacional, colaborando en iniciativas como FONDEF, FOVI y FONIS. Es miembro activo del grupo de investigación de enfermedades cerebrovasculares de Ñuble y forma parte del comité académico del doctorado consorciado de la región del Bío-Bío en Inteligencia Artificial.Obtuvo su PhD en Informática en la Universidad Autónoma de Barcelona con mención Cum laude, gracias al programa de Becas Chile. Además, cuenta con un Magíster en Ciencias de la Computación de la Universidad de Concepción y previamente obtuvo el grado de Licenciada en Ciencias de la Informática y el título de Ingeniera Civil en Informática en la Universidad del Bío-Bío.Su investigación se centra en el desarrollo de modelos y algoritmos basados en Inteligencia Artificial, aplicándolos a problemáticas en salud, agricultura, medio ambiente y educación. Sus contribuciones abarcan áreas como machine learning, visión artificial, procesamiento del lenguaje natural, ciencia de datos y reconocimiento de patrones, con publicaciones en revistas científicas de alto impacto indexadas en ISI-WoS y Scopus.Comprometida con la difusión de la inteligencia artificial, imparte conferencias y charlas a nivel nacional e internacional. También participa en iniciativas de prevención y control de incendios forestales en la Región del Bío-Bío y colabora en la elaboración de políticas públicas sobre la regulación de la IA en la mesa del Senado y la Biblioteca del Congreso Nacional.

Elia Matsumoto

Miembro del Comité Consultivo

Elia Matsumoto posee un doctorado por la Escuela Politécnica de la Universidad de São Paulo (POLI-USP), una maestría por la Escuela de Economía de São Paulo de la Fundación Getulio Vargas (FGV-EESP) y una licenciatura en Ciencias de la Computación por el Instituto de Matemática y Estadística de la Universidad de São Paulo (IME-USP). Su trayectoria académica y profesional la ha consolidado como una experta en aprendizaje de máquina, análisis de datos, estadística y matemáticas computacionales aplicadas.Autora de varios libros técnicos sobre gráficos por computadora y programación matemática computacional, ha contribuido significativamente a la difusión del conocimiento en estas áreas. Actualmente, es socia directora de Opencadd, empresa que representa en exclusiva a MathWorks en Brasil. Además, colabora con el Departamento de Ingeniería de Sistemas Electrónicos de la POLI-USP y es profesora visitante en la FGV-EESP.Su experiencia abarca la investigación, la docencia y el sector privado, combinando un enfoque estratégico y aplicado en el campo de la ciencia de la computación y sus intersecciones con la estadística y las matemáticas computacionales.

Matias Valdenegro

Miembro del Comité Consultivo

El Dr. Matias Valdenegro es profesor asistente de aprendizaje automático en el Departamento de Inteligencia Artificial del Instituto Bernoulli de la Universidad de Groningen desde 2022. Estudió Ciencias de la Computación,
Sistemas Autónomos e Ingeniería Eléctrica en Chile, Alemania y Escocia, y obtuvo un doctorado de la Universidad Heriot-Watt con una tesis sobre detección de basura submarino en imágenes de Sonar. Como investigador en el
Centro Alemán de Investigación de Inteligencia Artificial en Bremen, realizó investigación en Visión por Computador y Cuantificación de Incertidumbre de 2018 a 2022. También tiene 5 años de experiencia profesional como Ingeniero de Software en Latinoamérica.Sus intereses de investigación son la incertidumbre en el aprendizaje automático, la IA explicable, la percepción de robots y sus aplicaciones a la robótica y la IA confiable. Matias es parte de la comunidad LatinX in AI, organiza talleres de afinidad y eventos de networking, y ha recibido muchos premios al mejor revisor en las principales conferencias de aprendizaje automático (incluidas NeurIPS, ICML, ICLR) y es autor de más de 50 publicaciones revisadas por pares.

Paolo Alberto Donizetti

Miembro del Comité Consultivo

El Magíster Paolo Donizetti es economista por la Universidad de Buenos Aires y matemático por la Università di Roma “La Sapienza”, con una fuerte especialización en ciencia de datos. Comenzó su carrera en Coca-Cola Argentina y luego continuó en el Grupo Techint, donde se especializó en análisis de mercados de commodities. Su creciente interés por la ciencia de datos lo llevó a obtener una Maestría en Investigación de Mercado y Minería de Datos en la Universidad de Bolonia, utilizando técnicas de Deep Learning en su tesis.Desde entonces, Paolo ha desarrollado una exitosa trayectoria como consultor en Datos y Analítica, incorporándose como socio a Collective AI en enero de 2024. Ha participado en proyectos para empresas como Tenaris, PepsiCo, DBlandIT, INDEC, Amarc DHS, AON y Coca-Cola. Su experiencia abarca diversas áreas, incluyendo desarrollo de estrategias de datos y aplicaciones de Machine Learning en finanzas, el sector industrial, gestión de contenido musical y tecnologías médicas.Además de su trabajo como consultor, Paolo es actualmente Director Académico de la Maestría en Management & Analytics del Instituto Tecnológico de Buenos Aires (ITBA).

Saullo Haniell Galvao de Oliveira

Miembro del Comité Consultivo

Saullo Oliveira es Profesor e investigador en la Pontifícia Universidade Católica de Campinas (PUC-Campinas), con intereses en Aprendizaje Multitarea (Multi-Task Learning), Sparsidad Estructurada, Optimización No Convexa, Procesamiento de Lenguaje Natural (NLP) e Inteligencia Artificial aplicada a la Salud.Como científico de datos, cuenta con experiencia práctica en detección de anomalías y fraudes en el sector de telecomunicaciones, así como en la aplicación de Machine Learning y NLP para mejorar la experiencia del usuario en chatbots de soporte al cliente.Su trayectoria incluye el diseño de nuevos algoritmos que integran el conocimiento de especialistas en dominios específicos, logrando soluciones de IA altamente especializadas y adaptadas a las necesidades del negocio.
Entusiasta del software libre y la ciencia abierta, promueve la accesibilidad y transparencia en la investigación y el desarrollo tecnológico.

Carrera Ciencia de Datos

Malla Curricular de la carrera de Ciencia de Datos

Matemáticas Discretas I

Fundamentos del Cálculo

Proyectos Interdisciplinarios I

Introducción a Ciencia de Datos

Comunicación Integral I

Programación I

Cálculo de una Variable

Matemáticas Discretas II

Comunicación Integral II

Álgebra Lineal

Proyectos Interdisciplinarios II

Programación II

Estadística y Probabilidades I

Desarrollo Basado en Plataformas I

Bases de Datos I

Electivo de HACS I

Emprendimiento I

Cálculo Multivariable

Fundamentos Matemáticos de Computación

Desarrollo Basado en Plataformas II

Análisis Numérico

Datos y Negocios

Optimización

lgoritmos y Estructuras de Datos

Data Storytelling

Análisis Computacional de Datos

Análisis y Diseño de Algoritmos

Cloud Computing

Machine Learning

Estadística y Probabilidades II

Electivo de HACS II

Deep Learning

Electivo de Carrera I

Finanzas Empresariales

Big Data

Ética y Seguridad de los Datos

Electivo de HACS III

Ingeniería y Arquitectura de Datos

Análisis de Series de Tiempo

Gobernanza de Datos

Electivo de Carrera II

Desarrollo de Productos de Datos

Proyecto Preprofesional

Emprendimiento II

Electivo de Proyectos Interdisciplinarios

Electivo de Carrera III

Metodología de la Investigación

Ética en Computación

Electivo de Computación e Ingeniería I

MLOps

Electivo Libre I

Trabajo de Investigación en Ciencia de Datos I

Electivo Libre II

Ciencia de Datos Computacionales

Trabajo de Investigación en Ciencia de Datos II

Electivo de Computación e Ingeniería II

Electivo Libre III

Electivo de Gestión

Electivo de Computación e Ingeniería III

Big Data

Visualización de Datos

Data Mining

MEMS

Nanotecnología

BIOMEMS

Gestión de la Calidad

Gestión en la Tecnología de la Salud

Introducción a la Ingeniería Clínica

Arquitectura de Software

Pruebas y Verificación de Software

Gestión en Software

Visión por Computador y Reconocimiento de Patrones

Planificación y Toma de Decisiones en IA

Deep Learning

Planeamiento de Sistemas Urbanos

Ingeniería de Transporte

Sistemas de Tránsito Masivo

Introducción a la Ingeniería de Tránsito

a los
Miembros del Comité Consultivo