Magíster en Ciencia de Datos

En este curso los estudiantes revisarán los conceptos fundamentales para el desarrollo de algoritmos y su programación en computadores, abordando conceptos que permitirán el desarrollo de programas más complejos utilizando el lenguaje de programación Python. Para esto, el curso cuenta con variadas actividades formativas (clases, videos y talleres) y evaluaciones que buscan medir tanto el manejo teórico como práctico de los contenidos (tests, proyecto final y foro).
Al finalizar el curso, los estudiantes serán capaces de desarrollar sus propios programas informáticos, utilizando estructuras de datos y tipos de datos propios, para implementar algoritmos más complejos y representar problemas interesantes a través de la programación.

• Listas
• Tuplas
• Stacks
• Colas

• Sets
• Diccionarios

• Construyendo nuestros propios tipos de datos
• Clases, objetos, atributos y métodos
• Interacción entre objetos
• Herencia
• Overriding de métodos

• Funciones recursivas
• Ejemplos de problemas recursivos: pintar mapas, fractales, etc.

En este curso los estudiantes analizarán, en una primera parte, el modelo relacional de bases de datos y su lenguaje de consultas SQL; posteriormente, se explicará el modelo de datos NoSQL; ambos en el contexto de su uso en el mundo real. El curso cuenta con una serie de actividades formativas (clases de cátedra, videos, talleres), evaluaciones y un proyecto final.

Curso válido para el proceso de admisión PBA (Performance Based Admission)

• Conceptos fundamentales de bases de datos
• Modelo relacional de datos
• Introducción al lenguaje de consulta SQ

• SQL avanzado (agregación, consultas anidadas)
• Diseño de una BD relacional

• Rol de SQL en ciencia de datos 
• Bases de datos NoSQL

Este curso busca que los estudiantes logren comprender cómo el uso adecuado y eficiente de Python como herramienta computacional para el análisis de datos puede mejorar su toma de decisiones dentro de su organización. Para ello, se introducirán los conceptos básicos y generales del análisis de datos, se revisará la importancia de visualizar e identificar valor en los datos y cómo los distintos métodos descriptivos, predictivos y prescriptivos permiten evidenciar oportunidades y justificar decisiones. Para ejemplificar estos conceptos y su desarrollo a través de Python, se verán casos prácticos en industrias diversas.

• Conceptos fundamentales de la ciencia de datos
• Fundamentos de Python

• Tratamiento y limpieza de datos y análisis de datos masivos

• Gráficos
• Interfaces

• Análisis descriptivo
• Análisis predictivo
• Análisis prescriptivo

Este curso introduce a los estudiantes al campo de la ciencia de datos a través de sus principios básicos y las principales técnicas y herramientas utilizadas. Los estudiantes aprenderán sobre recolección e integración de datos, análisis exploratorio de datos, análisis descriptivo y predictivo, y creación de productos de información. Los temas serán tratados en amplitud, más que en profundidad, haciendo énfasis en la integración y síntesis de conceptos, y evaluados en la aplicación a soluciones de problemas contextualizados.

• ¿Qué es la ciencia de datos? Usos y aplicaciones
• El proceso de ciencia de datos
• Herramientas de Python para ciencia de datos

• Tipos y formatos de datos
• Fuentes y métodos de extracción de datos
• Limpieza e integración de conjuntos de datos

• Estadísticas descriptivas
• Análisis gráfico univariado
• Análisis gráfico multivariado

• Introducción a aprendizaje de máquinas: tipos de aprendizaje y algoritmos básicos
• Algoritmos de aprendizaje supervisado
• Algoritmos de aprendizaje no supervisado
• Resumen y comunicación de resultados

En este curso los estudiantes obtendrán conocimientos y habilidades para resumir y comunicar resultados de métodos de computación, estadística, minería y análisis de datos. Dentro de las actividades prácticas del curso, los estudiantes estudiarán técnicas y algoritmos para analizar, diseñar y crear visualizaciones efectivas, basadas en principios de diseño gráfico, artes visuales y psicología cognitiva. El curso está orientado a estudiantes con experiencia previa en programación.

• Definiciones y ejemplos históricos
• Marcas, canales, y procesamiento humano de la información
• Modelo anidado de Munzner para diseño y validación de visualización
• Reglas y recomendaciones generales para visualizaciones efectivas

• Gráficos de barras, barras apiladas, puntos y líneas
• Gráficos de dispersión, de burbujas y de flujos
• Gráficos para distribuciones: histograma, densidad, caja y violín
• Múltiples ejes, radial y torta

• Mapa de calor, densidad 2D, treemap
• Matriz de gráficos y pequeños múltiples
• Reducción de dimensionalidad lineal
• Reducción de dimensionalidad no lineal

• Grafos y árboles: diagramas nodo-enlace y de adyacencia
• Grafos y árboles II: gráficos tipo encierro, clustermap y dendograma
• Visualización de texto
• Visualización espaciotemporal

En este curso los estudiantes aprenderán los conceptos elementales de machine learning y varias metodologías de aprendizaje supervisado y no supervisado. El estudiante deberá ser capaz de identificar los métodos más apropiados, aplicarlos y compararlos en diferentes contextos, en particular, para problemas de grandes volúmenes de datos.

• Tipos de aprendizaje
• Modelos de regresión lineal y logística
• Etapas del modelamiento en machine learning

• Árboles de decisión
• Bosque aleatorio
• Clasificador bayesiano ingenuo
• K-vecinos más cercanos (KNN)
• Máquinas de vectores de soporte (SVM)

• Análisis de componentes principales (PCA)
• K-medias
• Agrupación jerárquica

En este curso los estudiantes aprenderán conceptos, técnicas y metodologías que se utilizan para el desarrollo de software confiable y robusto. Los estudiantes serán capaces de entender las distintas etapas del proceso de desarrollo de software, incluyendo la especificación de requisitos, el diseño, el desarrollo, la gestión, técnicas de verificación y validación de software.

• Proceso/modelo en cascada
• Procesos iterativos: prototipos y RUP
• Procesos incrementales métodos ágiles
• Scrum y Kanban

• Requisitos funcionales y no funcionales
• Casos de uso y relatos de usuarios
• Actividades de gestión estimaciones
• Planeación de producto, release y sprint

• Conceptos fundamentales
• Atributos de un buen diseño acoplamiento y cohesión
• Diagramas UML de clases, secuencia y estados patrones de diseño
• Arquitecturas cliente servidor y multicapas
• Arquitectura orientada a servicios y microservicios

• Definiciones de calidad
• Prevención de defectos
• Detección y eliminación de defectos (testing)

En este curso, los y las estudiantes aprenderán a trabajar con datos masivos, ya sea estructurados o semiestructurados, a recolectar información desde fuentes web, y a hacer análisis basados en descripciones de los sets de datos. Metodológicamente, en el curso se trabaja con aprendizaje basado en problemas, en donde todas las semanas se orientan a resolver un problema en particular.

• Paradigma de Data Warehousing
• Trabajando con datos en la Nube
• Introducción a Google Cloud Platform y Big query
• Consultando datos en Big Query
• Map Reduce
• Algoritmos con Map Reduce
• Databricks como plataforma de computo
• Map Reduce en Databricks

• TF-IDF y búsqueda
• Índices para búsqueda por texto
• Búsqueda por texto en BigQuery
• Análisis de logs o registros
• Estructura de la web
• Scrap de HTML
• Acceso a API (Twitter o similar)
• Scrap Información en la web

• Elementos como conjuntos
• Locally sensitive hashing 
• Etapas en el procesado de datos para búsqueda de elementos similares
• Técnicas de minería v/s inteligencia artificial
• Modelos de canastas y reglas de asociación
• Algoritmo a-priori
• Etapas en el procesado para búsqueda de elementos
• Aplicaciones de elementos frecuentes

• El paradigma de grafos y sus aplicaciones
• Extracción de información en grafos
• Centralidad, pagerank
• Detección de comunidades

En este curso los estudiantes aprenderán los principios éticos, las herramientas y metodologías fundamentales que cimentan el uso responsable de los datos en distintos contextos. Se combinará una serie de lecturas con laboratorios, tareas y proyectos prácticos que permitan a los estudiantes entender tanto la crítica como la solución a problemas relacionados con transparencia, interpretabilidad, privacidad y sesgo, entre otros. 

• Ejemplos de temas éticos en ciencia de datos
• Imparcialidad y diversidad, imposibilidad teórica
• Transparencia y gobernanza
• Privacidad
• Ciclo de vida de los datos: perfiles y limpieza de datos

• Definiciones de imparcialidad
• La necesidad de una mirada socio-tecnológica
• Diversidad, regla de Rooney
• Calidad de datos vs. imparcialidad y transparencia

• Necesidad de la transparencia e interpretabilidad
• Explicaciones locales e influencia causal
• Transferencia responsable de datos
• Anonimización y sus límites
• Privacidad diferencial

• Principios éticos y normativas legales
• Regulaciones sobre protección general de datos

El estudiante conocerá los modelos de series cronológicas y sus aplicaciones, y aprenderá la metodología estadística para el manejo de modelos de predicción y su aplicación a casos reales. Al final del curso será capaz de identificar problemas que pueden resolverse mediante análisis de series de tiempo, proponer modelos de series de tiempo según las características de la aplicación, evaluar el mejor modelo que se ajuste a los datos observados y realizar predicciones y evaluar la incertidumbre. 

• Ejemplos
• Dependencia serial
• Ausencia de estacionariedad
• Test de blancura

• Estacionariedad e invertibilidad
• Causalidad
• Representación de procesos lineales
• Dependencia
• Modelo ARMA
• Función de auto-covarianza, ACF y PACF

• Construcción de modelos
• Parsimonia y criterios de información
• Estimación de la media, de auto-covarianzas, de momentos y máximo verosímil
• Inferencia estadística
• Predicción pasado finito e infinito
• Construcción de bandas de predicción

• Tendencia determinística y estocástica
• Test de raíces unitarias
• Modelos ARIMA, ARIMAX, SARIMA y SARIMAX

En este curso los estudiantes definirán su tema de proyecto de graduación y desarrollarán una propuesta concreta de su proyecto. Para esto, los estudiantes deberán hacer un estudio bibliográfico del tema específico, presentar un desafío en la metodología actual de dicho tema y proponer posibles innovaciones e ideas que aporten potencialmente a superar este desafío. El proyecto será desarrollado en grupo, teniendo por resultado la base metodológica del proyecto.

En este curso los estudiantes integrarán sus conocimientos adquiridos durante sus estudios, para continuar con sus avances de trabajo de graduación, de acuerdo a las sugerencias y ajustes propuestos en la Actividad de graduación I. Para ello aplicarán las estrategias metodológicas definidas para abordar la temática escogida del proyecto en áreas afines a la ciencia de datos, analizando los resultados a partir de las hipótesis establecidas.

En este curso los estudiantes desarrollarán su trabajo de graduación. Los estudiantes deberán continuar con la realización de la metodología y análisis de resultados de su proyecto vinculado con una organización externa. Deberán realizar las conclusiones y el escrito del proyecto.