Diplomatura en análisis de datos aplicados al desarrollo de políticas públicas




El programa de la Diplomatura está diseñado para capacitar a funcionarios/as y agentes estatales, de diferentes niveles de gobierno, con el fin de manejar grandes volúmenes de datos. De tal forma, se promoverá la construcción de insumos elementales para el desarrollo, seguimiento y readecuación de diferentes políticas públicas, sobre la base de la correcta implementación de las reglas del arte, salvaguardando todos los elementos éticos en la construcción de los datos.

Los insumos edificados a partir de los conocimientos dictados en el programa, posibilitarán un mejor diseño de las acciones del Estado permitiendo, asimismo, planificar de forma más certera los alcances de las diferentes áreas Ejecutivas.

Quienes completen el Plan de Estudios de la Diplomatura en análisis de datos aplicados al desarrollo de políticas pública de la UNAB serán capaces de:

• Generar propuestas innovadoras y tomar decisiones en la gestión pública a partir de las herramientas provistas por el análisis de grandes volúmenes de datos.

• Promover programas de políticas públicas basadas en evidencias construidas en plazos de tiempos reducidos y optimizando los límites presupuestarios.

• Facilitar el seguimiento de las políticas públicas en tiempo real, originando mejoras a partir de la evaluación continua de resultados.

• Interpretar información geo referenciada y utilizarla en la toma de decisiones.

• Utilizar diversos métodos estadísticos para el estudio de la información pública, presentando los resultados de forma adecuada para la toma de mejores decisiones.

Modalidad de la cursada. ⬇️

La modalidad de la cursada será virtual con intercambio de información a través del Campus oficial de la Universidad Nacional Guillermo Brown.
En cuanto a la metodología de enseñanza y aprendizaje se propone la lectura crítica del material didáctico por parte de los/as alumnos/as. Consultas e intercambios en los foros, dirigidos y coordinados por los/as docentes. Clases en tiempo real. Ejercicios prácticos y evaluaciones sobre la base de análisis de situaciones y casos en contextos laborales y profesionales y, según el carácter de los temas y objetivos de la diplomatura.

Las actividades que se realizarán serán:
• Foros de discusión semanal propuestos por el/la docente.
• Consulta al docente a través de e-mail o chat.
• Dictado de clases en tiempo real mediante un Aula Virtual Sincrónica.
• Material de lectura semanal y por unidad temática
• Actividades individuales y/o grupales de aplicación práctica semanal y por unidad temática.
• Evaluaciones integral al terminar cada trimestre.

Plan de Estudios y contendidos ⬇️
I) CICLO BÁSICO (primer trimestre)
Introducción a la programación / Carga horaria: 36 Hs.
Estadística aplicada / Carga horaria: 36 Hs.
Introducción al manejo de grandes volúmenes datos / Carga horaria: 36 Hs.

II) CICLO DE FORMACIÓN EN ANÁLISIS DE DATOS (segundo trimestre)
Visualización de la información / Carga horaria: 36 Hs.
Los datos y el territorio. Información georreferenciada / Carga horaria: 36 Hs.
Políticas públicas y machine learning / Carga horaria: 36 Hs.

III) CICLO FINAL (tercer trimestre)
Políticas basadas en evidencias/ Carga horaria: 30 Hs.
Seminario: Análisis de casos en uso de datos para políticas públicas / Carga horaria: 30 Hs.
Proyecto final vinculado al área de trabajo de los/las agentes / Carga horaria: 19 Hs.

Introducción a la programación: Introducción a los lenguajes de programación. Código. Lógica. Algoritmos. Pseudocódigo y diagrama de flujo. Definición de variables y estructuración de códigos.
Introducción a R. Estructura. Variables. Funciones. Gráficos. Casos de estudio.
Estadística aplicada: Números. Ecuaciones. Funciones. Regresión. Tipos de variables. Población y muestra. Muestreo aleatorio. Independencia estadística. Media. Mediana. Varianza. Covarianza.
Distribuciones. Probabilidad. Regresión. Tests. Estadísticas y las gráficas. Aplicaciones a grandes volúmenes de datos. Programación de problemas estadísticos sencillos.

Introducción al manejo de grandes volúmenes datos: Estructura de Datos. Estructuras autos referenciados. Asignación dinámica de memoria. Listas ligadas. Pilas: Colas. Árboles. Bases de Datos.
Generalidades Propósito de un manejador de Bases de Datos. Redundancia e inconsistencia. Seguridad. Control de Integridad. Instancia y esquema de una Base de Datos. Independencia de los datos. Lenguaje de Definición de Datos (DDL). Lenguaje de Manipulación de Datos (DML). Tipos de bases de datos y sus usos. Casos aplicados.

Visualización de la información: Introducción. Observaciones y variables. Presentación de datos. Visualización de tablas. Jerarquía. Herramientas para el análisis y visualización de datos. El uso del color. Problemas derivados de la visualización de los datos. Análisis crítico de los métodos de visualización. Aplicaciones en R, Tableau, Google fusion table y QGIS.

Los datos y el territorio. Información georreferenciada: Sistemas cartesianos geocéntricos. Representación de la tierra mediante un elipsoide. Sistemas proyectivos, Gauss Krüger, UTM. Mediciones y errores. Error aleatorio. Media y desvío estándar. Precisión y exactitud. Introducción a GPS. Cartografía general del país. Diferentes escalas y convenciones. Cartografía digital, mapas y sistemas multimedia. Mapas topográficos. Interpretación de la simbología. Georeferenciación de imágenes. Obtención del dato a partir de imágenes. Análisis visual de imágenes. Transformación entre representaciones vectoriales y ráster. PCRaster. GMT. QGIS. Aplicaciones.

Políticas públicas y machine learning: Introducción al machine learning. Definición. Terminología y notaciones. Optimización. Aprendizaje supervisado y no supervisado. Fundamentos de modelado y simulación. Deep learning. Aprendizaje reforzado. Casos de estudio. Massive Change Detection. AP LatAm

Políticas basadas en evidencias: Análisis de las situaciones sobre la base datos secundarios y estimación de elementos conceptuales y metodológicos. Formulaciones de estrategias posibles, criterios de aplicación y selección de los universos. Planificación, programas y proyectos, alcances y resultados preliminares esperados. Actividades y cronogramas de acción. Elaboración de herramientas operativas: líneas de base; árbol de problemas y matriz causal de problemáticas. Gestión, evaluación y corrección: conceptos elementales de gestión y readecuación de metas. Panel de control y evaluación permanente.

Análisis de casos en uso de datos para políticas públicas: Analizar diferentes experiencias que hayan incorporado elementos de información para la mejora en la planificación y la implementación en el ámbito de la Administración Pública.

Proyecto final: proyecto individual de aplicación de las herramientas metodológicas y conceptuales abordadas a lo largo de la diplomatura. Este trabajo deberá estar vinculado al áera de trabajo del agente. Deberá contar con un tutor de la UNaB y ser presentado en los 12 meses posteriores a la finalización de los cursos de la diplomatura.

Cuerpo docente ⬇️

Coordinador Académico:
Geof. Gonzalo Flores.

Geofísico especializado en análisis e interpretación de datos geo referenciados para la prospección de recursos naturales y cuidado del medio ambiente.

Cuerpo docente:
Dr. Agustín Ambrossio<br/> Doctor en Informática (Universidad de Luxemburgo). Lógica e Inteligencia artificial.

Dr. Juan Domingo González.
Doctor en matemática (UBA). Especialista en programación y estadística.

Mg. Lautaro Ezequiel Simontacchi.
Lic. en Astronomía. Máster en geomática (UNLP). Especialista en procesamiento e interpretación de datos geo referenciados.

Dr. Federico Campuzano Castro
Dr. en Astronomía (UNLP). Análisis de imágenes, programación y estadística.

Mg. Martín Alessandro
Master of Public Policy, University of Maryland, College Park, EEUU. Especialización en metodología de las políticas públicas.

Dr. Germán F. Rosati
Doctor en Ciencias Sociales, Universidad de Buenos Aires
Magister en Generación y Análisis de Información Estadística, Universidad Nacional de Tres de Febrero, Argentina



INSCRIBITE