El curso está constituido de tres clases elearning y una clase sincrónica.

• Aprendizaje autónomo asincrónico
• Clase expositiva
• Foro formativo
• Controles formativos

El curso cuenta con las siguientes actividades de evaluación formativa:

• 3 controles individuales
• 1 foro

• Importancia del autoconocimiento y la gestión personal
• Manejo del tiempo
• Manejo del estrés

• Importancia de las emociones en el funcionamiento humano
• Estrategias de gestión emocional
• Capital psicológico (autoeficacia, optimismo, esperanza y resiliencia)

• Proactividad y agilidad de aprendizaje
• Visión y propósito
• Desarrollo de carrera

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, además de apoyar el desarrollo de casos de estudio. Con estos últimos, se busca que los alumnos se vean enfrentados a situaciones más cercanas a la realidad, recorriendo las distintas etapas de los proyectos de machine learning.

Los alumnos deberán aplicar los conocimientos adquiridos a lo largo del curso mediante la realización de tres trabajos o miniproyectos individuales. Cada uno de ellos busca fortalecer distintas habilidades de análisis, aplicación e integración de los conceptos aprendidos. Aunque las entregas son individuales, se fomenta el intercambio de ideas y la discusión entre compañeros antes del desarrollo y entrega de los trabajos, con el fin de enriquecer el aprendizaje colaborativo.

• Introducción al aprendizaje de máquina
• Tipos de problemas en aprendizaje de máquina

• Introducción a librerías del ecosistema de data science
• Tipos de variables
• Análisis descriptivo de variables
• Transformación de variables
• Visualización de variables
• Imputación de datos

• Aprendizaje supervisado
• Regresión lineal
• Regresiones polinomiales
• Regresión con penalización
• Regresión logística

• Naive Bayes
• Evaluación de clasificadores
• Árboles de decisión
• Random Forest
• Random Forest para regresión

• Introducción a las redes neuronales artificiales
• Tecnologías para desarrollo de redes neuronales artificiales
• Redes neuronales artificiales

• Aprendizaje no supervisado
• K-Means
• Cluster jerárquico
• Evaluación de clusters
• Reducción de dimensionalidad

Un profesor ayudante interactúa directamente con un grupo reducido de participantes para ayudar a resolver problemas técnicos remanentes, como por ejemplo, relacionados con el uso del ambiente de desarrollo Google Colaboratory, con la instalación de herramientas Hadoop y Spark o con la utilización de la API para el almacenamiento y procesamiento de big data.

Los alumnos deberán aplicar los conocimientos adquiridos a lo largo del curso mediante la realización de tres trabajos o miniproyectos individuales. Cada uno de ellos busca fortalecer distintas habilidades de análisis, aplicación e integración de los conceptos aprendidos. Aunque las entregas son individuales, se fomenta el intercambio de ideas y la discusión entre compañeros antes del desarrollo y entrega de los trabajos, con el fin de enriquecer el aprendizaje colaborativo.

• Introducción a big data
• Instalación de herramientas Hadoop

• Hadoop MapReduce
• Apache Hive
• Apache Pig

• Programación en Apache Spark

• Apache Flume
• Spark Streaming
• Spark SQL

• Spark MLLIB: algoritmos supervisados
• Spark MLLIB: algoritmos no supervisados

• Reducción de dimensionalidad

Un profesor ayudante interactúa directamente con un grupo reducido de participantes para presentar un caso real de aplicación de machine learning y ciencia de datos, haciendo énfasis en la oportunidad, solución, dificultades y beneficios, para luego discutir con el grupo y responder consultas.

Los alumnos deberán aplicar los conocimientos adquiridos a lo largo del curso mediante la realización de tres trabajos o miniproyectos individuales. Cada uno de ellos busca fortalecer distintas habilidades de análisis, aplicación e integración de los conceptos aprendidos. Aunque las entregas son individuales, se fomenta el intercambio de ideas y la discusión entre compañeros antes del desarrollo y entrega de los trabajos, con el fin de enriquecer el aprendizaje colaborativo.

• Conceptos de inteligencia de negocios y minería de datos
• Conceptos de ciencia de datos y aprendizaje de máquina
• El auge actual del aprendizaje de máquina e inteligencia artificial

• Aplicaciones sobre transacciones estructuradas
• Aplicaciones sobre texto
• Aplicaciones sobre audio
• Aplicaciones sobre video

• Visualización en ciencia de datos
• Aprendizaje supervisado
• Aprendizaje no supervisado
• Aprendizaje reforzado

• Aplicaciones de visualización en ciencia de datos
• Aplicaciones de aprendizaje supervisado
• Aplicaciones de aprendizaje no supervisado
• Aplicaciones de aprendizaje reforzado

• Caso en compañía de seguros
• Caso en banca
• Caso en retail
• Caso en calidad del aire

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 alumnos deberán aplicar los conocimientos adquiridos a lo largo del curso mediante la realización de tres trabajos o miniproyectos individuales. Cada uno de ellos busca fortalecer distintas habilidades de análisis, aplicación e integración de los conceptos aprendidos. Aunque las entregas son individuales, se fomenta el intercambio de ideas y la discusión entre compañeros antes del desarrollo y entrega de los trabajos, con el fin de enriquecer el aprendizaje colaborativo.

• Ejemplos históricos de Visualización de datos.
• Conceptos fundamentales de visualización de información.
• Funciones básicas de matplotlib y seaborn.
• Modelo anidado de Munzner para diseño y validación de visualización.
• Reglas y recomendaciones generales para visualizaciones efectivas.
• Diseño e implementación de gráficos simples para datos tabulares usando modelo anidado.
• Diseño e implementación de gráficos avanzados para datos tabulares usando modelo anidado.
• Reducción de dimensionalidad.
• Diseño e implementación de gráficos avanzados para datos de red usando modelo anidado.
• Visualización básica de datos de texto.
• Visualización básica de datos espaciales.