Ingeniería y Ciencia de Datos (Modalidad Escolar)
Plan de Estudios (ICD) Ruta sugerida por semestre
Eje de Práctica | Eje de Modelado | Eje de Fundamentos Disciplinares | Área Complementaria Específica | ||||
Área Complementaria Optativa | Currículum universitario | Lenguas |
Primer Semestre
Laboratorio de visualización de datosEn 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.Eje de Práctica
|
– Content #2_2 –
– Content #2_3 –
– Content #2_4 –
– Content #2_5 –
– Content #2_6 –
Segundo Semestre
Laboratorio de procesamiento de datosEn 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.Eje de Práctica
|
– Content #2_2 –
– Content #2_3 –
– Content #2_4 –
– Content #2_5 –
– Content #2_6 –
– Content #2_7 –
Tercer Semestre
Laboratorio de modelado de datosParte 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. Eje de Práctica
|
– Content #2_2 –
– Content #2_3 –
– Content #2_4 –
– Content #2_5 –
– Content #2_6 –
– Content #2_7 –
Cuarto Semestre
Proyecto de ingeniería de datosQuienes 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.Eje de Práctica
|
– Content #2_2 –
– Content #2_3 –
– Content #2_4 –
– Content #2_5 –
– Content #2_6 –
– Content #2_7 –
Quinto Semestre
Proyecto de ciencia de datosNo 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.Eje de Práctica
|
– Content #2_2 –
– Content #2_3 –
– Content #2_4 –
– Content #2_5 –
– Content #2_6 –
– Content #2_7 –
Sexto Semestre
– Content #2_1 –
– Content #2_2 –
Aprendizaje profundoEl 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.Eje de Modelado
|
– Content #2_4 –
– Content #2_5 –
– Content #2_6 –
– Content #2_7 –
Séptimo Semestre
– Content #2_1 –
– Content #2_2 –
– Content #2_3 –
– Content #2_4 –
– Content #2_5 –