Inicio > Posgrados > Cec > Cursos > Introducción a la ciencia de datos y machine learning para economía y ciencias sociales

Introducción a la ciencia de datos y machine learning para economía y ciencias sociales

Resumen
Fechas de inicio y fin: 
Martes, 2 Mayo 2023 to Jueves, 1 Junio 2023
Horario: 
Martes y jueves de 18:00 a 20:00 (Presencial)
Fecha límite de inscripción: 
Jueves, 27 Abril 2023
Número de sesiones: 
10
Duración (en horas): 
20
Objetivo: 
Introducir a investigadores, pos-doctorantes, estudiantes de posgrados, egresados de licenciatura y público en general, al tema de la ciencia de datos y del aprendizaje automático para que sea aplicado a investigaciones en las áreas de economía y las ciencias sociales. Esto con la finalidad de ofrecer herramientas para el análisis de información que se caracterizan por mostrar comportamientos complejos o de difícil acceso, y que a través de una gran cantidad de datos y procesos automatizados hacen posible la construcción de modelos analíticos que le permiten a una computadora aprender de los datos a partir de la identificación de patrones, y de esta manera, se puede llevar a cabo la construcción de análisis predictivos sobre diversos fenómenos económicos y de las Ciencias Sociales con mayor precisión; permitiendo así, el desarrollo de investigaciones con una mayor calidad analítica de la información.
Dirigido a: 
Investigadores, pos-doctorantes, estudiantes de posgrado y egresados de licenciatura; así como al público en general con interés en temas de las técnicas de AA relacionadas a la economía y las ciencias sociales.
Módulos: 

1. Tema 1. Ciencia de datos
a. ¿Cómo realizar un proyecto de ciencia de datos?
b. Big data
c. Data mining
d. Análisis de datos usando aprendizaje automático (AA)
2. Tema 2. Aprendizaje automático: Regresión
a. Concepto de regresión en ML
b. Regresión lineal
c. Regresión Edge
d. Regresión LASSO
3. Tema 3. Aprendizaje automático: Clasificación
a. Concepto de clasificación
b. Árboles de decisión DT
c. Random Forest
d. XGBoost
4. Tema 4. Aprendizaje automático: Clustéring
a. Aprendizaje supervisado VS aprendizaje no supervisado
b. Concepto de clustering
c. K-means
d. DBSCAN

Planta docente: 
Dr. Jorge Méndez Astudillo
Requisitos de ingreso: 

CONOCIMIENTOS MÍNIMOS REQUERIDOS:
- Estadística
- Algebra
- Computación
- Nociones de programación
- Estudios en áreas de la economía o las Ciencias Sociales

REQUERIMIENTOS TÉCNICOS:
- Se utilizará Python 3
- Contar con un equipo de cómputo propio que cuente con mínimo 8Gb RAM y procesador Core i5 o equivalente para poder realizar los ejercicios y actividades de evaluación fuera de clase.
- Se utilizarán las notebooks disponibles en la suit de Anaconda para la programación en Python.

Requisitos de aprobación: 

80 % de asistencia para tener derecho a evaluación
Evaluación continua con dinámicas en clase = 30%
Un proyecto final = 70%

Costos: 

$7,000.00

Solicita tu beca:

40% para público en general
50% para comunidad UNAM