1. Fundamentos de Programación para Ciencia de Datos

• Descripción: Este curso teórico/práctico introduce a las y los estudiantes a las herramientas básicas de programación utilizando el lenguaje Python. Se cubren temas como la introducción a la programación, modelamiento algorítmico, fundamentos de programación y bibliotecas para la gestión de datos.
• Objetivos del Curso: Adquirir habilidades fundamentales en programación necesarias para manipular y analizar datos de manera efectiva.
• Metodología de Enseñanza: Sesiones teóricas complementadas con ejercicios prácticos en laboratorio.
• Aplicaciones Prácticas: Las y los estudiantes aplicarán los conceptos aprendidos para la manipulación y análisis de datos reales.
• Importancia en el Contexto del Minor: Este curso sienta las bases para que las y los estudiantes puedan desarrollar habilidades de programación necesarias en ciencia de datos y análisis de datos.
  
  

2. Estadística Computacional e Inferencial

• Descripción: Curso teórico/práctico que enseña herramientas estadísticas para la toma de decisiones basadas en datos. Se cubren temas como estadística para la ciencia de datos, estadística descriptiva, distribución de probabilidades e inferencia estadística.
• Objetivos del Curso: Capacitar a los estudiantes en el uso de técnicas estadísticas para analizar datos y tomar decisiones informadas.
• Metodología de Enseñanza: Clases teóricas combinadas con ejercicios prácticos utilizando software estadístico.
• Aplicaciones Prácticas: Las y los estudiantes aplicarán técnicas estadísticas aprendidas para analizar conjuntos de datos reales y extraer conclusiones significativas.
• Importancia en el Contexto del Minor: La estadística es fundamental en ciencia de datos para interpretar datos y validar conclusiones basadas en evidencia estadística.
  
  

3. Técnicas de Inteligencia Computacional I

• Descripción: Curso teórico/práctico que introduce a las y los estudiantes a las técnicas fundamentales de inteligencia computacional. Se cubren temas como análisis exploratorio de datos, aplicación básica de machine learning y aplicación básica de redes neuronales.
• Objetivos del Curso: Familiarizar a los estudiantes con las técnicas iniciales de inteligencia computacional utilizadas para analizar y procesar datos.
• Metodología de Enseñanza: Clases teóricas combinadas con ejercicios prácticos en laboratorio utilizando herramientas de software especializado.
• Aplicaciones Prácticas: Las y los estudiantes aplicarán técnicas de machine learning y redes neuronales en la resolución de problemas de análisis de datos.
• Importancia en el Contexto del Minor: Introduce habilidades esenciales en inteligencia computacional necesarias para la aplicación de métodos avanzados en ciencia de datos.
  
  

4. Técnicas de Inteligencia Computacional II

• Descripción: Curso teórico/práctico que aborda técnicas avanzadas de inteligencia computacional. Se exploran temas como análisis avanzado de datos, redes neuronales y redes neuronales profundas.
• Objetivos del Curso: Profundizar en técnicas avanzadas de inteligencia computacional para el análisis y procesamiento de datos complejos.
• Metodología de Enseñanza: Clases teóricas avanzadas y proyectos prácticos de investigación utilizando herramientas y técnicas de vanguardia.
• Aplicaciones Prácticas: Las y los estudiantes aplicarán técnicas avanzadas de redes neuronales en problemas reales de análisis de datos y aprendizaje automático.
• Importancia en el Contexto del Minor: Prepara a las y los estudiantes para abordar desafíos complejos en ciencia de datos mediante el dominio de técnicas avanzadas de inteligencia computacional.
  
  

5. Taller de Aprendizaje Automático Aplicado

• Descripción: Asignatura práctica donde las y los estudiantes aplican conocimientos adquiridos durante el Minor en un proyecto práctico de aprendizaje automático. Se desarrolla una definición del problema, el modelado basado en datos y la extracción de conocimiento a partir de los datos.
• Objetivos del Curso: Capacitar a los estudiantes en la aplicación práctica de técnicas de aprendizaje automático para resolver problemas reales.
• Metodología de Enseñanza: Desarrollo de proyectos en equipo con presentaciones periódicas y retroalimentación por parte de los instructores.
• Aplicaciones Prácticas: Las y los estudiantes desarrollarán habilidades en la implementación y evaluación de modelos de aprendizaje automático en contextos prácticos.
• Importancia en el Contexto del Minor: Culmina el programa permitiendo a las y los estudiantes integrar y aplicar todos los conocimientos adquiridos en un proyecto aplicado de ciencia de datos.