Diplomatura en Ciencias Sociales Computacionales




CURSADA ⬇️
Agosto - Diciembre 2022

La diplomatura se divide en dos segmentos: módulos generales y módulos de técnicas.

Con los módulos generales se busca generar bases sólidas computacionales - aprendizaje de lenguajes de programación, paradigmas de programación, bases de datos y modelado - y un
conocimiento práctico de las principales técnicas del mundo de la ciencia de datos - aprendizaje supervisado y no supervisado -.

Con los módulos de técnicas se busca el conocimiento y aplicación técnica de herramientas propias del ámbito computacional y con un fuerte beneficio en su aplicación en las Ciencias Sociales. En este sentido, se elaboraron tres módulos de técnicas: Sistemas de Información Geoespacial para el Análisis social, Procesamiento de Lenguaje Natural y Teoría de Grafos para el Análisis social.

El módulo de técnicas busca formar en tres ámbitos claves para el estudiante proveniente de las ciencias sociales y humanidades: aprender a trabajar con información espacial y territorial, aprender a trabajar con información textual y el lenguaje y por último el aprendizaje de herramientas de la teoría de grafos proveniente de las ciencias matemáticas para el modelado de datos sociales.

Las disciplinas mencionadas buscan brindarle al estudiante un sólido conjunto de herramientas para trabajar con problemáticas y dimensiones propias de la sociedad y el individuo tales como el lenguaje y el territorio como así también la consideración de conocimientos nativos de la computación y la ciencia de datos.

PLAN DE ESTUDIOS ⬇️

CICLO DE MÓDULOS GENERALES.
1. Fundamentos de las Ciencias Sociales Computacionales. 30 horas.
2. Introducción al Aprendizaje Estadístico. 30 horas.

CICLO DE TÉCNICAS.
Sistemas de información Geoespacial para el Análisis Social. 15 horas.
Procesamiento de Lenguaje Natural. 15 horas.
Teoría de Grafos para el análisis social. 15 horas.

CICLO DE TRABAJO FINAL.
Seminario de preparación de trabajo final. 15 horas.

CONTENIDOS DE LOS CURSOS:
Fundamentos de las Ciencias Sociales Computacionales.
Introducción al pensamiento computacional aplicado a las ciencias sociales. Introducción a lenguajes de programación. Lógica, algoritmos y secuencialidad. Sintaxis de un programa.

Introducción a Python. Variables. Tipos y colecciones de datos. Estructuración de código. Funciones nativas y propias. Estructuras de control condicional, iterativa y manejo de errores. Librerías y paquetes. Tipos de archivos. Introducción a las bases de datos. Estructura de datos. Manejador de base de datos. Datos estructurados y no estructurados. Modelo de Bases de Datos Relacionales y No Relacionales. Modelo ACID.

Introducción al Aprendizaje Estadístico.

Introducción al análisis estadístico. Nociones de estadística descriptiva aplicada a ciencias sociales. Medidas de tendencia central y de dispersión. Estimación y estimadores. Probabilidad y distribuciones. Nociones de estadística inferencial.

Modelos estadísticos paramétricos y no paramétricos. Estimación no paramétrica de la densidad. Modelos lineales y de clasificación. Modelos de aprendizaje supervisado y no supervisado. Modelo de árboles de decisiones y clusterización.

Casos de aplicación para el análisis de datos. Preprocesamiento, modelización y visualización. Manejo de estructuras de datos y aplicación de técnicas y algoritmos adecuados.

Módulo de técnicas I: Sistemas de Información Geoespacial para el análisis social.

Introducción al tratamiento de información geográfica. Nociones básicas de data georreferenciada: sistemas cartesianos, sistemas proyectivos, Gauss Kruger, Utm. Cartografía digital.

Datos geográficos. Definición y características. Componente espacial y temático. Capas. Modelo raster y vectorial. Tipos de datos geográficos utilizados en el análisis de datos: líneas, puntos y polígonos.

Módulo de técnicas II: Procesamiento de Lenguaje Natural (NLP).

Introducción al procesamiento de lenguaje natural. Principales aplicaciones en ciencias sociales. Trabajo con formatos textuales. Principales librerías de NLP. Tokenización de palabras. Stemming. Lematización. Stop Words. Part of Speech (PoS) y Named Entity Recognition.

Clasificación de textos y palabras. Métricas de clasificación y matriz de confusión. Técnicas de Aprendizaje Supervisado y no supervisado aplicado a NLP. Análisis de Sentimiento y Semántico.

Algoritmos de NLP. Topic Modeling: Latent Dirichlet Allocation (LDA) y Structural Topic Modeling (STM). Técnicas de visualización para análisis de NLP.

Módulo de técnicas III: Teoría de grafos para el análisis social.

Introducción a la Teoría de grafos. Concepto de grafo. Relaciones, nodos y aristas del grafo. Propiedades de los grafos y direccionalidad. Tipos de grafos. Representación visual de grafos. Estructuras de lista y matriciales. Conceptos de sociometría y sociograma. Aplicaciones de teoría de grafos para representación del campo social. Utilización para el modelado de comportamiento humano. Casos de aplicación de grados para el modelado de relaciones humanas en redes sociales (Social Graph - Facebook).

OBJETIVOS ⬇️

Obtengan una sólida formación y suficiente para el trabajo con grandes volúmenes de datos con nociones en lenguajes de programación y modelos de bases de datos.
Incorporen una mirada robusta en el aprendizaje y aplicación de herramientas de Machine Learning y Deep Learning orientados a su aplicación en el ámbito de las humanidades y sociales.
Aprendan e implementen herramientas computacionales propias de campos específicos tales como Sistemas de Información Geográfica y Procesamiento de Lenguaje Natural.

MODALIDAD DE EVALUACIÓN Y ACREDITACIÓN ⬇️

1) Una evaluación obligatoria como cierre de cada ciclo.
2) Trabajo Integrador Final (incluye los contenidos de los tres ciclos).



MÁS INFORMACIÓN ⬇️
diplomaturas.sac@unab.edu.ar