|
Laboratorio de visualización de datos
En este curso identificarás los problemas que trata la ciencia de datos, su aplicación e impacto. Asimismo, conocerás técnicas para presentar gráficamente los resultados provenientes de las predicciones de diferentes modelos propuestos y aplicarás los procedimientos para la manipulación de datos con el objetivo de identificar la representación gráfica que se adecue al problema a resolver, considerando que el público receptor en su mayoría no es especialista en la parte técnica. |
|
Algoritmos y programación
|
Cálculo diferencial
|
Comunicación oral y escrita
|
Manejo de información y datos numéricos
|
Lenguas
|
|
|
Laboratorio de procesamiento de datos
En la actualidad a cada minuto se capturan millones de datos sobre mediciones de fenómenos naturales, experimentos de laboratorio, búsquedas, tendencias e intereses de usuarios de internet, etc. Estos conjuntos de datos (dataset) pueden contener datos espurios, repetidos, faltantes, incorrectos, entre otros, por lo cual es importante procesarlos para convertirlos en información. El objetivo de este laboratorio es construir y preparar un conjunto de datos (dataset) cuyo origen puede provenir de diferentes fuentes, mediante el uso de herramientas computacionales. |
|
Ingeniería de características
|
Programación para análisis de datos
|
Probabilidad y estadística
|
Cálculo integral
|
Álgebra lineal
|
Lenguas
|
|
Laboratorio de modelado de datos
Parte del éxito de la realización de un modelo basado en datos es la calidad de los mismos, por lo que es indispensable realizar el preprocesamiento de los datos y una vez desarrollado dicho modelo, es necesario evaluar su validez por medio de mediciones y evaluaciones de datos desconocidos de prueba.
En este curso prepararás datos y construirás modelos predictivos, los cuales serán validados por medio de métricas de error y criterios de aceptación. Además, se abordará la construcción de los modelos y se fundamentará por medio de la comunicación de resultados, evaluación de pronósticos del modelo y la metodología establecida para la preparación de los datos. |
|
Diseño de bases de datos
|
Métodos estadísticos Bayesianos
|
Cálculo diferencial multivariado
|
Álgebra lineal numérica
|
Ética, identidad y profesión
|
Lenguas
|
|
Proyecto de ingeniería de datos
Quienes trabajan con datos se enfrentan con grandes cantidades de estos, diferentes formatos y un volumen considerable de variables, por ello es necesario hacer modificaciones a los métodos tradicionales de análisis de datos y usar diversas herramientas y estrategias para enfrentar estos retos.
En este curso se busca resolver problemas, cercanos a la realidad, de modelado predictivo, así como la implementación del modelo en sistemas computacionales, utilizando recursos disponibles en la nube o en otro tipo de plataformas, orientadas al procesamiento masivo de datos u orientadas al usuario final. |
|
Series de tiempo
|
Minería de grafos
|
Análisis estadístico multivariado
|
Estimación óptima
|
Conocimiento y cultura
|
Lenguas
|
|
Proyecto de ciencia de datos
No sólo es importante saber cómo resolver un problema, sino también cómo gestionar un proyecto para alcanzar los objetivos planificados en un tiempo determinado. Por ello son necesarios la planificación, la propuesta de soluciones o alternativas, la ejecución, el control y la retroalimentación. En esta materia abordarás la gestión de proyectos de ciencia de datos con énfasis en la etapa de ejecución, control y retroalimentación, así como la comunicación efectiva de los resultados y la predicción del modelo. |
|
Análisis de regresión
|
Aprendizaje máquina
|
Minería de textos
|
Contexto histórico social
|
Materia Complementaria I
|
Lenguas
|
|
Ética en la ciencia de datos
|
Modelos no lineales para pronósticos
|
Aprendizaje profundo
El Aprendizaje profundo o Deep Learning es muy útil en el desarrollo de soluciones en la visión artificial, el procesamiento de voz, el procesamiento de lenguaje natural, la traducción automática y los motores de búsqueda, al igual que Machine Learning, permite abordar problemas de clasificaciones y predicción. Sin embargo, las técnicas de Deep Learning han logrado mejores resultados basadas en el procesamiento de grandes cantidades de datos y el uso de redes neuronales profundas. En este curso aprenderás técnicas de Aprendizaje Profundo para la resolución de problemas de clasificación y predicción con aplicación en diversas áreas, tales como: visión computacional, procesamiento de audio y lenguaje natural. Para ello analizarás los algoritmos, sus fundamentos y consideraciones para su aplicación, de modo que puedas emplearlos y adaptarlos correctamente para la solución de problemas en un contexto particular. |
|
Desafíos éticos contemporáneos I
|
Innovación y emprendimiento
|
Materia complementaria II
|
Materia complementaria específica I
|
|
Proyecto de aplicación profesional I
|
Desafíos éticos contemporáneos II
|
Materia Complementaria III
|
Materia complementaria específica II
|
Materia complementaria específica III
|
|
|
|
Proyecto de aplicación profesional II
|
Materia Complementaria IV
|
Materia Complementaria V
|
Materia complementaria específica IV
|
|
|
|