Ciencia de Datos
Hoja de materia:
DATOS GENERALES:
| Descripción: | En este curso se estudian las principales técnicas de recopilación, interpretación y procesamiento de datos para obtener información relevante y refinada. Se abordará la investigación científica de datos, la sintaxis sobre el lenguaje de programación Python y sus bibliotecas esenciales. También se estudian las redes neuronales artificiales, métodos exploratorios, clustering con aprendizaje no supervisado, agrupaciones jerárquicas y métodos predictivos y de regresión con aprendizaje supervisado. |
| Seriación y Correlación: | Subsecuentes:**** |
| Consecuentes:**** | |
| Objetivo: | Aprender los fundamentos esenciales de la ciencia de datos utilizando el lenguaje de programación Python. Englobando herramientas estadísticas y el aprendizaje autónomo, para la resolución de problemas y hacer toma de decisiones en base a grandes cantidades de datos los cuales se analizarán por agrupamiento, clasificación, regresión y filtrado. |
| Objetivos específicos: | Programar en lenguaje Python básico y orientada a objetos.Adquisición de datos de distintas bases de datos asociadas a la aplicación PythonAnalizar tablas de datos reales utilizando códigos propiosRealizar modelos exploratorios y modelos predictivos con las herramientas del lenguaje de programación |
| Horas totales del curso: | (**) horas presenciales + (**) horas de autoestudio=** horas totales |
| Créditos: | ** créditos |
REVISIONES Y ACTUALIZACIONES:
| Academia: | ** |
| Autores o Revisores: | ** |
| Fecha de actualización por academia: | 15 de junio de 2022 |
| Sinopsis de la revisión y/o actualización: |
PERFIL DESEABLE DEL DOCENTE:
| Disciplina profesional: | Doctorado en ciencias |
| Experiencia docente: | Experiencia profesional docente mínima de dos años |
ÍNDICE TEMÁTICO:
| TEMA: | SUBTEMA |
| Lenguaje de programación Python y librerías | Herramientas de trabajoJupyterModelado PredictivoAsignacionesControl de FlujoEstructuras de datosNumPyMatplotlibPandasGoogle Colab |
| Análisis exploratorio de datos | Fuentes de DatosEstadística DescriptivaVisualización de DatosTidy DataCargar un conjunto de datosEntender nuestros datosHistogramasDiagrama de Densidad y Boxplot.Matriz de correlación y dispersiónDispersión y Boxplot por clase · |
| Procesamiento de datos | Preprocesamiento de datosMétodos de transformación de datosMétodos de remuestreoDetección y análisis de outliersPreprocesamiento de datos.Escalamiento y estandarizaciónNormalización y BinarizaciónBoxCox y YeoJohnsonMétodos de remuestreoValidación cruzada.División por porcentaje |
| Tratamiento de datos | Evaluación de algoritmosMétricas Accuracy y KappaMétricas ROC y Matriz de confusiónReporte de clasificaciónMétrica MAEMétricas MSE y R2Feature selectionCorrelación entre característicasBackward y UnivariableReducción de dimensiones con PCA |
| Modelado de datos | Algoritmos de Machine LearningAlgoritmos de Taxonomía linealAlgoritmos de Taxonomía no linealAlgoritmos EnsembleAlgoritmos lineales – RegresiónAlgoritmos lineales – ClasificaciónAlgoritmos No lineales – ClasificaciónAlgoritmos No lineales – RegresiónComparación de Algoritmos – SimpleComparación de Algoritmos – VisualizaciónAlgoritmos de conjunto |
| Aprendizaje no Supervisado | Algoritmos de Aprendizaje No SupervisadoAlgoritmos de clusteringImplementación Algoritmos clusteringk-MeansClustering JerárquicoMétodos basados en densidadDeterminar clusters |
BIBLIOGRAFIA
| Principal: | Statistics in a nutshell, Sarah Boslaugh and Paul Andrew Watters, 2008Practical Statistics for Data Scientists, Peter Bruce, Andrew Bruce, and Peter Gedeck, 2020A Primer on Scientific Programming with Python Fourth Edition, Hans Petter Langtangen, 2014An Introduction to Statistics with Python With Applications in the Life Sciences, Thomas¬Haslwanter, 2015Data Science from Scratch, Joel Grus, 2015Statistics for Python, Michiel de Hoon, Columbia University, 2010Mastering Machine Learning with Python in Six Steps, Manohar Swamynathan, 2019Numerical Python Scientific Computing and Data Science Applications with Numpy, SciPy and Matplotlib, Robert Johansson, 2019Python Data Analytics Data Analysis and Science Using Pandas, matplotlib, and the Python Programming Language, Fabio Nelli, 2015Python for Probability, Statistics, and Machine Learning, José Unpingco, 2016Python Data Science Handbook Essential Tools for Working with Data, Jake VanderPlas, 2017Statistics and Machine Learning in Python, Edouard Duchesnay, Tommy Löfstedt, Feki Younes, 2019Thoughtful Machine Learning with Python, Matthew Kirk, 2017 |
| Enlaces digitales: | |
| Complementaria: |
PLANEACIÓN EDUCACIONAL:
| Competencias generales: | Desarrollar aplicaciones en el lenguaje de programación Python con herramientas para la ciencia de datos como modelos de exploración, modelos de predicción y redes neuronales, con el objetivo de resolver problemas reales en el ámbito educativo, científico o empresarial, con la finalidad de ahorrar tiempo, recursos y energía. |
| Competencias específicas: | – Aplicar técnicas analíticas y visuales de grandes cantidades de datos para resolver problemas con Python Entender las diferentes técnicas y mecanismos para la predicción de análisis de datos Desarrollar y analizar proyectos de aprendizaje no supervisado Aprender las características fundamentales de las redes neuronales artificiales y recurrentes Aplicar técnicas y métodos para el tratamiento y monitoreo de datos para mejorar la robustez de resultados Entender las características y diferencias de Machine Learning y Deep Learning |
CONTRIBUCIÓN AL PERFIL DE EGRESO:
| CONOCIMIENTO: | HABILIDADES: | VALORES: |
| Tener una comprensión profunda del lenguaje de programación Python y ser capaz de extraer el mayor conocimiento complejo e implícito, que sea potencialmente útil (anomalía, desviación, patrón, valor anómalo, tendencias etc.) a partir de una base de datos con un gran volumen de información. | Utilizar las técnicas, métodos y herramientas de la inteligencia artificial, aprendizaje autónomo, estadística y sistemas de base de datos con un enfoque al científico de datos, para la toma de direcciones, con el fundamento en los datos analizados con modelos matemáticos. | Tener hábitos de trabajo necesarios para el desarrollo de la profesión tales como el rigor científico, el autoaprendizaje y la persistencia. Actuar con responsabilidad, honradez y ética profesional, manifestando conciencia social de solidaridad y justicia. Mostrar tolerancia en su entorno social, aceptando la diversidad cultural, étnica y humana. Desarrollar un mayor interés por aquellos problemas cuya solución sea de beneficio social y el medio ambiente |
ESTRATEGIAS PEDAGÓGICAS:
| Estrategias de enseñanza: | Estrategias de aprendizaje: |
| El docente explicará la teoría y presentará ejemplos en las clases presenciales o virtuales. El docente explicara los fundamentos del lenguaje de programación Python. Se motivará con prácticas para el trabajo individual y en equipo. Discusión de preguntas y problemas en clase. Se motivará para realizar un proyecto final | El alumno asistirá al menos a un 80% de las clases principales o virtuales impartidas. El estudiante trabajará en forma individual o por equipo en la resolución y programación de las aplicaciones. El estudiante resolverá las practicas que se soliciten, además, generará un reporte de cada practica El estudiante propondrá y ejecutará el análisis de un proyecto, además de un reporte de proyecto. Asistirá a asesorías para resolver dudas sobre la teoría o sobre la solución de problemas. |
PROPUESTA DE CRITERIOS DE EVALUACIÓN:
| Criterio de evaluación: | Porcentaje: |
| Tres exámenes parciales Tareas y practicas Proyecto final Asistencia | 60% 25% 15% 0% |