Primer Bloque: Otoño
Dado que nuestros estudiantes provienen de una gran gama de áreas de especialidad, el primer bloque del programa académico pretende homogeneizar a los estudiantes en los conceptos y técnicas clave para su formación como científico de datos. Este primer periodo está planeado para estudiantes de tiempo completo y la carga académica ideal es de 34 créditos.
Aprendizaje de Máquina
Aprendizaje de Máquina
Enfocándose en técnicas de machine learning tradicional (reduciendo la parte de regresión lineal y de redes neuronales, se ven en cursos especiales del segundo semestre), para su entendimiento, diagnóstico, mejora, afinación de hiper–parámetros. Interpretación de predicciones (importancia de variables, métodos de asignación de contribuciones.
Requisito para Aprendizaje de Máquina Avanzado
Estadística Computacional
Programación para Ciencia de Datos
Utilización adecuada de las capacidades de los computadora, plataformas en la nube y lenguajes de programación para la manipulación, procesamiento y almacenamiento de datos. Énfasis en la reproducibilidad y trabajo en equipo.
Requisito para Arquitectura de Productos de Datos
Fundamentos Estadísticos
Fundamentos de Estadística con Remuestreo
Se introducen los conceptos estadísticos con el aspecto computacional de simulación y remuestreo, pues en ese aspecto, los alumnos son más homogéneos en cuanto a interés y habilidad. Este enfoque permite que los alumnos entiendan de manera más profunda y también les provee de herramientas que pueden empezar a utilizar más fácilmente.
Requisito para Regresión Avanzada y Modelación Bayesiana
Métodos Numéricos y Optimización
Optimización
Los problemas de aprendizaje tienen relación directa con problemas de optimización numérica. Revisaremos métodos de optimización clásicos que han ayudado a resolver problemas en el cálculo numérico y en machine learning. Veremos implementaciones de tales métodos y ejemplos con Python y R. Configuraremos y usaremos la nube de AWS para el cómputo.
Requisito para Optimización Avanzada
Minería y Análisis Datos
Introducción a la Ciencia de Datos
Conceptos y flujo de trabajo básicos de Ciencia de Datos. Visualización, comunicación, explicación de tipos de datos. Ética en el uso de datos y en modelado. Pipeline de datos y modelos. Validación de modelos. Evaluación de modelos.
Requisito para Arquitectura de Productos de Datos
Seminario de Métodos Analíticos en la Empresa
Talleres de Ciencia de Datos I
Talleres de actualización, temas en la frontera, técnicas o habilidades soft (e.g. design thinking, /agile methodologies, habilidades gerenciales, etc). Estos talleres son impartidos por investigadores, practicioners o compañías en el ramo. El objetivo es redondear las habilidades de los estudiantes de la maestría..
Requisito para Regresión Avanzada y Modelación Bayesiana
