Diplomado Introducción Analítica a la Ciencia de Datos

Descripción

El diplomado busca que las personas participantes logren consolidar y aplicar los conocimientos en Probabilidad, Estadística y Programación, adquiridos a lo largo de la licenciatura y los relacionen con los principales conceptos de lo que hoy se conoce como Ciencia de Datos. Para ello, los alumnos aprenderán a crear en R, prototipos de análisis de datos, algoritmos de optimización y pipelines de Ciencia de Datos.
La ciencia de datos es fundamental en la ciencia aplicada porque permite a investigadores y profesionales analizar conjuntos de datos relativamente grandes y complejos, extrayendo conocimientos significativos que impulsan la innovación y las soluciones prácticas. En campos como las ciencias ambientales, la ingeniería y la medicina, las técnicas de ciencia de datos como el análisis estadístico y el aprendizaje automático permiten el desarrollo de modelos y simulaciones precisos. Estos modelos ayudan a predecir resultados, optimizar procesos y guiar la toma de decisiones, lo que conduce a aplicaciones más eficientes y efectivas del conocimiento científico.
Además, la ciencia de datos acelera el ritmo de los descubrimientos en las ciencias aplicadas al automatizar tareas rutinarias y descubrir patrones ocultos en los datos. Además, fomenta la colaboración interdisciplinaria, permitiendo a científicos y profesionales de diferentes campos trabajar juntos utilizando un marco analítico común. Esta colaboración conduce al desarrollo de nuevas metodologías y soluciones innovadoras que abordan problemas complejos del mundo real. Al integrar la ciencia de datos en la ciencia aplicada, se puede lograr resultados más integrales e impactantes, impulsando avances que beneficien a la sociedad en su conjunto.
El trabajo a realizar en el diplomado (tareas y exámenes) será muy similar al que desempeña un científico de datos durante los dos primeros años de su ejercicio.

Objetivos

Objetivo general: Distinguir los conceptos aprendidos durante la licenciatura con una profundidad adecuada y con orientación a aplicaciones de tal forma que pueda producir y aplicar un flujo completo de Ciencia de Datos, las principales técnicas de aprendizaje estadístico automatizado en R.
Objetivos específicos:

• Ilustrar la manera en la que las técnicas de ciencia de datos mejoran los modelos predictivos que los profesionales que se enfrentan a la incertidumbre y la administración de contingencias utilizan para descubrir riesgos potenciales y transformar el proceso de toma de decisiones estratégicas, mejorando la rentabilidad y reduciendo las desviaciones intrínsecas.
• Establecer la forma en la que la integración de datos de múltiples fuentes y dominios permite enfrentar y resolver problemas complejos y multifacéticos; llevando a desarrollar modelos basados en técnicas de ciencia de datos, como el análisis estadístico, el aprendizaje automático y la simulación que ayuden a generalizar con mayor precisión fenómenos del mundo real que lleven a estimar y predecir mejores resultados, optimizar procesos y diseñar experimentos.

Metas

• Generar diversos notebooks en R, tanto de análisis de datos como de estimación estadística y generación de reportes de resultados.
• Revisar con un nivel de profundidad adecuado y orientado a aplicaciones, los principales algoritmos de aprendizaje automático/estadístico.

Requisitos

Requisitos de ingreso:

• Ser pasante o egresado de las Licenciaturas en Actuaría, Matemáticas, Matemáticas Aplicadas, Física o Ciencias de la Computación de la UNAM.
• En caso de otras licenciaturas, se requieren conocimientos de Probabilidad, Estadística y Programación equivalentes a los que se cubren de manera obligatoria en las licenciaturas antes mencionadas de la UNAM.

• (a) Presentar todas las tareas y prácticas
• (b) Mínimo un 80% de asistencia y, en su caso, aprobar el módulo inmediato anterior.
• (c) Aprobar todos los exámenes parciales con calificación ≥ 6.0.

• (a) Aprobar todas las tareas y prácticas.
• (b) Aprobar todos los exámenes parciales con calificación ≥ 6.0.
• (c) Obtener un promedio final ≥ 8.0.

Procesos de evaluación

Tareas y prácticas quincenales:

• i. Las tareas y prácticas quincenales abarcarán el material cubierto en la semana correspondiente.

• i. Al final de cada módulo, habrá una semana de examen parcial.
• ii. El examen parcial abarcará el material cubierto en el módulo correspondiente.
• iii. La nota del examen parcial será numérica, de 0.0 a 10.0.

Mín / Máx de alumnos: Mínimo 15, máximo 30.
La apertura del curso está sujeta al mínimo de inscritos.

Cuerpo docente:

• 1. Actuario Eduardo Selim Martínez Mayorga. Profesor de Asignatura, Facultad de Ciencias, UNAM..
• 2. Maestro José Salvador Zamora Muñoz. Profesor de Asignatura, Facultad de Ciencias, UNAM..
• 3. Doctor Carlos Erwin Rodríguez Hernández-Vela. Investigador de Carrera, Instituto de Investigaciones en Matemáticas Aplicadas y en Sistemas, UNAM .
• 4 Doctor Jorge Ignacio González Cázares. Investigador de Carrera, Instituto de Investigaciones en Matemáticas Aplicadas y en Sistemas, UNAM..
• 5 Doctor Alan Riva Palacio Cohen. Investigador de Carrera, Instituto de Investigaciones en Matemáticas Aplicadas y en Sistemas, UNAM.
• 6. Doctora Sandra Palau Calderón. Investigadora de Carrera, Instituto de Investigaciones en Matemáticas Aplicadas y en Sistemas, UNAM.
• 7 Doctora María Fernanda Gil Leyva Villa. Investigadora de Carrera, Instituto de Investigaciones en Matemáticas Aplicadas y en Sistemas, UNAM.
• 8 Doctora Claudia Ivonne Juárez Gallegos. Profesora de Asignatura, Facultad de Ciencias, UNAM..