Escudo de la República de Colombia Escudo de la República de Colombia
Panel de Accesibilidad
 
logo-fac-blanco.png

Diplomado modular

Machine Learning
and Data Science

Entrega doce (12) créditos homologables
Cuatro (4) créditos por asignatura/módulo

Fechas realización

Módulo 1 - Marzo 18 a Mayo 03
Módulo 2 - Mayo 06 a Junio 14
Módulo 3 - Junio 17 a Julio 26

Intensidad
Módulo - 64 horas
Ciclo - 192 horas

Horario clases

Plataforma - Acceso 24/7
Magistrales - Martes 6:00pm a 8:00pm
Tutorías - Sábados por la mañana

Inversión

$ 1.950.000 - Módulo
$ 5.850.000 - Ciclo completo

Aplican descuentos

Actividad vigente

Esta actividad está abierta para inscribirse, cursar y certificarse

Presentación

La ciencia de datos (o data science en inglés) aborda el análisis y explotación del creciente volumen de datos. En esta nueva área de conocimiento confluyen herramientas técnicas y conceptuales como la estadística, el aprendizaje computacional, el manejo de grandes volúmenes de datos (big data) y la visualización de información. Estas herramientas permiten adquirir, procesar, almacenar, analizar y visualizar diferentes tipos de datos con el propósito de extraer información y conocimiento en forma de patrones, modelos descriptivos, predictivos y prescriptivos.

Estas tecnologías forman parte integral de lo que se ha denominado como la cuarta revolución industrial, la cual se refiere al cambio dramático que está experimentado la sociedad y la industria gracias a la adopción de diferentes tecnologías tales como la robótica, el procesamiento de grandes volúmenes de datos, la inteligencia artificial, la nanotecnología, la biotecnología, entre otras.

El programa de formación virtual en Machine Learning & Data Science provee los elementos necesarios para afrontar esta revolución y aprovechar estas herramientas conceptuales y tecnológicas para la solución de problemas prácticos en sus organizaciones.

Información de la actividad

El programa de formación en MLDS está dirigido a todas las personas que desde sus roles tienen responsabilidad o incidencia en los procesos de análisis de datos y desarrollo de sistemas inteligentes y analíticos: gerentes de informática, analistas, desarrolladores y responsables de área. Igualmente, el programa de formación en MLDS también está dirigido a aquellos profesionales en áreas tales como la ingeniería, ciencias naturales, economía, matemáticas y estadística, interesados en diversas aplicaciones del aprendizaje computacional y el desarrollo de sistemas inteligentes y analíticos. Se requiere que los estudiantes tengan familiaridad previa con conceptos de programación.
Dado el enfoque práctico del programa de formación, se requiere que los asistentes tengan:
  1. Conocimiento de programación de computadoras con Python
  2. Deseable conocimiento en SQL
  3. Disposición para aprender nuevas tecnologías y enfrentar retos técnicos

Tenga en cuenta:
La actividad NO realiza una pruebas de proficiencia, habilidad ni técnicas que limiten su inscripción o participación. Aún así, para propiciar un adecuado abordamiento de los contenidos se recomienda que los participantes tengan las habilidades anteriormente mencionadas.
Como opción institucional el equipo de la Facultad ha desarrollado el curso en línea “Introducción a la programación con python” que sirve a modo de nivelación y es una buena puerta de entrada o repaso previo al inicio del diplomado. Los módulos iniciales son gratuitos, con lo que se invita cordialmente a cursarlo antes de escalar a este programa.
- Al principio de cada semana se llevará a cabo una sesión sincrónica con el profesor (Martes 6:00pm a 8:00pm)

- En el desarrollo de cada semana se asignarán tareas y talleres calificables con fechas específicas de entrega para ser enviadas al final de la misma

- Se contará con sesiones sincrónicas de tutoría en grupos pequeños para un acompañamiento más personalizado los sábados en la mañana
En el programa de formación en MLDS se asume la educación como un proceso de interacción dinámica centrada en los participantes, donde el rol del profesor, además de proveer su experiencia profesional y los elementos conceptuales, se concentra en ser un dinamizador de las actividades de aprendizaje. Desde esta perspectiva la metodología debe reflejar el enfoque propiciando el desarrollo de las competencias propuestas.

 Los tres módulos del programa se impartirán de manera virtual. Para tal fin, los estudiantes contarán con acceso a un sistema de videoconferencia para las sesiones sincrónicas y acceso a una plataforma de aprendizaje autónomo dónde encontrarán una gran cantidad de objetos virtuales de aprendizaje (OVAs) y recursos educativos digitales (REDs) que han sido especialmente diseñados para esta actividad, tales como: videos, imágenes, animaciones, lecturas, notebooks de código pre programado, guías de referencia, etc.

Si bien los módulos entre sí no tienen pre requisitos como tal, se entiende que los módulos más avanzados tratan temas más técnicamente específicos que los anteriores. Debido a ello, recomendamos realizar el ciclo en el orden planteado (1,2,3) o bien, contar con conocimiento o proficiencia en el tema a tratar en el módulo para evitar choques con el nivel temático del mismo.

Cada uno de los módulos del programa ofrece certificación expedida por la Facultad de Ingeniería Sede Bogotá, cuando el estudiante apruebe con una nota mínima los exámenes o talleres en el desarrollo de la metodología.

 Un estudiante puede recibir tres (3) tipos de certificaciones:

- Certificado de aprobación de la Unidad de Educación Continua (UECP): Se entrega al culminar un asignatura/módulo habiendo obtenido una calificación de al menos 3.0 / 5.0 en las actividades de evaluación del equipo docente. Corresponde a un curso corto.

- Certificado de la Secretaría Académica de la Facultad de Ingeniería: Se entrega al culminar un módulo/materia habiendo obtenido el certificado de aprobación. Este certificado será válido para adelantar los trámites de homologación (convalidación) de créditos en caso que el participante sea admitido a algún programa académico de posgrado de la Universidad Nacional de Colombia, correspondiendo a 4 créditos.

- Certificado de diplomado: Una vez los participantes hayan obtenido el certificado de aprobación de cada uno de los tres (3) módulos/materia que componen un diplomado obtendrán gratuita y adicionalmente el certificado correspondiente a ese bloque.
Tenga en cuenta que para obtener este certificado deberá cursar sólo los módulos/materia de un diplomado, no siendo posible intercambiar módulos entre diplomados.


Tenga en cuenta:
Para este Programa de formación se entregará exclusivamente certificado de aprobación (no de asistencia). Para ser objeto de certificación, el participante deberá cumplir con las condiciones detalladas a continuación:
Image

Módulo 1
Análisis y visualización de datos

Objetivo general del aprendizaje

Planear y ejecutar proyectos de análisis de datos y visualización de la información, por
medio del uso del lenguaje de programación python y sus librerías especializadas.

Introducción al análisis de datos con Python

Al finalizar la unidad, estará en capacidad de alcanzar los siguientes objetivos:

  1. Planear un proyecto de análisis de datos de forma efectiva usando la metodología presentada en el curso
  2. Conocer y aplicar los fundamentos de programación de computadores y computación científica usando el lenguaje de programación Python y la librería numérica Numpy.

Análisis de datos con Pandas

Al finalizar la unidad, estará en capacidad de alcanzar los siguientes objetivos:

  1. Preparar conjuntos de datos para su análisis de forma efectiva mediante diferentes estrategias de carga, limpieza y pre procesamiento de datos
  2. Conocer los fundamentos de estadística descriptiva y aplicarlos en el análisis exploratorio de datos
  3. Utilizar el lenguaje de programación Python y la librería de análisis y manipulación de datos Pandas para preparar y explorar conjuntos de datos reales

Análisis avanzado de datos con Python

Al finalizar la unidad, estará en capacidad de alcanzar los siguientes objetivos:

  1. Conocer y comprender los fundamentos de estadística inferencial para su aplicación en el análisis de datos
  2. Establecer y caracterizar relaciones entre los datos utilizando el lenguaje de programación Python y la librería de análisis y manipulación de datos Pandas de forma efectiva

Visualización de datos con Python

Al finalizar la unidad, estará en capacidad de alcanzar los siguientes objetivos:

  1. Conocer los principios de la visualización de información y el marco de trabajo para desarrollar visualizaciones
  2. Construir visualizaciones de información estáticas utilizando el lenguaje de progra mación Python y sus librerías especializadas

Visualización avanzada de datos con Python

Al finalizar la unidad, estará en capacidad de alcanzar los siguientes objetivos:

  1. Conocer los principios de visualización de información relacionados con la codificación de información visual mediante marcadores y canales
  2. Construir visualiza ciones de información intera ctivas, por medio de la utilización del lenguaje de programación Python y sus librerías especializadas
  3. Construir visualizaciones de mapas coropléticos estáticos e interactivos, mediante el uso del lenguaje de programación Python y sus librerías especializadas

Proyecto Aplicado

Al finalizar la unidad, estará en capacidad de alcanzar los siguientes objetivos:

  1. Ejecutar un proyecto de análisis de datos de forma efectiva, mediante el uso de la metodología y las herramientas presentadas en el curso, con el fin de hallar características relevantes y relaciones entre los datos

Módulo 2
Introducción a Machine learning

Objetivo general del aprendizaje

Resolver problemas de análisis de datos mediante diferentes técnicas de aprendizaje computacional tanto supervisado como no supervisado e implementar las soluciones mediante el uso de librerías especializadas en el lenguaje python.

Introducción al aprendizaje computacional y Scikit-learn

Al finalizar la unidad, estará en capacidad de alcanzar los siguientes objetivos:

  1. Describir de manera precisa los elementos fundamentales de la solución de problemas mediante el uso del aprendizaje computacional, teniendo en cuenta los diferentes tipos de problemas y los métodos de solución.
  2. Conocer la arquitectura general de scikit-learn para entrenar y probar modelos de Machine learning.
  3. Crear dentro de programas de python, instancias de algoritmos de aprendizaje provistos por la librería scikit-learn, entrenar los modelos y aplicarlos sobre nuevos datos.

Desarrollo de modelos de aprendizaje computacional

Al finalizar la unidad, estará en capacidad de alcanzar los siguientes objetivos:

  1. Describir en qué consisten las tareas de clasificación y regresión.
  2. Implementar modelos de clasificación con ayuda de la librería scikit-learn
  3. Diseñar un experimento de aprendizaje computacional
  4. Evaluar modelos de clasificación mediante el uso de diferentes métricas de desempeño.
  5. Controlar el sobreajuste mediante el uso de estrategias de validación cruzada.

Aprendizaje supervisado: Métodos de clasificación

Al finalizar la unidad, estará en capacidad de alcanzar los siguientes objetivos:

  1. Conocer los fundamentos de diferentes métodos de clasificación.
  2. Implementar con ayuda de la librería scikit-learn diferentes modelos de clasificación.
  3. Conocer los fundamentos de los modelos de regresión no lineal mediante redes neuronales.
  4. Conocer los fundamentos de los modelos de análisis de series de tiempo mediante redes neuronales.
  5. Afinar modelos de Machine learning mediante la exploración de hiperparámetros.

Aprendizaje no supervisado: Agrupamiento

Al finalizar la unidad, estará en capacidad de alcanzar los siguientes objetivos:

  1. Conocer los fundamentos del algoritmo de agrupamiento k-means.
  2. Implementar modelos de agrupamiento con ayuda de la librería scikit-learn.
  3. Evaluar modelos de agrupamiento mediante el uso de diferentes métricas de desempeño.

Aprendizaje no supervisado: Reducción de la dimensionalidad, preprocesamiento y pipelines de ejecución

Al finalizar la unidad, estará en capacidad de alcanzar los siguientes objetivos:

  1. Conocer los fundamentos del algoritmo PCA.
  2. Implementar modelos de reducción de dimensionalidad con ayuda de la librería scikit-learn.
  3. Definir un pipeline de ejecución en scikit-learn que integre procesamiento de datos, entrenamiento de modelos y predicción.

Proyecto Aplicado

Al finalizar la unidad, estará en capacidad de alcanzar los siguientes objetivos:

  1. Formular y ejecutar un proyecto de análisis de datos mediante el uso de herramientas de machine learning.

Módulo 3
Big Data

Objetivo general del aprendizaje

Desarrollar soluciones computacionales que involucren el almacenamiento, procesamiento y acceso a grandes volúmenes de datos, generados a velocidades vertiginosas y en diversos formatos.

Introducción a Big Data y bases relacionales

Al finalizar la unidad, estará en capacidad de alcanzar los siguientes objetivos:

  1. Describir de manera precisa los conceptos generales de las distintas herramientas de almacenamiento de grandes cantidades de información y los distintos tipos de bases de datos.
  2. Aplicar operaciones de creación, lectura, actualización y eliminación de datos con el lenguaje de consulta SQL estándar.
  3. Utilizar motores de bases de datos SQLite y PostgreSQL desde python.

Bases NoSQL Columnares

Al finalizar la unidad, estará en capacidad de alcanzar los siguientes objetivos:

  1. Describir las diferencias entre los distintos tipos de bases de datos NoSQL y su apropiada selección por medio del modelo CAP.
  2. Entender el modelo de datos y la arquitectura en bases de datos columnares como Cassandra.
  3. Utilizar el lenguaje de consulta CQL para manipular información desde la base de datos Cassandra y con el lenguaje de programación python.

Bases NoSQL documentales

Al finalizar la unidad, estará en capacidad de alcanzar los siguientes objetivos:

  1. Entender el modelo de datos y la arquitectura en bases de datos documentales como MongoDB.
  2. Utilizar el lenguaje de consulta de MongoDB para manipular información desde el lenguaje de programación Python.
  3. Entender conceptos de computación distribuida con operaciones de tipo map-reduce desde MongoDB.

Procesamiento distribuido I

Al finalizar la unidad, estará en capacidad de alcanzar los siguientes objetivos:

  1. Entender conceptos de computación distribuida con operaciones optimizadas automáticamente por medio de grafos dirigidos acíclicos (DAGs).
  2. Utilizar arreglos multidimensionales de forma distribuida y optimizada desde la librería dask para manejo de grandes cantidades de datos numéricos.
  3. Utilizar DataFrames distribuidos y optimizados desde la librería dask para manejo de grandes cantidades datos tabulares.

Procesamiento distribuido II

Al finalizar la unidad, estará en capacidad de alcanzar los siguientes objetivos:

  1. Entender conceptos de computación distribuida con operaciones optimizadas automáticamente por medio de grafos dirigidos acíclicos (DAGs).
  2. Utilizar DataFrames distribuidos y optimizados desde la librería Spark para el manejo de grandes cantidades de datos tabulares.

Proyecto Aplicado

Al finalizar la unidad, estará en capacidad de alcanzar los siguientes objetivos:

  1. Ejecutar un proyecto en el que se requieran tecnologías Big Data de forma efectiva, mediante el uso de la metodología y las herramientas presentadas en el curso.

Equipo docente

Felipe Restrepo Calle
Ingeniero de Sistemas y Computación

Ingeniero de Sistemas y Computación, Universidad Tecnológica de Pereira, 2004; Magíster en Instrumentación Física, Universidad Tecnológica de Pereira, 2007; Doctor en Ingeniería Informática, Universidad de Alicante (España), 2011. Ha participado en varios proyectos de investigación a nivel nacional e internacional. Estancias posdoctorales: Universidad de Sevilla (España) durante 2012 y 2013, Universidade Federal do Rio Grande do Sul (Brasil) durante el primer semestre de 2014.

Profesor del Departamento de Ingeniería de Sistemas e Industrial en la Universidad Nacional de Colombia, sede Bogotá. Sus áreas de interés incluyen: lenguajes de programación, análisis automático de código fuente, procesadores de lenguaje, diseño de sistemas embebidos y educación en ingeniería. Cuenta con más de 30 publicaciones científicas en revistas, libros y conferencias internacionales. Actualmente lidera el grupo de investigación PLaS (Programming Languages and Systems) y es el Coordinador de la Maestría en Ingeniería de Sistemas y Computación.

Fabio Augusto González Osorio
Ingeniero de Sistemas

Ingeniero de Sistemas, Universidad Nacional de Colombia (1993); MSc. en Matemáticas, Universidad Nacional de Colombia [1998]; Ph.D. & M.Sc. in Computer Science, The University of Memphis (2003); Profesor visitante University of Louisville, USA (2009); Profesor visitante Ecole Nationale Superieure de Techniques Avancees (ENSTAParisTech), Francia (2010); Profesor visitante University of Houston, USA (2017).

Profesor Titular del Departamento de Ingeniería de Sistemas e Industrial. Coordinador del programa de Doctorado en Ingeniería de Sistemas y Computación, Universidad Nacional de Colombia, Bogotá. Amplia experiencia en investigación en aprendizaje computacional, minería de datos, recuperación de información, procesamiento de lenguaje natural y visión por computador. Participación en diversos proyectos de investigación internacionales y nacionales. Más de 100 publicaciones científicas en revistas, libros y conferencias internacionales. Lidera el grupo de investigación MindLab (Machine Learning Perception and Discovery Lab, http://mindlaboratory.org)

Jorge Eliécer Camargo
Ingeniero de Sistemas

Profesor del Departamento de Ingeniería de Sistemas e Industrial de la Universidad Nacional de Colombia, Sede Bogotá. Cuenta con más de 50 publicaciones científicas en revistas, libros y conferencias internacionales relacionadas con el manejo de grandes volúmenes de datos y aplicaciones de machine learning en grandes volúmenes de datos en imágenes, audio y texto (big data).

Ingeniero de Sistemas de la Universidad Nacional de Colombia, Magíster en Ingeniería de Sistemas y Computación de la Universidad de los Andes, Doctor en Ingeniería - Sistemas y Computación de la Universidad Nacional de Colombia. Ha participado en diferentes proyectos de investigación a nivel nacional e internacional. Trabajó en el Departamento de Policía Científica en Lausana (Suiza) en el proyecto "Detección automática de medicamentos falsos utilizando técnicas de procesamiento de imágenes y Machine Learning" y en el proyecto "Monitoreo de redes de tráfico de drogas sintéticas utilizando técnicas de procesamiento de imágenes y Machine Learning".

Luis Fernando Niño Vásquez
Ingeniero de Sistemas

Ingeniero de Sistemas y Magister en Ciencias Matemáticas de la Universidad de Colombia y Magister en Ciencias de la Computación y Doctorado en Ciencias de la Computación de La Universidad de Memphis. Profesor Titular de la Facultad de Ingeniería de la Universidad de Colombia. Con experiencia como director y coordinador de la Unidad de Posgrados y del Área Curricular de Ingeniería de Sistemas e Industrial, sede Bogotá.

Investigador visitante, Discovery Lab, Florida International University; Centro de Ciencias de la Complejidad (C3), Universidad Autónoma de México; Intelligent Systems Research Laboratory, The University of Memphis. Se especializa en la investigación y docencia de la Inteligencia Artificial y sus aplicaciones, con énfasis en Ciencias de la Vida, especialmente, en Ciencias Biomédicas. Autor de un significativo número de publicaciones nacionales e internacionales. Director del grupo de Investigación “Laboratorio de Investigación en Sistemas Inteligentes (LISI)”.

0
Ediciones ofertadas al público
0
Participantes capacitados
0
Horas de capacitaciónimpartidas

Opiniones de nuestros estudiantes

“La disponibilidad de certificación, la disponibilidad de un docente real en vez de clases de videos me parecen un plus importante. Y, claro, el renombre de la Universidad Nacional de Colombia.”
Miguel Barreto
"El profesor tiene buenos conocimientos en el tema y sabe explicar. Lo único es el tiempo que no ayuda para ver todos los temas y tener tiempo de responder preguntas qué hacemos los estudiantes."
Cesar Puentes
"En caso de ser un curso avanzado (Seria ideal datastudio - es muy parecido a power BI)"
Yesid
"Me gustó el curso, el docente y el precio."
Mayra Camacho
"Son bien estructurados los cursos y muy cumplidos."
Nelson Salamanca

Tabla de valores de la actividad

Los descuentos NO son acumulables entre sí. Se aplica sólo un (1) descuento, siendo más benéfico para el usuario.
-
Tarifa plena$ 5'850.000

Hasta Marzo 18 de 2025

-25%
Pago de 3 asignaturas/módulos$ 4'387.500

Hasta Marzo 02 de 2025

-30%
Pago 3 asignaturas/módulo + pronto pago$ 4'095.500

Hasta Febrero 15 de 2025

Tenga en cuenta

Si aplica a los descuentos por todo el ciclo (pago de 3 módulos) NO podrá solicitar devolución de los recursos (ni total ni parcial) una vez hayan iniciado las clases del primer módulo bajo ninguna circunstancia

Tabla de valores por asignatura/módulo

Los descuentos NO son acumulables entre sí. Se aplica sólo un (1) descuento, siendo más benéfico para el usuario.
-
Tarifa plena$ 1'950.000

Módulo 1 - Antes de Marzo 18 de 2025
Módulo 2 - Antes de Mayo 06 de 2025
Módulo 3 - Antes de Junio 17 de 2025

-10%
Pronto pago$ 1'755.000
Para pagos efectuados 15 días antes del inicio
-10%
Grupos (4 o más)$ 1'755.000
A grupos de 4 o más personas a través de un único soporte de pago
-10%
Hijos$ 1'755.000
Pensionados, docentes, funcionarios, contratistas y estudiantes de la UNAL, estudiantes IPARM y Escuela UNAL Medellín
-10%
Sisbén y vulnerables$ 1'755.000
Personas de niveles 1 y 2 de Sisben, población en situación de discapacidad y desplazados inscritos en el registro de población desplazada
-10%
Otras Universidades$ 1'755.000
A estudiantes activos de otras universidades (pregrado o posgrado)
-15%
Múltiples actividades$ 1'657.500
A personas que realicen 3 o más cursos o diplomados al año en la UNAL.
-20%
Descuento rol UNAL$ 1'560.000
A profesores, investigadores, funcionarios, pensionados, egresados y contratistas de la Universidad Nacional de Colombia.
-25%
Contratistas y Funcionarios UNAL Egresados UNAL+Pronto pago$ 1'462.500
Hasta 21 días calendario antes del inicio de cada asignatura/módulo
-30%
Estudiantes de posgrado UNAL$ 1'365.000
A estudiantes activos de posgrado UNAL
-50%
Estudiantes Pregrado UNAL$ 975.000
A estudiantes activos UNAL

Tabla de valores

-
Tarifa plena
$5'850.000

Hasta Marzo 18 de 2025

-30%
Pago 3 asignaturas/módulo + pronto pago
$4'387.500

Hasta Marzo 02 de 2025

-25%
Pago de 3 asignaturas/módulos
$4'095.500

Hasta Febrero 15 de 2025

Tenga en cuenta

Si aplica a los descuentos por todo el ciclo (pago de 3 módulos) NO podrá solicitar devolución de los recursos (ni total ni parcial) una vez hayan iniciado las clases del primer módulo bajo ninguna circunstancia.

Tabla de valores por asignatura/módulo

Los descuentos NO son acumulables entre sí. Se aplica sólo un (1) descuento, siendo más benéfico para el usuario.
-
Tarifa plena
$1'780.000
Módulo 1 - Antes de Agosto 20 de 2024
Módulo 2 - Antes de Octubre 01 de 2024
Módulo 3 - Antes de Noviembre 12 de 2024
-10%
Pronto pago
$1'755.000
Para pagos efectuados 15 días antes del inicio
-10%
Grupos (4 o más)
$1'755.000
A grupos de 4 o más personas a través de un único soporte de pago
-10%
Hijos
$1'755.000
Pensionados, docentes, funcionarios, contratistas y estudiantes de la UNAL, estudiantes IPARM y Escuela UNAL Medellín
-10%
Sisbén y vulnerables
$1'755.000
Personas de niveles 1 y 2 de Sisben, población en situación de discapacidad y desplazados inscritos en el registro de población desplazada
-10%
Otras Universidades
$1'755.000
A estudiantes activos de otras universidades (pregrado o posgrado)
-15%
Múltiples actividades
$1'657.500
A personas que realicen 3 o más cursos o diplomados al año en la UNAL.
-20%
Descuento rol UNAL
$1'560.000
A profesores, investigadores, funcionarios, pensionados, egresados y contratistas de la Universidad Nacional de Colombia.
-25%
Contratistas y Funcionarios UNAL Egresados UNAL+Pronto pago
$1'462.500
Hasta 21 días calendario antes del inicio de cada asignatura/módulo
-30%
Estudiantes posgrado UNAL
$1'365.000
A estudiantes activos de posgrado UNAL
-50%
Estudiantes Pregrado UNAL
$975.000
A estudiantes activos UNAL

Procedimiento para la asignación de cupo

Registro

Registro

Debe registrar sus datos personales en el portal de información HERMES: www.hermes.unal.edu.co
Pago

Pago

Consignación Banco Popular, transferencia bancaria, PSE (débito) o tarjeta de crédito (VISA)
Guía de pagos
Legalización

Legalización

Enviar al correo: documento de identidad (cédula) y soporte pago. Si aplica, soporte de descuento.
Correo: uec_fibog@unal.edu.co 

Preguntas frecuentes

¿Quién puede participar en los cursos y diplomados?
Nuestra misión como Universidad Nacional de Colombia en su línea de extensión es capacitar y actualizar a la comunidad en general, con ello NO hay pre requisitos administrativos para que una persona pueda inscribirse, cursar o certificarse en cualquiera de nuestras actividades:

En resumen:
1) NO es necesario ser Ingeniero
2) NO es necesario técnico, tecnólogo o profesional
3) NO es necesario pertenecer a la UN