IA y Ciencia de Datos para Docentes Investigadores

Objetivos

– Desarrollar conocimientos fundacionales en el entorno técnico: Adquirir competencias en la configuración de arquitecturas de desarrollo y la manipulación de estructuras de datos científicos mediante lenguajes de programación.
– Dominar la metodología de ingeniería y análisis de datos: Desarrollar capacidades para ejecutar procesos robustos de extracción, limpieza, transformación y exploración estadística de información.
– Implementar técnicas avanzadas de descubrimiento de patrones: Aplicar metodologías de aprendizaje computacional para la identificación de estructuras latentes y la optimización de la dimensionalidad en datasets complejos.
– Aplicar marcos de trabajo de modelado y validación científica: Desarrollar habilidades para la creación, entrenamiento y evaluación crítica de modelos predictivos, asegurando la validez y efectividad de los resultados mediante métricas rigurosas.

Requisitos

Docentes investigadores

Modalidad A distancia con clases

Se desarrollará en modalidad 100% virtual, mediante clases sincrónicas.

Los participantes cuentan con clases on line una vez por semana donde el docente desarrolla el contenido previsto del curso. Esta instancia se complementa con material de apoyo y práctica en nuestro Campus virtual.

Acreditan el curso aquellas personas que participan del 75% de las clases y realizan las actividades propuestas por el docente.

Acerca de nuestro Campus Virtual:

Para acceder a sus cursos el alumno debe ingresar a nuestro campus virtual, accediendo desde nuestra web, https://comunidad.institutofagdut.org.ar/ y registrarse con su usuario y contraseña que se le asignará en el momento de inicio del curso. Una vez que ha ingresado al sistema, el alumno puede consultar las clases que tiene disponibles, su grado de avance y el resultado de las evaluaciones que haya presentado. Además, de utilizar contenido en texto, conferencias, tareas, foros electrónicos, salas de chat y otras tecnologías de multimedia.

Una vez finalizado el cursado el alumno recibe el Certificado correspondiente. Asimismo, nuestros cursos cuentan con el auspicio de la Universidad Tecnológica Nacional.

Docente

López Yse, Diego

Contenido

Encuentro 1: Entorno de Desarrollo y Arquitectura del Dato

Objetivo de Aprendizaje: Configurar el entorno de desarrollo y dominar la manipulación fundamental de estructuras de datos científicos mediante la sintaxis esencial de Python.

Contenidos Técnicos:

• Configuración del ambiente de desarrollo e instalación de dependencias científicas.
• Tipos de fuentes de información y repositorios: Web, bases de datos, planillas y archivos de texto.
• Carga, lectura y estructuración de conjuntos de datos mediante DataFrames de Pandas.
• Sintaxis esencial de Python orientada a objetos de datos y colecciones.

Encuentro 2: Ingeniería de Datos y Procesos ETL

Objetivo de Aprendizaje: Aplicar técnicas de limpieza y transformación de datos para auditorías de calidad metodológica y análisis exploratorio con rigor estadístico.

Contenidos Técnicos:

• Procesos ETL: Extracción, Transformación y Limpieza de conjuntos de datos científicos.
• Análisis Exploratorio de Datos (EDA) y técnicas avanzadas de visualización mediante gráficas principales.
• Evaluación de interdependencias mediante la matriz de correlación.

Encuentro 3: Aprendizaje No Supervisado y Reducción de Dimensionalidad

Objetivo de Aprendizaje: Implementar algoritmos de agrupamiento y técnicas de reducción de dimensiones para descubrir estructuras y patrones latentes en datos complejos.

Contenidos Técnicos:

• Fundamentos matemáticos del aprendizaje no supervisado.
• Selección de características relevantes y Análisis de Componentes Principales (PCA) para la reducción de la dimensionalidad.
• Algoritmos de clustering: Métodos de agrupamiento y reglas de asociación.
• Criterios metodológicos para la creación, ajuste y uso de modelos no supervisados.

Encuentro 4: Aprendizaje Supervisado y Validación Metodológica

Objetivo de Aprendizaje: Desarrollar, entrenar y evaluar modelos predictivos y de clasificación, interpretando críticamente las métricas de error y efectividad algorítmica.

Contenidos Técnicos:

• Fundamentos del aprendizaje supervisado: Estrategias de división de datos para entrenamiento y evaluación (train/test split).
• Algoritmos de regresión: Modelos lineales (simples y múltiples), polinomiales y regresión logística.
• Clasificadores binarios y multiclase: Algoritmos basados en árboles.
• Validación y control de errores: Construcción de la matriz de confusión y análisis de los principales indicadores de efectividad.