▶ FECHAS:
Abril – Agosto
🕑 DURACIÓN:
5 meses – 120 hs.
💻 MODALIDAD:
Virtual
- Proveer a los estudiantes una comprensión sólida de los fundamentos de las ciencias sociales computacionales, incluyendo el pensamiento computacional aplicado a las ciencias sociales y la introducción a lenguajes de programación.
- Desarrollar habilidades prácticas en el manejo de Python, bases de datos, aprendizaje estadístico, y técnicas específicas como el procesamiento de lenguaje natural (NLP), análisis geoespacial y el trabajo con herramientas de datos y grafos.
- Capacitar a los estudiantes para aplicar modelos estadísticos y algoritmos de aprendizaje automático en la investigación social, con un enfoque en la resolución de problemas, análisis de datos y visualización.
- Fomentar la capacidad de los estudiantes para realizar análisis críticos de datos sociales y desarrollar proyectos de investigación aplicando las herramientas y técnicas aprendidas.
La modalidad de la cursada será virtual con intercambio de información a través del Campus oficial de la Universidad Nacional Guillermo Brown.
Se dictarán 2 encuentros semanales sincrónicos en el horario de 18 a 21hs. Los días Lunes y Miércoles
Coordinador Académico:
Ramiro Fernández
Sociólogo y Maestrando en Data Mining.
Cuerpo docente:
Zacarias Abuchanab
Licenciatura en Sociología, Universidad Nacional de Buenos Aires (FSOC-UBA)
Renzo Polo
Maestría en Minería de Datos Universidad Tecnológica Nacional. Ingeniería en Agrimensura
Paula Luvini
M.A en Ciencia de Datos Universidad de San Andrés. Licenciatura en Economía Universidad de Buenos Aires(UBA)
Florencia Ludueña
Licenciatura en Economía, Universidad de Buenos Aires. Maestría en Ciencia de Datos, Universidad de San Andrés.
Florencia Ludueña
Licenciatura en Economía, Universidad de Buenos Aires. Maestría en Ciencia de Datos, Universidad de San Andres.
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. Pre procesamiento, modelización y visualización. Manejo de estructuras de datos y aplicación de técnicas y algoritmos adecuados.
Módulo de técnicas Y: 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: Herramientas para el trabajo con datos
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.
Infraestructura y pipelines de Datos. Tipos de Bases de Datos. ACID y CAP. OTLP y OLAP. Infraestructura de Datos Moderna. Tecnologías de datawarehouse. ETL. CI/CD. Servicios cloud.
Taller práctico de Git.
Taller práctico con herramienta de datawarehouse cloud.
-1 pago de $175,000.00
– 1 matrícula $115,000.00 y 4 cuotas de $37.000
DATOS BANCARIOS
Número de cuenta: N°: 0009901-3 180-4
CUIT: 30-71532470-5
Razón Social: UNIVERSIDAD NACIONAL GUILLERMO BROWN
CBU: 0070180420000009901346.
Alias: DIPLO.UNAB
Si sos alumno de la UNaB, tenés un descuento del 30% sobre el valor del curso
Bonificación 100% para afiliados Si.T.U.Na.B y ADUNaB