Maestría en Ciencia de Datos

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. El área de especialización es amplia y esto se logra por medio de nuestra oferta en materias optativas, las cuales están marcadas con un asterisco (*).

Materia Créditos
Aprendizaje de Máquina
(Aprendizaje de Máquina)
6
Estadística Computacional
(Programación para Ciencia de Datos)
6
Fundamentos Estadísticos
(Fundamentos de Estadística con Remuestreo)
6
Métodos Numéricos y Optimización
(Optimización)
6
Minería y Análisis Datos
(Introducción a la Ciencia de Datos)
8
Seminario de Métodos Analíticos en la Empresa
(Talleres de Ciencia de Datos I)
2
Ética y Ciencia de Datos
Materia Optativa
6
Modelación en Ciencia de Datos
Materia Optativa
6

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 hiperparámetros. Interpretación de predicciones (importancia de variables, métodos de asignación de contribuciones).

Más información

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.

Más información

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.

Más información

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.

Más información

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.

Más información

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.

Más información

Requisito para
Talleres de Ciencia de Datos II

Materia Optativa

Ética y Ciencia de Datos

Hacer un análisis crítico del papel que los datos y las tecnologías de uso de datos juegan en la sociedad. Para ello estudiaremos las principales problemáticas éticas y sociales asociadas al uso y la recolección de datos y profundizaremos en la relación entre los datos y la Inteligencia Artificial.

Más información

Materia Optativa

Modelación en Ciencia de Datos

Plantear problemas de Ciencia de Datos en Políticas Públicas. Entender el proceso completo de Ciencia de Datos y Machine Learning. Reconocer y resolver problemas de Resource prioritization y Early Warning Systems. Reconocer y resolver problemas usando métodos causales. Comunicar los resultados de los modelos. Evaluar el desempeño e impacto de los modelos de machine learning. Evaluarán y propondrán soluciones para los problemas de disparidad y bias algorítmico.

Más información



El programa de la Maestría en Ciencia de Datos es una iniciativa del ITAM para satisfacer la creciente demanda nacional e internacional de profesionistas con conocimientos sólidos en el modelado a partir de datos (en especial grandes datos) para ayudar a la toma de decisiones estratégicas.