Escuela de Métodos

1. martes, 02 feb 2021
2. jueves, 04 feb 2021
3. martes, 09 feb 2021
4. jueves, 11 feb 2021
5. martes, 16 feb 2021
6. jueves, 18 feb 2021
7. martes, 23 feb 2021
8. jueves, 25 feb 2021

Introducción

Python es el lenguaje más popular para hacer ciencia de datos. Sus múltiples librerías permiten llevar a cabo todo el proceso de obtención, limpieza, análisis y visualización de datos de una manera muy eficiente. Además, es gratis y muy fácil e intuitivo de aprender.

En este curso vamos a conocer Python y a empezar a programar desde cero en este lenguaje que puede abrir muchas oportunidades en tu carrera. Específicamente aprenderemos a usar las librerías más populares para las tareas de manejo de datos.

Objetivo de aprendizaje

El objetivo del curso es aprender a usar Python para el manejo de datos. Específicamente, los objetivos del curso son aprender a:

• Hacer operaciones básicas de manejo de bases de datos.
• Hacer el preprocesamiento y limpieza de variables.
• Hacer procesamiento básico de texto para su análisis.
• Realizar operaciones básicas de manejo de datos geoespaciales.

Dirigido a

Cualquier profesional interesado en ciencia de datos.

Conocimientos previos

Preferiblemente con experiencia en análisis de datos y algún software para manejo de bases de datos (R, Stata, Excel, etc).

Temario

El curso está dividido en 8 sesiones, cada una de 3 horas. A continuación, se enlistan los temas que cubriremos en el curso:

1. Introducción básica a Python

Veremos lo fundamental para empezar a programar en Python desde cero.

• ¿Qué es?
• ¿qué se puede hacer en Python?
• Ejemplos de aplicaciones
• Cómo instalar Python y sus paquetes
• Jupyter notebooks
• Tipos de datos: str, int, float
• Funciones built-in básicas: print(), type(), len(), range()
• Estructuras de datos en Python: Tuplas, Listas, Diccionarios, Conjuntos, Arrays, DataFrames.

2. Introducción intermedia a Python

En esta parte aprenderemos a programar en Python utilizando las estructuras de control -que nos permiten automatizar y controlar procesos repetitivos- y también veremos cómo crear nuestras propias funciones y comandos.

• Estructuras de control en Python: for, while, if, else, elif, whit
• Listas y diccionarios por comprensión
• Funciones
• Clases y métodos

3. Manejo de datos en Pandas I

Pandas es la librería más popular de Python para el manejo datos. Es sencilla y muy completa.

Aprenderemos desde cómo leer los archivos con datos, pasando por cómo crear y transformar variables, reestructurar la base de datos, resumir la información y finalmente exportar a otros formatos los datos.

• DataFrames y Series
• Leer datos de diferentes fuentes (csv, Excel, stata, spss, internet)
• Filtro de variables y valores
• Consultas
• Crear variables
• Renombrar variables
• Reemplazar valores
• Reestructurar (pivot, melt)
• Transformación de variables
• Resumir información (summary)
• Exportar los datos.

4. Manejo de datos en Pandas II

En esta parte del curso veremos algunas funcionalidades más avanzadas de Pandas.

• Unir bases de datos.
• Agrupar y agregar datos
• Multindex
• Missing Values
• Duplicados
• Aplicar funciones

5. Manejo de texto

Aprenderemos los fundamentos del procesamiento de texto para su análisis.

Veremos cómo pre procesar y limpiar el texto, cómo usar expresiones regulares y algunos análisis básicos de analítica de texto.

• Funciones built-in de los strings
• Expresiones regulares
• Métodos para variables string en Pandas
• Conteo de frecuencias
• Variables categóricas

6. Manejo de fechas y series de tiempo

Veremos cómo usar funciones especiales para declarar variables temporales.

• Librerías para manejar fechas y tiempo.
• Métodos y atributos de variables de tiempo en Pandas.
• Manejo de datos espaciales con GeoPandas

7. GeoPandas hace muy fácil el manejo y la visualización de datos geográficos

En esta parte del curso aprenderemos cómo usar la información geográfica para enriquecer el análisis de datos.

• Instalación
• Estructuras de datos de GeoPandas
• Lectura de datos espaciales
• Operaciones geométricas
• Mapas

Bibliografía

1. McKinney, W. (2012). *Python for data analysis: Data wrangling with Pandas, NumPy, and IPython. " O'Reilly Media, Inc.".
2. Automate the Boring Stuff with Python. Libro en línea disponible en: https://automatetheboringstuff.com/  

Profesor(a)

Juan Javier Santos Ochoa

Científico de Datos, Unidad Ciencia de Datos

Ver el perfil completo

1. martes, 02 feb 2021
2. jueves, 04 feb 2021
3. martes, 09 feb 2021
4. jueves, 11 feb 2021
5. martes, 16 feb 2021
6. jueves, 18 feb 2021
7. martes, 23 feb 2021
8. jueves, 25 feb 2021
9. martes, 02 mar 2021
10. jueves, 04 mar 2021
11. martes, 09 mar 2021
12. jueves, 11 mar 2021

Introducción

Los métodos cuantitativos de investigación nos permiten describir el mundo de una forma precisa y, al mismo tiempo, nos dan una idea de la incertidumbre que enfrenta esta descripción. Además, son muy útiles para evaluar la distribución de esta variable en la población que nos interesa, la forma como se relaciona como otras variables y su comportamiento en otras poblaciones y subpoblaciones. Estos métodos son útiles y poderosos, pero su uso correcto requiere la construcción de intuiciones y de la práctica constante. En este curso los estudiantes aprenderán sobre los conceptos y prácticas básicos para un análisis cuantitativo.

Objetivo(s) de aprendizaje

Este curso busca introducir a los alumnos a una serie de herramientas de análisis cuantitativo partiendo tanto de la teoría como de la práctica de sus conceptos básicos. Las clases comprenderán una discusión teórica sobre el uso (y abuso) de los conceptos básicos de la metodología, así como práctica continua e individual usando el paquete estadístico R. Al final del curso, los alumnos serán capaces de elaborar análisis propios y ser consumidores informados y críticos de resultados estadísticos.

Los alumnos deberán tener una computadora personal con R y R Studio instalado. Sin embargo, el curso está diseñado para introducir a los alumnos a R, por lo que NO es un prerrequisito conocerlo.

Dirigido a

Estudiantes, investigadores, servidores públicos u otras personas interesadas en hacer investigación social o utilizar herramientas de análisis cuantitativo en su trabajo, estudio o investigación. Temario

El curso está dividido en 12 sesiones, cada una de 2 horas. A continuación se enlistan los temas que cubriremos en cada sesión:

Sesión 1

• Niveles de medición
• Introducción a R

Sesión 2

• Estadística descriptiva

Sesión 3

• Relaciones bivariadas

Sesión 4

• Correlación

Sesión 5

• Intro. a regresión

Sesión 6

• Relaciones multivariadas

Sesión 7

• Probabilidad 1

Sesión 8

• Probabilidad 2

Sesión 9

• Pruebas de hipótesis 1

Sesión 10

• Pruebas de hipótesis 2

Sesión 11

• Intro. a muestreo y encuestas

Sesión 12

• Experimentos e inferencia causal

Profesor(a)

Salvador Vázquez Del Mercado

Catedrático CONACYT y profesor investigador

Ver el perfil completo

1. martes, 02 feb 2021
2. jueves, 04 feb 2021
3. martes, 09 feb 2021
4. jueves, 11 feb 2021
5. martes, 16 feb 2021
6. jueves, 18 feb 2021
7. martes, 23 feb 2021
8. jueves, 25 feb 2021

Próximamente se publicará el temario completo.

Actualización 8 de enero de 2021.

1. jueves, 11 feb 2021
2. martes, 16 feb 2021
3. jueves, 18 feb 2021
4. martes, 23 feb 2021
5. jueves, 25 feb 2021
6. martes, 02 mar 2021
7. jueves, 04 mar 2021
8. martes, 09 mar 2021
9. jueves, 11 mar 2021
10. martes, 16 mar 2021
11. jueves, 18 mar 2021
12. martes, 23 mar 2021

Introducción

La ciencia de datos es una industria que ni siquiera existía hace diez años. Desde entonces, ha crecido hasta dominar el mundo empresarial y gubernamental. Cuando vemos el éxito que han logrado empresas impulsadas en datos como Google, Facebook y Amazon, nos preguntamos si es posible que nuestra organización replique ganancias similares a partir de sus datos. Para el éxito de estos gigantes tecnológicos ha sido fundamental su capacidad para establecer y cultivar culturas impulsadas en datos.

Objetivo(s) de aprendizaje

El curso  tiene como objetivo desarrollar el conocimiento de los estudiantes de los principios de la ciencia de datos para empresas, con el fin de aplicarlos de manera efectiva dentro de sus propias organizaciones. Nos enfocaremos en las habilidades y técnicas que son críticas para liderar un equipo de ciencia de datos exitoso, equipando a los estudiantes con la terminología y el contexto para poder hacer las preguntas correctas y evitar errores comunes en los proyectos de ciencia de datos. No se ven matemáticas rigurosas, sino la comprensión e interpretación general de términos de ciencia de datos y estadística.

Dirigido a

Ejecutivos de empresas u otros profesionales que deseen comprender cómo aprovechar el campo de la ciencia de datos para generar valor en una organización. 

Temario

El curso está dividido en 12 sesiones, cada una de 2 horas. A continuación se enlistan los temas que cubriremos en cada sesión:

Sesión 1

• Bienvenida: ¿Qué puedes esperar de éste curso?
• Introducción: Principios de Ciencia de Datos

Sesión 2

• La toma de decisiones basadas en datos, sesgos cognitivos
• ¿Cómo permear una cultura basada en datos?

Sesión 3

• Consideraciones técnicas
• Consideraciones éticas y legales

Sesión 4

• El equipo de ciencia de datos: contratación y retención
• Métricas de desempeño del equipo

Sesión 5

• Flujo de trabajo de un proyecto

  • Identificar el problema a resolver
  • Hacer un plan de acción
  • Identificar fuentes de datos

Sesión 6

• Flujo de trabajo de un proyecto
  • Preparar los datos
  • Análisis exploratorio
  • Modelado

Sesión 7

• Flujo de trabajo de un proyecto
  • Comunicación de resultados
  • Implementación
  • Evaluar el proyecto
  • Iterar

Sesión 8

• Lenguaje compartido ¿Porqué es importante?
• Terminología de Ciencia de Datos

Sesión 9

• Falacias de probabilidad
• Interpretación de la incertidumbre
• Calibración

Sesión 10

• Estadística de volada

Sesión 11

• Tipos de análisis más comunes
• Interpretación de gráficas

Sesión 12

• Temas selectos a elegir: análisis predictivo / ejemplos de aplicaciones / herramientas computacionales

Profesor(a)

Michelle Anzarut Chacalo

1. lunes, 08 mar 2021
2. miércoles, 10 mar 2021
3. miércoles, 17 mar 2021
4. lunes, 22 mar 2021
5. miércoles, 24 mar 2021
6. lunes, 05 abr 2021
7. miércoles, 07 abr 2021
8. lunes, 12 abr 2021
9. miércoles, 14 abr 2021
10. lunes, 19 abr 2021
11. miércoles, 21 abr 2021
12. lunes, 26 abr 2021

Introducción

Análisis de componentes principales es una técnica estadística a que su principal objetivo es simplificar la complejidad dimensional de un conjunto de datos; asegurando que se conserve la información de conjunto de datos. Es decir, este método de componentes principales condensa la información aportada por múltiples variables en tan sólo pocas variables (componentes) combinando las técnicas de álgebra lineal y estadística.

En resumen, es la reducción de la dimensionalidad de un conjunto de datos a costa de una pequeña pérdida de información.

Objetivo(s) de aprendizaje

Identificar los elementos teóricos de la técnica de componentes principales.

Aplicar la técnica en forma práctica con ejemplos específicos. Validar y replicar la técnica de componentes principales.

Dirigido a

Todo tipo de público con conocimiento básico de estadística.

Temario

El curso está dividido en 12 sesiones, cada una de 2 horas. A continuación se enlistan los temas que cubriremos en cada sesión:

Sesión 1 Lunes 08 de marzo del 2021

• Introducción y motivación de la técnica de componentes principales.

Sesión 2 Miércoles 10 de marzo del 2021

• Elementos de álgebra lineal para la identificación de los componentes.

Sesión 3 Miércoles 17 de marzo del 2021

• Número óptimo de componentes principales
• Ejemplos y cálculos de eigenvectores y eigenvalores

Sesión 4 Lunes 22 de marzo del 2021

• Interpretación geométrica de las componentes principales
• Influencia de outliers

Sesión 5 Miércoles 24 de marzo del 2021

• Calculo de PCA en R

Sesión 6 Lunes 05 de abril del 2021

• Ejemplos prácticos.

Sesión 7 Miércoles 07 de abril del 2021

• Ejemplos prácticos.

Sesión 8 Lunes 12 de abril del 2021

• Construcción de indicadores a partir del análisis de componentes Principales.

Sesión 9 Miércoles 14 de abril del 2021

• Construcción de indicadores a partir del análisis de componentes Principales (continuación).

Sesión 10 Lunes 19 de abril del 2021

• Repoducibilidad de los componentes.
• Valiadación de los componentes.

Sesión 11 Miércoles 21 de abril del 2021

• Práctica

Sesión 12 Lunes 26 de abril del 2021

• Práctica

Profesor(a)

Itza Tlaloc Quetzalcoatl Curiel Cabral

1. martes, 09 mar 2021
2. jueves, 11 mar 2021
3. martes, 16 mar 2021
4. jueves, 18 mar 2021
5. martes, 23 mar 2021
6. jueves, 25 mar 2021
7. martes, 06 abr 2021
8. jueves, 08 abr 2021

Introducción

La visualización de datos es el área del conocimiento que combina principios de diseño, teoría del color y nuestras capacidades perceptivas para elaborar gráficas y mapas que transmiten de forma eficiente y efectiva los resultados sustantivos derivados del análisis de bases de datos.

En este curso presentaremos los principios básicos de la visualización y aprenderemos a usar varias librerías de Python para crear gráficas tanto estáticas como interactivas.

Objetivo(s) de aprendizaje

El objetivo del curso es aprender a crear visualizaciones de datos que comuniquen la información de forma eficiente y efectiva, generando valor agregado al análisis. Específicamente, los objetivos del curso son:

• Aprender los conceptos teóricos básicos de la visualización de datos
• Aprender a usar las librerías Matplotlib y Seaborn para la creación de gráficas estáticas.
• Aprender a usar la librería Plotly para la creación de gráficas interactivas.
• Aprender a usar la librería Dash para la creación de gráficas dinámicas y tableros.

Dirigido a

El curso está diseñado para personas con conocimiento de manejo de datos y programación en Python, en particular, conocer estructuras de datos básicas (listas, diccionarios, etc), saber definir funciones y usar la librería Pandas.

Se recomienda (aunque no es obligatorio) tomar previamente el curso “Introducción a Python y Manejo de datos” que también se ofrece dentro de la Escuela de Métodos.

Temario

El curso está dividido en 8 sesiones, cada una de 3 horas. A continuación, se enlistan los temas que cubriremos en el curso:

1. Introducción a la visualización de datos

Empezaremos viendo los principios teóricos de la visualización de datos y conociendo los conceptos básicos relacionados.

2. Introducción a Matplotlib

Matplotlib es la librería usada por excelencia en Python para hacer gráficas estáticas. Aquí aprenderemos a crear visualizaciones a través de la interfaz de Matplotlib disponible en Pandas.

3. Ajuste de detalles de gráficas con Matplotlib

Aprenderemos a ajustar detalles de las gráficas como los ejes, las leyendas, las características del texto y detalles más avanzados como personalizar recuadros y barras de colores.

4.Creación de múltiples gráficas con Matplotlib y Seaborn

Veremos cómo crear figuras con múltiples gráficas, usando distintos diseños para distribuirlas. También usaremos la librería Seaborn que facilita hacer muchas de las gráficas de Matplotlib.

5.Usos avanzados de Matplotlib

Exploraremos algunas de las características más avanzadas de Matplotlib como animaciones, gráficas con elementos interactivos e integración con interfaces de usuario.

6.Introducción a Plotly

Plotly es una excelente librería para hacer visualizaciones interactivas que pueden funcionar mucho mejor en un navegador web. Veremos la interfaz básica para crear gráficas de Plotly y cómo editar sus elemento.

7.Introducción a Plotly Express

Aprenderemos a usar Plotly Express, que es una interfaz que nos permite hacer gráficas de forma mucho más fácil, además nos brinda la posibilidad de hacer múltiples gráficas.

8.Introducción a Dash

Dash es una librería que nos permitirá hacer dashboards interactivos basándonos en las gráficas de plotly que aprendimos a hacer anteriormente.

Profesor(a)

Juan Javier Santos Ochoa

Científico de Datos, Unidad Ciencia de Datos

Ver el perfil completo

1. martes, 16 mar 2021
2. jueves, 18 mar 2021
3. martes, 23 mar 2021
4. jueves, 25 mar 2021
5. martes, 06 abr 2021
6. jueves, 08 abr 2021
7. martes, 13 abr 2021
8. jueves, 15 abr 2021
9. martes, 20 abr 2021
10. jueves, 22 abr 2021
11. martes, 27 abr 2021
12. jueves, 29 abr 2021

Próximamente publicaremos el programa completo.

Actualización 7 de enero de 2021.

1. lunes, 22 mar 2021
2. miércoles, 24 mar 2021
3. lunes, 05 abr 2021
4. miércoles, 07 abr 2021
5. lunes, 12 abr 2021
6. miércoles, 14 abr 2021
7. lunes, 19 abr 2021
8. miércoles, 21 abr 2021
9. lunes, 26 abr 2021
10. miércoles, 28 abr 2021
11. lunes, 03 may 2021
12. miércoles, 05 may 2021

Próximamente publicaremos el programa completo.

Actualización 7 de enero de 2021.

1. lunes, 05 abr 2021

Próximamente publicaremos las fechas de cada una de las sesiones de este curso, así como el temario completo.

Actualización 7 de enero de 2021.

1. martes, 06 abr 2021
2. jueves, 08 abr 2021
3. martes, 13 abr 2021
4. jueves, 15 abr 2021
5. martes, 20 abr 2021
6. jueves, 22 abr 2021
7. martes, 27 abr 2021
8. jueves, 29 abr 2021
9. martes, 04 may 2021
10. jueves, 06 may 2021
11. martes, 11 may 2021
12. jueves, 13 may 2021

Próximamente se publicará el temario. Actualización 7 de enero de 2021.

1. martes, 06 abr 2021
2. jueves, 08 abr 2021
3. martes, 13 abr 2021
4. jueves, 15 abr 2021
5. martes, 20 abr 2021
6. jueves, 22 abr 2021
7. martes, 27 abr 2021
8. jueves, 29 abr 2021
9. martes, 04 may 2021
10. jueves, 06 may 2021
11. martes, 11 may 2021

Introducción

Las encuestas son un método de investigación que permiten describir una población a partir de las respuestas dadas por una selección de sus miembros a un cuestionario estructurado. Sin embargo, para lograr este objetivo es necesario tener cuidado con el diseño de la encuesta. Por ejemplo, deben observarse ciertas reglas para seleccionar a los entrevistados y diseñar el cuestionario para que obtenga respuestas certeras. La metodología de encuestas está dedicada a asegurar que la información obtenida de las entrevistas represente a la población de la mejor manera posible.

Objetivo(s) de aprendizaje

Este curso proveerá de los conocimientos necesarios para diseñar una encuesta de calidad, como el diseño y prueba de preguntas y cuestionarios. También proveerá de nociones de muestreo y organización de levantamiento para hacer que la encuesta sea eficiente e informativa. Además, en el curso será demostrado el uso de paquetes estadísticos especializados en el análisis de encuestas. Al terminar el curso, los estudiantes serán capaces de diseñar una encuesta desde la concepción del proyecto hasta diseñar el cuestionario y comprender cuál diseño de muestra será de mayor utilidad para cualquier tema que deseen investigar. Como trabajo final, los estudiantes prepararán un proyecto de encuesta en el que demostrarán los conocimientos adquiridos al aplicarlos a un proyecto de su elección.

Dirigido a

Estudiantes, investigadores, servidores públicos u otras personas interesadas en hacer investigación social.

Temario

El curso está dividido 12 sesiones, cada una de 2 horas. A continuación se enlistan los temas que cubriremos en cada sesión:

Sesión 1

• Introducción a las encuestas

Sesión 2

• Reducción del error total

Sesión 3

• Diseño de cuestionarios: escribir preguntas

Sesión 4

• Diseño de cuestionarios: psicología de la respuesta

Sesión 5

• Diseño de cuestionarios: pruebas de cuestionarios

Sesión 6

• Modo de entrevista

Sesión 7

• Levantamiento

Sesión 8

• Muestreo 1

Sesión 9

• Muestreo 2

Sesión 10

• No respuesta

Sesión 11

• Causalidad y experimentos

Sesión 12

• Introducción al manejo y análisis de encuestas en R

Profesor(a)

Salvador Vázquez Del Mercado

Catedrático CONACYT y profesor investigador

Ver el perfil completo

1. martes, 13 abr 2021
2. jueves, 15 abr 2021
3. martes, 20 abr 2021
4. jueves, 22 abr 2021
5. martes, 27 abr 2021
6. jueves, 29 abr 2021
7. martes, 04 may 2021
8. jueves, 06 may 2021
9. martes, 11 may 2021
10. jueves, 13 may 2021
11. martes, 18 may 2021
12. jueves, 20 may 2021

Introducción

Este es un curso de nivel introductorio al aprendizaje automático, mejor conocido como machine learning (ML). El ML es un área de las ciencias computacionales que estudia el desarrollo de modelos estadísticos basados en datos para que pueden desempeñar una tarea básica, típicamente hacer una predicción, clasificar en categorías, agrupar elementos similares, recomendar un producto, etc.

Iniciaremos abordando los principales temas conceptuales del aprendizaje automatizado y más adelante nos enfocaremos en la parte práctica, donde veremos las técnicas de ML más utilizadas usando la librería scikit-learn de Python.

Consideramos importante presentar la fundamentación matemática de los modelos que usaremos para entender mejor el funcionamiento de los métodos. Aunque no nos extenderemos a detalle en esta parte, al menos presentaremos las fórmulas más importantes de cada técnica, describiremos los parámetros básicos de las ecuaciones y proporcionaremos referencias donde se puede consultar a profundidad.

Objetivo(s) de aprendizaje

El objetivo general del curso es aprender los elementos conceptuales básicos de ML y a implementar de forma práctica los algoritmos más populares para hacer regresión, clasificación, clusterización y reducción de dimensionalidad. En específico lo objetivos del curso son:

• Entender qué es ML y en qué área dentro del panorama de la ciencia de datos se inscribe.
• Comprender las diferencias entre ML y la estadística tradicional.
• Estudiar los pasos previos antes de estimar un modelo de ML.
• Aprender a usar las funciones para preprocesamiento de datos de Scikit-learn.
• Aprender a estimar modelos de regresión, clasificación, reducción de dimensionalidad y clusterización.
• Aprender a usar el proceso de validación cruzada para evaluar el desempeño de los modelos.
• Aprender a usar Pipelines para encadenar múltiples procedimientos en un proyecto de ML.

Dirigido a

Asumimos que los participantes cuentan con los conocimientos equivalentes a los de cursos universitarios de cálculo diferencial, álgebra lineal y estadística. Esperamos que tengan experiencia en manejo de datos y estimación de modelos estadísticos básicos (regresión lineal).

También asumimos que cuenta con los siguientes conocimientos básicos de Python:

• Conocimiento estructuras de datos: tuplas, listas, diccionarios, conjuntos.
• Manejo de datos con Pandas
• Visualización con Matplotlib

Se recomienda (aunque no es obligatorio) haber tomado previamente los siguientes cursos que también se ofrece dentro de la Escuela de Métodos del LNPP:

• Introducción a Python y Manejo de datos
• Visualización de datos con Python

Temario

El curso está dividido en 12 sesiones, cada una de 2 horas. A continuación: se enlistan los temas que cubriremos en el curso:

• Introducción a ML.
• Pasos en un proyecto de ML
• Ejemplo de un proyecto completo de ML usando regresión lineal
• Modelos básicos de regresión: regresión lineal, ridge regression, lasso, elastic net.
• Modelos de clasificación: logit, multinomial logit.
• Algoritmo de Support Vector Machines para regresión y clasificación.
• Métodos basados en Árboles de Clasificación y regresión.
• Método de los K vecinos más cercanos para clasificación y regresión.
• Métodos de reducción de dimensionalidad: PCA, SVD y tSNE.
• Métodos para clusterización: KMeans y DBSCAN.
• Algunos métodos de ML para texto: TF-IDF, clasificación, SVD.

Bibliografía

• Géron, A. (2017). Hands-on machine learning with Scikit-Learn and TensorFlow: concepts, tools, and techniques to build intelligent systems. " O'Reilly Media, Inc".*
• Müller, A. C., & Guido, S. (2016). Introduction to machine learning with Python: a guide for data scientists. " O'Reilly Media, Inc".
• Friedman, J., Hastie, T., & Tibshirani, R. (2009). The elements of statistical learning (2 ed). New York: Springer series in statistics.

Profesor(a)

Juan Javier Santos Ochoa

Científico de Datos, Unidad Ciencia de Datos

Ver el perfil completo

1. lunes, 03 may 2021
2. lunes, 10 may 2021
3. miércoles, 12 may 2021
4. lunes, 17 may 2021
5. miércoles, 19 may 2021
6. lunes, 24 may 2021
7. miércoles, 26 may 2021
8. lunes, 31 may 2021
9. miércoles, 02 jun 2021
10. lunes, 07 jun 2021
11. miércoles, 09 jun 2021
12. lunes, 14 jun 2021

Introducción

La taxonomía ha sido uno de los quehaceres más antiguos de la sociedad. La necesidad agrupar especies por características individuales o grupales. En ciencia de los datos, esta técnica de obtener grupos que sean lo mas heterogéneo entre ellos; sin embargo, que los individuos dentro de cada grupo se presenten de la manera más homogénea posible es quizá su principal propósito.

Dentro de las ciencias sociales este mecanismo de clasificar (agrupar) es útil no sólo para identificar individuos sino además nos ayuda a determinar individuos representativos de los grupos, que combinado con técnicas de cualitativas nos permite identificar esos individuos para un análisis de caso.

Es decir, es un seleccionador de casos a partir de su tipo de consumo, características patológicas, síntomas, variables socio económicas, características del hogar, variables individuales o grupales, etc.

Un resultado inmediato del análisis de conglomerados es la obtención de un semáforo, dado al creación de grupos, para proponer posibles soluciones de los diferentes tipos de individuo a partir de agrupación de las variables que los hacen ser común y pertenecer a un grupo en específico.

Objetivo(s) de aprendizaje

Aprender dos técnicas de conglomerados asi como algunas de sus variantes a partir de un enfoque teórico y práctico.

Dirigido a

Todo tipo de público con conocimiento básico de estadística y geometría. Es necesario saber que es media, mediana y varianza, tipos y clasificación de variables, linea recta y concepto de distancia.

Temario

El curso está dividido en 12 sesiones, cada una de 2 horas. A continuación se enlistan los temas que cubriremos en cada sesión:

Sesión 1 Lunes 3 de mayo

• Introducción a conglomerados
• Métricas

Sesión 2 Lunes 10 de mayo

• Métricas discretas.
• Métricas continuas.
• Métricas mixtas

Sesión 3 Miércoles 12 de mayo

• Análisis de conglomerados casos discretos
• Ejemplos prácticos

Sesión 4 Lunes 17 de mayo

• Análisis de conglomerados casos continuos
• Ejemplos prácticos

Sesión 5 Miércoles 19 de mayo

• Análisis de conglomerados casos mixtos
• Ejemplos prácticos

Sesión 6 Lunes 24 de mayo

• Conglomerados en Ciencias Sociales

Sesión 7 Miércoles 26 de mayo

• Conglomerados en Ciencias de la Salud

Sesión 8 Lunes 31 de mayo

• Conglomerados en Economía

Sesión 9 Miércoles 2 de junio

• Matrices de similitudes

Sesión 10 Lunes 7 de junio

• Ejemplos prácticos de matrices de similitudes

Sesión 11 Miércoles 9 de junio

• Árboles de similitudes

Sesión 12 Lunes 14 de junio

• Ejemplos prácticos de árboles de similitudes

Profesor

Itza Tlaloc Quetzalcoatl Curiel Cabral

1. martes, 04 may 2021
2. jueves, 06 may 2021
3. martes, 11 may 2021
4. jueves, 13 may 2021
5. martes, 18 may 2021
6. jueves, 20 may 2021
7. martes, 25 may 2021
8. jueves, 27 may 2021
9. martes, 01 jun 2021
10. jueves, 03 jun 2021
11. martes, 08 jun 2021
12. jueves, 10 jun 2021

Próximamente publicaremos el temario completo. Actualización 7 de enero de 2021.

1. martes, 04 may 2021
2. jueves, 06 may 2021
3. martes, 11 may 2021
4. jueves, 13 may 2021
5. martes, 18 may 2021
6. jueves, 20 may 2021
7. martes, 25 may 2021
8. jueves, 27 may 2021
9. martes, 01 jun 2021
10. jueves, 03 jun 2021
11. martes, 08 jun 2021
12. jueves, 10 jun 2021

Introducción

La librería {shiny} es un paquete de R que nos permite realizar aplicaciones web interactivas a partir de utilizar funciones construidas en el lenguaje R. Pero, a diferencia de otros paquetes de este lenguaje de programación, shiny nos proveé de un marco de trabajo complejo que debe estudiarse y revisarse de manera detallada para poder acceder a todo su potencial.

Esta librería nos permite trabajar sin la necesidad de aprender programación web, aprovechando todos los conocimientos y recursos de análisis y visualización que ya hayamos aprendido con R y Rstudio, lo cual lo hace muy práctico para muchos perfiles de analistas que deseen publicar su trabajo, generar herramientas de análisis o explorar ideas y que no tienen los recursos para contratar un programador, o que, por el contrario, deseén hacer estas herramientas por su cuenta.

El presente curso tiene como objetivo el proporcionar a aquellos alumnos que estén interesados las herramientas para poder iniciar en la construcción de aplicaciones web con dicha librería, así como proporcionar consejos y recomendaciones para hacer esta travesía de aprendizaje lo más eficiente e indolora posible. Igualmente, este curso es un punto de partida hacia la programación web y a muchas de las tecnologías asociadas con esta, por lo que los conceptos acá aprendidos pueden ser de utilidad para aprender otro tipo de herramientas que fortalezcan su perfil laboral y también aumentar la cantidad de productos que puede realizar con su conocimiento del lenguaje de programación R.

Objetivo(s) de aprendizaje

1. Que los alumnos sepan qué es, para que sirve y por qué es importante shiny.
2. Que los alumnos conozcan ejemplos de aplicaciones shiny y cómo ellos podrían construir sus propias aplicaciones.
3. Introducir los conceptos de desarrollo web necesarios para poder construir una aplicación shiny.
4. Que los alumnos aprendan visualización interactiva de datos.
5. Que los alumnos entiendan todo el flujo de trabajo y las consideraciones que conlleva realizar una aplicación web desde cero.
6. Introducir los conceptos de programación reactiva en R. 7.Que los alumnos tengan las herramientas para poder construir sus propias aplicaciones web en shiny.
7. Introducir conceptos de programación reactiva en los estudiantes, para familiarizarlos con la literatura referente al tema y que les sea de utilidad al momento de trabajar con desarrolladores web.

Dirigido a

• Estudiantes y profesionistas que tengan experiencia previa trabajando con el lenguaje de programación R y con Rstudio, que tengan interés en aumentar sus capacidades de visualización de datos.

• Profesionistas que trabajen en consultorías o en áreas de análisis de datos que deseén crear herramientas de análisis y visualización.

• Investigadores que deseén publicar los resultados de sus investigaciones de forma más dinámica e interactiva.

Temario

El curso está dividido en 12 sesiones, cada una de hora y media de duración. A continuación se enlistan los temas que cubriremos en cada sesión:

Sesión 1 (4 de mayo, 2021).

1. Introducción a shiny.
   • ¿Qué es shiny? Concepto, importancia.
   • Alternativas a la librería shiny en otros lenguajes de programación.
   • Revisión de conceptos básicos
   • Repaso del ejemplo base
   • Revisión de la ruta de aprendizaje a seguir durante el curso.

Sesión 2 (6 de mayo, 2021).

2. Mi primera aplicación shiny. [Práctica]
   • Sistema de archivos recomendado.
   • Las partes de una aplicación shiny
   • Preparación de la base de datos
   • Análisis inicial
   • Creación de la interfaz de usuario
   • Introducción a la programación del Backend (server) de la aplicación.

Sesión 3 (11 de mayo, 2021).

3. Repaso de R y Rstudio.
   • Repaso del tidyverse (manipulación de bases de datos).
   • Archivos nativos de R (.r, .rds, .rproj y .rdata).
   • Bucles y operadores de decisión
   • Flujos de trabajo
   • Git y Github

Sesión 4 (13 de mayo, 2021).

4. Layouts de la aplicación.
   • Sidebar Layout
   • Grid Layout
   • FluidPage
   • Sistema de 8 columnas
   • Tabset Panels
   • Navlists
   • Navbar Pages

Sesión 5 (18 de mayo, 2021).

5. Programación reactiva
   • El paradigma de la programación reactiva.
   • La función server y sus componentes
   • Definición de reactividad
   • Contexto reactivo
   • Gráficas de flujo
   • Funciones render y output

Sesión 6 (20 de mayo, 2021).

6. Visualización de Datos Interactiva.
   • ¿Qué es la visualización de datos interactiva?
   • ¿Cuándo utilizar visualización interactiva y cuando visualización estática?
   • Introducción al código HTML y CSS.
   • Creación de gráficas con plotly.
   • Creación de mapas con leaflet.
   • Otras librerías para realizar visualización interactiva.
   • [Ejercicio Práctico]

Sesión 7 (25 de mayo, 2021).

7. Diseño de la interfaz de usuario.
   • Código HTML
   • El framework Bootstrap
   • Código CSS y el inspector HTML
   • Tags HTML
   • El texto dentro de Shiny
   • Incorporando imágenes y video dentro de un shiny
   • Incorporando video dentro de un shiny
   • Incorporando código HTML dentro de un shiny

Sesión 8 (27 de mayo, 2021).

8. Controles.
   • Repaso de los controles que se pueden utilizar en una aplicación shiny.
   • Selectores
   • Botones
   • Sliders -Entradas de texto, numéricas y de fecha

Sesión 9 (1 de junio, 2021).

9. Flujo del trabajo de shiny.
   • Captación de la información
   • Análisis inicial
   • Generación de los objetos a utilizar.
   • Repartición y delegación del trabajo
   • Publicación de la aplicación
   • Correcciones de errores en el servidor
   • Modificaciones y retroalimentación
   • Mantenimiento

Sesión 10 (3 de junio, 2021).

10. Shinydashboard
    • Componentes de la interfaz de usuario de un shinydashboard
    • Header
    • Sidebar
    • Body
    • Introducción de logos e imágenes
    • En el título
    • En la barra de encabezados
    • [Práctica: Armado de una aplicación hecha en ShinyDashboard]

Sesión 11 (8 de junio, 2021) y Sesión 12 (10 de junio, 2021).

11. Práctica final sumativa. Elaboración de una aplicación shiny para visualizar información de indicadores a nivel municipal.

    • Conformación de las bases de datos
    • Diseño de la aplicación
    • Análisis inicial
    • Armado de la interfaz de usuario
    • Creación del código que correrá en el servidor.
    • Publicación de la aplicación.
    • Conceptos a aprender después del presente curso.

Profesor

Juvenal Campos Ferreira

Ver el perfil completo

1. martes, 11 may 2021
2. jueves, 13 may 2021
3. martes, 18 may 2021
4. jueves, 20 may 2021
5. martes, 25 may 2021
6. jueves, 27 may 2021
7. martes, 01 jun 2021
8. jueves, 03 jun 2021
9. martes, 08 jun 2021
10. jueves, 10 jun 2021
11. martes, 15 jun 2021
12. jueves, 17 jun 2021

Próximamente se publicará el temario completo.

Actualización 7 de enero de 2021.

1. martes, 01 jun 2021
2. jueves, 03 jun 2021
3. martes, 08 jun 2021
4. jueves, 10 jun 2021
5. martes, 15 jun 2021
6. jueves, 17 jun 2021
7. martes, 22 jun 2021
8. jueves, 24 jun 2021

Introducción

La comprensión de las experiencias de las personas y los contextos de los fenómenos sociales nos permite valorar si los objetivos de las intervenciones se están cumpliendo o, si al menos, están en el camino de cumplirse.

Los desafíos al intentar solucionar los problemas sociales son muchos. Por un lado, es necesario saber si la solución de un problema se traduce de la forma prevista. Por otro lado, resulta relevante conocer y entender el fenómeno social en el que estamos tratando de incidir.

Así, la observación estructurada se utiliza, cada vez más, como una estrategia de investigación que, desde los métodos mixtos, permite acceder e indagar a profundidad sobre la experiencia vivencial y los contextos en donde los fenómenos ocurren. Como método de obtención de información, la observación estructurada aporta datos detallados y rigurosos sobre el fenómeno que se explora, sobre todo en contextos, relaciones o experiencias complejas en donde el proxy de una entrevista o cuestionario necesita fortalecerse con datos de lo que realmente sucede.

En este curso introductorio se busca interesar en el uso de observación estructurada como estrategia para contribuir al entendimiento de los fenómenos sociales y la resolución de los problemas públicos. Mediante el análisis y la reflexión del proceso de observación, pero también de la exploración rigurosa de los elementos fundamentales, este curso quiere ampliar el uso nacional de esta técnica en las distintas esferas de las ciencias sociales.

Objetivo(s) de aprendizaje

En este curso queremos involucrar a las y los participantes para:

• Desarrollar habilidades para diseñar y llevar a cabo observación estructurada pertinente y metodológicamente rigurosa.
• Construir y analizar herramientas prácticas para la obtención de datos con observación estructurada.
• Fortalecer el análisis de la compleja naturaleza de los problemas públicos desde su propio contexto y cómo la observación estructurada es una estrategia fundamental para entenderlos.
• Argumentar y defender sus análisis y sus hallazgos sobre los aspectos teóricos, metodológicos y empíricos de la observación.

Dirigido a

Este es un curso introductorio que busca interesar a todas las personas, con o sin experiencia en observación, en el diseño, análisis y uso de esta estrategia para el entendimiento de los desafíos sociales.

Temario

El curso está dividido en ocho sesiones, cada una de tres horas. A continuación se enlistan los temas que cubriremos en cada sesión:

Sesión 1

Observación y el método científico: ¿qué tienen que ver?

• Introducción: observación como método de investigación.
• La observación estructurada como herramienta de análisis
• Tipos de observación para diferentes propósitos y en contextos diversos.
• Ventajas y desventajas de observar.

Sesión 2

Observación estructurada y la ética de observar a otros

• ¿Qué es la observación estructurada?
• ¿Cuándo es pertinente usarla?: valoración de la factibilidad.
• Fortalezas y limitaciones de observar sistemáticamente
• Consideraciones éticas relacionadas con observar a otros (procedimientos previos a observar)

Sesión 3

¿Qué voy a observar?: De los conceptos a los elementos observables

• Entender qué se quiere medir/observar (revisión de literatura e informantes clave)
• Desarrollar conceptos y dimensiones del objetivo de medición.
• Caracterizar la conducta: seleccionar y definir la conducta observable
• Identificar a quién observar, cuándo, en dónde y durante cuánto tiempo.
• Definir los ciclos de observación.

Sesión 4

La pauta de observación como herramienta fundamental

• ¿Para qué un protocolo de observación?
• Elementos del protocolo
• Cómo se “califica” la conducta: intensidad, frecuencia, etc.
• Implicaciones de la escala
• Traducir lo cualitativo en cuantitativo, y de regreso.

Sesión 5

Haciendo observación

• Programación de la observación
• Construyendo escalas de valoración
• Considerar reactividad: ¿qué puede salir mal?
• Ética en la observación

Sesión 6

Entrenamiento de observadores y toma de notas

• Capacitar a un equipo de observación
• Acuerdo inter-observador
• Piloteo de los instrumentos
• Toma de notas ¿por qué es importante?
• Agotamiento quien observa

Sesión 7

Ejercicios prácticos de observación

Sesión 8

La observación para influir en las políticas públicas: Interpretación y presentación de resultados

• Del número a la historia: gráficas, “testimonios” visuales.
• Mensaje, audiencia y medios
• Ética en los resultados

Profesoras

Dra. Ana Razo (ana.razo@cide.edu) Mtra. Itzel Cabrero (itzel.cabrero@gmail.com)

1. martes, 01 jun 2021
2. jueves, 03 jun 2021
3. martes, 08 jun 2021
4. jueves, 10 jun 2021
5. martes, 15 jun 2021
6. jueves, 17 jun 2021
7. martes, 22 jun 2021
8. jueves, 24 jun 2021
9. martes, 29 jun 2021
10. jueves, 01 jul 2021
11. martes, 06 jul 2021
12. jueves, 08 jul 2021

Próximamente publicaremos el programa de estudios. Actualización 7 de enero de 2021.

1. martes, 01 jun 2021
2. jueves, 03 jun 2021
3. martes, 08 jun 2021
4. jueves, 10 jun 2021
5. martes, 15 jun 2021
6. jueves, 17 jun 2021
7. martes, 22 jun 2021
8. jueves, 24 jun 2021
9. martes, 29 jun 2021
10. jueves, 01 jul 2021
11. martes, 06 jul 2021
12. jueves, 08 jul 2021

Introducción

El análisis de resultados de encuestas requiere de tomar en consideración la naturaleza probabilística de sus estimaciones, que depende a su vez del diseño de la muestra. En este curso, revisaremos varios métodos de diseño y análisis de encuestas que incorporan la información del diseño de la muestra. Además, revisaremos métodos para trabajar con muestras que no son probabilísticas y formas para trabajar con datos de encuestas que faciliten el uso de las etiquetas de preguntas y valores.

Objetivo(s) de aprendizaje

Este curso proveerá conocimientos sobre las técnicas de análisis de resultados de encuestas aplicados en R. Entre ellas, está el manejo y manipulación de datos etiquetados, la selección de muestras complejas, el cálculo de ponderadores y su uso para estimar las propiedades probabilísticas de los estimados.

Dirigido a

Estudiantes, investigadores, servidores públicos u otras personas interesadas en hacer investigación social. Importante: este curso requiere de conocimientos intermedios de manejo de datos con R.

Temario

El curso está dividido en 12 sesiones, cada una de 2 horas. A continuación se enlistan los temas que cubriremos en cada sesión:

Sesión 1

• Encuestas y manejo de datos etiquetados

Sesión 2

• Probabilidad e incertidumbre en las encuestas

Sesión 3

• Pruebas de hipótesis

Sesión 4

• Muestreo 1

Sesión 5

• Muestreo 2

Sesión 6

• Ponderación

Sesión 7

• Posestratificación

Sesión 8

• Calibración

Sesión 9

• Modelos de datos con encuestas

Sesión 10

• Diseño y análisis de experimentos en encuestas

Sesión 11

• Encuestas no probabilísticas 1

Sesión 12

• Encuestas no probabilísticas 2

Profesor(a)

Salvador Vázquez Del Mercado

Catedrático CONACYT y profesor investigador

Ver el perfil completo

1. miércoles, 02 jun 2021
2. lunes, 07 jun 2021
3. miércoles, 09 jun 2021
4. lunes, 14 jun 2021
5. miércoles, 16 jun 2021
6. lunes, 21 jun 2021
7. miércoles, 23 jun 2021
8. lunes, 28 jun 2021
9. miércoles, 30 jun 2021
10. lunes, 05 jul 2021
11. miércoles, 07 jul 2021
12. lunes, 12 jul 2021

Próximamente se publicará el temario completo. Actualización 7 de enero de 2021.

1. martes, 15 jun 2021
2. jueves, 17 jun 2021
3. martes, 22 jun 2021
4. jueves, 24 jun 2021
5. martes, 29 jun 2021
6. jueves, 01 jul 2021
7. martes, 06 jul 2021
8. jueves, 08 jul 2021
9. martes, 13 jul 2021
10. jueves, 15 jul 2021
11. martes, 20 jul 2021
12. jueves, 22 jul 2021

Introducción

La comprensión de las problemáticas sociales enfrenta la paradoja de una mayor complejidad en sus temáticas y una mayor especialización en quienes la buscan entender. La inteligencia colectiva se ha dedicado a estudiar diversas estrategias para aprovechar la información que poseen diversos individuos respecto a un tema en común, favoreciendo el intercambio de conocimiento y maximizando los recursos en su interacción. Este curso busca introducir a los alumnos a diversas técnicas para diseñar estrategias de investigación e interacción en grupos de personas para ganar comprensión de temáticas complejas.

El curso presentará los aspectos teóricos y prácticos fundamentales para el diseño de ejercicios de grupo que permitan obtener los mayores beneficios de la inteligencia colectiva. Las alumnas y los alumnos aprenderán: el paso a paso de diversas técnicas metodológicas, así como cuáles son los principales sesgos de comportamiento en las dinámicas grupales y cómo evitarlos.

Objetivo(s) de aprendizaje

El objetivo general del curso es ofrecer una panorámica de diversas técnicas participativas y de inteligencia colectiva para utilizarse con grupos de personas, con la intención de que los alumnos conozcan distintos métodos, su alcance y los principales usos que han tenido. De forma específica se busca que aprendan:

• ¿Cuándo es conveniente emplear cada técnica?
• ¿Qué características deben tener las dinámicas participativas de acuerdo con el método seleccionado y con los sesgos de grupo?
• ¿Qué productos se obtienen de ellas?
• Así como los distintos requisitos y roles asociados a su implementación.

Dirigido a

El curso está diseñado para personas interesadas en utilizar técnicas grupales para el análisis de situaciones complejas y que deseen aprender herramientas que dan rigor a las estrategias de inteligencia colectiva en la investigación y para la toma de decisiones. Este curso no cuenta con ningún prerrequisito.

Temario

El curso está dividido en 12 sesiones, cada una de 2 horas. A continuación se enlistan los temas que cubriremos en cada sesión:

Sesión 1

• Introducción a los principios de la inteligencia colectiva y la administración interactiva.

Sesión 2

• Avances en el estudio del comportamiento de grupos
• Sesgos del comportamiento grupal

Sesión 3

• Elementos relevantes del diseño de investigación.

Sesión 4

• Identificación de participantes
• Análisis de actores

Sesión 5

• Consulta a expertos. Panorama de enfoques cualitativos y cuantitativos.

Sesión 6

• Diseño de talleres participativos (Parte 1)

Sesión 7

• Diseño de talleres participativos (Parte 2)

Sesión 8

• Cartografía social.

Sesión 9

• Método Q.

Sesión 10

• Modelación colaborativa.

Sesión 11

• Herramientas, diseño y conducción de ejercicios en línea.

Sesión 12

• Aspectos fundamentales de la facilitación.

Profesor(a)

Alejandra Núñez Aguilar

Investigadora

Ver el perfil completo