Detalles del Posgrado
Título:
Diplomatura Universitaria Superior en Ciencia de Datos
DETALLE:
La Diplomatura Universitaria Superior en Ciencia de Datos (DUSCD) es una propuesta académica del
Departamento de Matemática de la Facultad de Ciencias Exactas (UNCPBA). Constituye un trayecto
formativo específico diseñado para brindar una formación integral articulando matemática avanzada,
estadística, algoritmos de optimización y aprendizaje automático mediante herramientas computacionales
modernas. Su objetivo es dar respuesta a la creciente demanda regional y nacional de profesionales
capacitados en la extracción, modelado y visualización de datos para la toma de decisiones informada en
sectores estratégicos como la industria, la salud, el agro, la economía y la gestión pública.
La DUSCD es una formación a distancia de 1 año (205 horas reloj totales) estructurada en un encuentro
introductorio, 8 módulos temáticos y un proyecto integrador final, que combina encuentros sincrónicos
virtuales con actividades asincrónicas. Está destinada a graduados universitarios o de nivel superior que
buscan adquirir competencias en análisis y procesamiento de datos.
El plan formativo contempla 8 módulos temáticos y la realización de un Proyecto Integrador aplicado:
Módulo 1: Fundamentos Matemáticos I
Objetivos
Brindar a los estudiantes una primera aproximación a conceptos fundamentales de álgebra lineal, indispensables para el análisis y modelado de datos. Al mismo tiempo, introduce en el uso del lenguaje de programación Python dentro de un entorno colaborativo en la nube, como base para el desarrollo de competencias computacionales aplicadas a la Ciencia de Datos.
Contenidos mínimos
Matrices, sistemas de ecuaciones lineales, autovalores y autovectores, normas y propiedades asociadas, así como la descomposición en valores singulares (SVD). Concepto de grafo y su representación mediante matrices de incidencia, como punto de partida para aplicaciones posteriores en análisis de redes y estructuras de datos complejas.
Módulo 2: Probabilidad y Estadística
Objetivos
El objetivo de este módulo es que el estudiante comprenda los conceptos básicos de probabilidad y estadística necesarios para la Ciencia de Datos. Presentar el concepto de probabilidad con sus distintas interpretaciones y desarrollar herramientas estadísticas, tanto descriptivas como inferenciales, que permitan analizar distintas estructuras de datos.
Contenidos mínimos
Estimación y distribuciones de probabilidad. Inferencia clásica y bayesiana. Estimación puntual y por intervalos. Test de hipótesis. Análisis de regresión. Análisis descriptivo de datos multivariados. Modelos aleatorios paramétricos, semiparamétricos y no paramétricos..
Módulo 3: Herramientas Informáticas
Objetivos
Adquirir habilidades prácticas para el control de versiones y el trabajo colaborativo, diseñar entornos aislados y reproducibles, gestionar datos mediante bases relacionales e integrar estas herramientas en el flujo de trabajo de proyectos de Ciencia de Datos.
Contenidos mínimos
Sistemas de control de versiones y flujos de trabajo colaborativos. Configuración de entornos aislados y portables para análisis de datos. Principios de bases de datos relacionales y lenguaje de consulta estructurado. Introducción a modelos alternativos de almacenamiento orientados a documentos o pares clave-valor. Diseño de entornos reproducibles y portables para facilitar la compartición, despliegue y documentación de proyectos de análisis de datos.
Módulo 4: Fundamentos Matemáticos II
Objetivos
El objetivo del módulo es que los estudiantes comprendan y sean capaces de transferir conceptos fundamentales del análisis matemático necesarios a la Ciencia de Datos, incluyendo derivadas parciales, gradientes y técnicas de optimización lineal, convexa y combinatoria. Además, se espera introducir a los estudiantes en el uso de herramientas como los Laplacianos y las ecuaciones de difusión, relevantes para el modelado de fenómenos dinámicos, junto con una introducción a la teoría espectral de grafos y la teoría de juegos, proporcionando un marco conceptual útil para el análisis de estructuras complejas y la toma de decisiones en entornos interactivos basados en datos.
Contenidos mínimos
Derivación, gradientes y derivadas parciales. Fundamentos de optimización: lineal,convexa y combinatoria. Laplacianos y ecuaciones de difusión. Teoría espectral de grafos: Laplacianos. Teoría de juegos.
Módulo 5: Aprendizaje Supervisado
Objetivos
El objetivo del módulo es que los estudiantes aprendan a aplicar modelos de regresión y clasificación en problemas reales, comprendan y comparen distintos algoritmos supervisados como SVM, árboles de decisión y métodos de ensamble, utilicen métricas adecuadas para evaluar su desempeño, e implementen técnicas de validación cruzada y ajuste de hiperparámetros para optimizar los resultados.
Contenidos mínimos
Regresión lineal y logística. Árboles de decisión, Random Forest y técnicas de ensamble. SVM, K-Nearest Neighbors, Naive Bayes. Métricas de evaluación: accuracy, precision, recall, F1, AUC. Validación cruzada y ajuste de hiperparámetros.
Módulo 6: Aprendizaje No Supervisado
Objetivos
El objetivo del módulo es que los estudiantes comprendan los principales métodos de agrupamiento y sus criterios de evaluación, apliquen técnicas de reducción de dimensionalidad en grandes conjuntos de datos, identifiquen anomalías y valores atípicos, y exploren estructuras latentes mediante el análisis de asociaciones.
Contenidos mínimos
Técnicas de clustering: K-Means, DBSCAN. Reducción de dimensionalidad: PCA,t-SNE. Evaluación de agrupamientos (silhouette, Davies-Bouldin). Técnicas de detección de anomalías. Análisis de asociaciones y estructuras latentes.
Módulo 7: Redes Neuronales
Objetivos
El objetivo del módulo es que los estudiantes comprendan los fundamentos del aprendizaje profundo, implementen redes perceptrón y multicapa para tareas de clasificación y regresión, se introduzcan en las arquitecturas convolucionales aplicadas al procesamiento de imágenes, y utilicen frameworks modernos como TensorFlow y PyTorch para entrenar modelos.
Contenidos mínimos
Perceptrón y algoritmo de retropropagación. Teorema de aproximación universal. Redes multicapa (MLP) y arquitecturas feedforward. Redes convolucionales (CNN): fundamentos y primeras capas. Introducción a frameworks de entrenamiento: TensorFlow y PyTorch.
Módulo 8: Series Temporales y Redes Profundas
Objetivos
El objetivo del módulo es que los estudiantes sean capaces de modelar series temporales identificando sus componentes de tendencia, estacionalidad y ruido, aplicar modelos ARIMA con pruebas de estacionariedad, implementar redes neuronales recurrentes para la predicción de series, y evaluar los modelos en contextos temporales mediante técnicas adecuadas de ajuste y validación.
Contenidos mínimos
Modelado de series temporales: tendencias, estacionalidades y ruido. ARIMA,pruebas de estacionariedad y autocorrelación. Redes neuronales recurrentes: RNN y LSTM. Validación temporal y ajuste de hiperparámetros. Aplicaciones prácticas en predicción y análisis temporal.
Proyecto Integrador Final
Descripción y Estructura
Como cierre de la Diplomatura, se propone el desarrollo de un Proyecto Integrador por equipos de hasta 3 estudiantes, orientado a articular los contenidos trabajados en los módulos.
El proyecto consistirá en:
a) formulación de un problema relevante (real o simulado),
b) preparación y análisis de un conjunto de datos,
c) modelado básico con justificación metodológica, y
d) presentación técnica de resultados y conclusiones.
El desarrollo contemplará etapas intermedias de entrega (propuesta inicial, avance metodológico y preentrega), con pautas formales de presentación y cronograma de hitos que serán informados al inicio del segundo cuatrimestre. El Proyecto Integrador constituye una instancia en donde los estudiantes puedan recuperar los contenidos abordados durante la Diplomatura, orientada a la resolución de un problema de análisis de datos. No se trata de un trabajo de investigación original, sino de un ejercicio integrador que articula herramientas conceptuales y metodológicas desarrolladas en los distintos módulos.
Podes descargar el plan en PDF desde aquí.
