Escuela de Métodos

1. martes, 20 abr 2021
2. jueves, 22 abr 2021
3. martes, 27 abr 2021
4. jueves, 29 abr 2021
5. martes, 04 may 2021
6. jueves, 06 may 2021
7. martes, 11 may 2021
8. jueves, 13 may 2021
9. martes, 18 may 2021
10. jueves, 20 may 2021
11. martes, 25 may 2021
12. jueves, 27 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

Introducción

La teoría económica clásica supone que los individuos toman decisiones racionales que maximizan su bienestar en todas las etapas de su vida. Bajo este supuesto las personas racionales sacan el mejor provecho de los productos financieros a su disposición. Por su parte, las Finanzas Conductuales (FC) argumentan que los factores emocionales, sociales y del medio ambiente (culturales) influencian las decisiones de las personas, incluyendo la administración de su dinero y la forma en que viven sus vidas financieras. Las FC nos ayuda a comprender mejor las necesidades financieras de las personas, sus aspiraciones, sus limitaciones y su comportamiento. Al destacar los distintos factores tanto de conocimiento como de sentimientos, emociones e incluso los aspectos sociales, las FC nos permiten apreciar realidades distintas que a su vez generan necesidades y comportamientos financieros distintos.

Objetivo(s) de aprendizaje

En el contexto mexicano caracterizado por una baja inclusión y penetración de los servicios financieros, las Finanzas conductuales tiene la capacidad de cambiar el cómo los bancos (y demás instituciones financieras) interactúan con sus clientes, al repensar los servicios que les ofrecen. Así mismo, las herramientas de las FC resultan claves para diseñar e implementar los empujones (nudges) necesarios para cambiar el comportamiento financiero de los mexicanos: aumentando su demanda por productos financieros formales, fortaleciendo sus capacidades financieras y generando hábitos que les permitan alcanzar salud financiera y con ello mayores niveles de bienestar. El objetivo del curso es que los asistentes conozcan los principios fundamentales de las Finanzas Conductuales e identifiquen los principales hallazgos de ésta en materia de sesgos cognitivos con miras a su aplicación para lograr una mayor inclusión y salud financiera de los mexicanos. Para esto se busca que los asistentes se familiaricen con las metodologías experimentales aplicadas cada vez con mayor frecuencia en el contexto financiero.

Dirigido a:

Profesionales en el sector financiero, miembros de instituciones públicas relacionadas con el sector, académicos y estudiantes, interesados en comprender las decisiones financieras bajo una nueva perspectiva. Así como aplicar métodos experimentales para eficientar el diseño de productos, estrategias comerciales y políticas públicas en la materia.

Temario:

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

Sesión 1 y 2: Introducción a las finanzas conductuales

1. Posicionamiento frente a la economía tradicional (microeconomics + rationality);
2. Posicionamiento frente a las ciencias sociales (economía, bio-psicología);
3. Relevancia para diseño de productos y política pública;
4. Aplicar cuestionario para saber en qué área trabajan los estudiantes (para desarrollar ejemplos)

Sesión 3 y 4: Heurísticas y sesgos

5. Introducción general (psicología)
6. Cognitivos, emocionales, culturales
7. Fomentar cambios de comportamiento (identificar comportamientos actuales, formular target (sesgo), estrategias (Nudging)

Sesión 5 y 6: Experimentación

Tipos de experimentos (controlado vs. natural, encuestas, A/B testing), causalidad, asignación aleatoria, condiciones experimentales, estímulos, between vs within subjects

Sesión 7 y 8: Metodología cuantitativa

Efectos directos, indirectos, mediation, moderation, estadística básica (ANOVA/regression)

Sesión 9 y 10: Diseñar experimentos de finanzas conductuales

Teoría de Cambio, validez, confidencialidad, ética, recopilar datos

Sesión 11 y 12: Aplicar experimentación en las finanzas conductuales. Estudiantes desarrollan y presentan experimentos, discusión + recomendaciones.

Profesores:

Ana Laura Martínez Gutiérrez

Coordinadora de la UCEx - Profesora Investigadora

Ver el perfil completo

Paul Hindricks

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 metodología se refiere al modo en que enfocamos los problemas y buscamos las respuestas; es la manera consciente que elegimos para pensar la realidad social y estudiarla. Los grupos focales, o grupos de discusión, se insertan dentro de la metodología cualitativa. De manera genérica, los métodos cualitativos buscan entender los fenómenos sociales desde la perspectiva de los actores que viven, protagonizan o experimentan dichos fenómenos. Asimismo, el enfoque cualitativo es holístico, es decir, se estudia a los individuos en relación al contexto que habitan.

En particular, los grupos focales consisten en un grupo de discusión focalizado, conformado por personas que tienen alguna característica en común, y cuyo objetivo es ayudarnos a entender como estas personas opinan respecto a un tema de interés. El grupo focal permite identificar tendencias o patrones respecto a lo que un grupo en particular opinan respecto a un tema. Así, es una técnica de recolección de datos útil en diversos contextos: ayuda a pilotear programas sociales, permite evaluar políticas específicas con sus beneficiarios, es una herramienta de investigación útil y un método para hacer análisis de mercado.

Este curso está diseñando en tres secciones. La primera sección ofrece una breve introducción a la metodología cualitativa y provee los fundamentos teóricos y prácticos de los grupos focales. En la segunda parte, los alumnos aprenden a diseñar cuestionarios para moderar un grupo focal en distintos contextos y propósitos, por ejemplo, investigación, evaluación de un producto, o sondeo de opiniones respecto a un tema controversial. Se realizaran al menos dos grupos focales, moderados por los propios estudiantes y posteriormente procederemos a su análisis. Este último bloque inicia con los fundamentos de transcripción y codificación necesarios para preparar los datos antes de ingresarlos a Atlas-ti, el software a utilizar. Debido a que el curso es en formato virtual, usaremos la versión gratuita del software por 4 sesiones y finalizaremos ayudando a los estudiantes a integrar un reporte tentativo de resultados a partir de los datos generados en los grupos focales.

Objetivo(s) de aprendizaje

1. Enseñar los fundamentos teóricos y aplicaciones de los grupos focales.
2. Proveer a los alumnos de las herramientas necesarias para diseñar guion de discusión y planear el diseño del grupo focal.
3. Proveer a los alumnos de las habilidades prácticas moderar un grupo focal en diversos contextos 9investigación, evaluación de programas, mercadeo).
4. Enseñar el uso y aplicaciones de Atlas-ti en la administración, análisis y presentación de datos cualitativos.

Dirigido a

Este curso está dirigido a estudiantes de educación superior, investigadores, funcionarios públicos, miembros de organizaciones civiles y en general a personas interesadas en conocer y practicar esta técnica de recolección de datos. El contenido del curso es eminentemente práctico. Las profesoras expondrán los fundamentos y propósitos de los grupos focales en ejercicios adaptados a sus propios temas de interés. En las sesiones se realizarán ejercicios, en grupo e individuales, con la finalidad de entender y aplicar los conceptos aprendidos. No es necesario experiencia previa con grupos focales, aunque conocimiento básico de la metodología cualitativa es deseable.

Temario

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

Sesión 1. Introducción a la Metodología cualitativa (Mayo 4). Conceptos básicos

• ¿De qué trata la metodología cualitativa?
• ¿Cómo se insertan los Grupos Focales dentro de la metodología cualitativa?
• ¿Recolectar o generar datos?

Sesión 2. Introducción a los Grupos Focales (Mayo 6)

• ¿Qué son y para qué sirven los Grupos Focales?
• Tipos de grupos focales
• Rol del moderador

Sesión 3. Preparación para la práctica (Mayo 11)

• Elección de tema
• Tipos de preguntas
• Diseño de guía para el grupo focal

Sesión 4. Preparación para la práctica (Mayo 13)

• Retroalimentación y ajuste de diseño de guía para el grupo focal
• Consideraciones prácticas y éticas: rol de observadores y escribanos; dónde realizar el grupo, cómo recibir a los participantes, grupos focales en condiciones poco usuales

Sesión 5. Práctica de grupo focal tipo 1 (Mayo 18)

• Realización del grupo focal
• Debriefing: identificación de tendencias; retroalimentación de observadores, escribanos y participantes

Sesión 6. Práctica de grupo focal tipo 2 (Mayo 20)

• Realización del grupo focal
• Debriefing: identificación de tendencias; retroalimentación de observadores, escribanos y participantes

Sesión 7. Preparación para el análisis (Mayo 25)

• Lineamientos de transcripción
• Fundamentos de codificación

Sesión 8 Análisis en Atlas-ti (Junio 1)

• Revisión de transcripciones
• Introducción a Atlas-Ti
• Abrir proyecto, cargar documentos

Sesión 9 Análisis en Atlas-ti (Junio 3)

• Codificación automática
• Codificación manual
• Búsquedas de información: palabras, códigos, co-ocurrencias, etc.

Sesión 10 Análisis en Atlas-ti (Junio 8)

• Creación de visualizaciones
• Análisis preliminar

Sesión 11. Análisis en Atlas-ti (Junio 10)

• ¿Cómo integras tus insumos?
• Análisis por roles

Sesión 12.

• Integración de reporte de resultado

Profesor(a)

Dra. Mónica L. Jacobo Suarez y Mtra. Itzel Cabrero Iriberri

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

Curso orientado a la compresión y aplicación de los modelos de series de tiempo multivariados en el ámbito de las ciencias sociales. Requiere de conocimientos previos de modelos de series de tiempo univariados. Como resultado de aprendizaje, el participante comprenderá y aplicará los modelos de series de tiempo de dos o más variables (VAR, SVAR, VECM y de la familia GARCH multivariadas) para la estimación, pronóstico y simulación del comportamiento de un conjunto de variables a través del tiempo.

Objetivo(s) de aprendizaje

Al finalizar el curso el alumno será capaz de construir, diagnosticar, identificar, estimar, pronosticar y simular el comportamiento presentado por dos o más variables de series de tiempo.

Dirigido a

El curso está diseñado para personas con familiariedad en la construcción de bases de datos y/o programación en R. Para su mayor aprovechamiento, se espera que el participante cuente con bases de Estadística Descriptiva, Probabilidad, Estadística Inferencial y Series de Tiempo Univariadas.

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 las series de tiempo multivariadas
  • Conceptos de correlación y causalidad en sentido Granger
  • Raíces unitarias en panel

Sesión 2

• Introducción a las series de tiempo multivariadas
  • Construcción y estructura de datos panel
  • Raíces unitarias en panel

Sesión 3

• Modelos de vectores autoregresivos (VAR)
  • Estimación

Sesión 4

• Modelos de vectores autoregresivos (VAR)
  • Funciones impulso respuesta
  • Descomposición de varianza Raíces unitarias

Sesión 5

• Modelos de vectores autoregresivos (VAR) y estructurales (SVAR)
  • Pruebas de diagnóstico modelos VAR

Sesión 6

• Modelos de vectores autoregresivos (VAR) y estructurales (SVAR)
  • Modelos estructurales de vectores autoregresivos SVAR
  • Estimación y descomposición estructural

Sesión 7

• Modelos de vectores de corrección de error (VECM)
  • Concepto de cointegración
  • Pruebas de cointegración I

Sesión 8

• Modelos de vectores de corrección de error (VECM)
  • Pruebas de cointegración II

Sesión 9

• Modelos de vectores de corrección de error (VECM)
  • Estimación
  • Pruebas de diagnóstico modelos VECM

Sesión 10

• Modelos multivariados de heteroscedasticidad condicional
  • Modelo VECH y VECH daigonal
  • Modelo BEKK y BEKK diagonal
  • Modelo CCC

Sesión 11

• Modelos multivariados de heteroscedasticidad condicional
  • Estimación
  • Pruebas de diagnóstico

Sesión 12

• Pronósticos y simulación de de modelos de series de tiempo multivariadas
  • Modelos en media -Modelos en media y varianza

Profesor(a)

Ricardo Massa Roldán

Catedrático CONACYT y Profesor Investigador, Coordinador de la Unidad de Simulación

Ver el perfil completo

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, 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

Profesora

Dra. Ana Razo (ana.razo@cide.edu)

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

En este curso se estudiarán los conceptos básicos del machine learning y de su aplicación exitosa. Se estudiarán fundamentos de técnicas probadas como regresión, redes neuronales, árboles de decisión y técnicas de agregación de árboles como bosques aleatorios y boosting.

Objetivo(s) de aprendizaje

Se entenderán las ideas básicas para análisis predictivo desde el punto de vista de machine learning, incluyendo la construcción de modelos y su validación predictiva. Se entenderán los conceptos que hay detrás de técnicas probadas de machine learning, en qué casos funcionan, y cuáles son los elementos básicos necesarios para implementar exitosamente proyectos de machine learning.

Dirigido a

Personas que buscan una introducción a machine learning desde un punto de vista de principios básicos, que hayan tomado al menos un curso de probabilidad, y preferentemente tengan alguna experiencia en análisis de datos y regresión.

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 machine learning
• Aprendizaje supervisado y no supervisado

Sesión 2

• La tarea predictiva fundamental y su evaluación
• Desempeño de modelos predictivos en el contexto de un problema de decisión

Sesión 3

• Métodos basados en regresión vs métodos locales

Sesión 4

• Subajuste y sobreajuste

Sesión 5

• Ingeniería de entradas para modelos predictivos

Sesión 6

• Problemas de clasificación
• Tipos de error y evaluación

Sesión 7

• Probabilidad en problemas de clasificación

Sesión 8

• Introducción a redes neuronales

Sesión 9

• Ideas básicas para redes neuronales profundas

Sesión 9

• Árboles de decisión

Sesión 10

• Bosques aleatorios

Sesión 11

• Métodos de boosting para árboles

Sesión 12

• Discusión de otros métodos
• Implementación exitosa de proyectos de machine learning

Profesor(a)

Luis Felipe González Pérez

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

Introducción

Este curso está diseñado para toda persona que, sin importar su experiencia programando, quiera:

• Entender qué es y cómo usar R y RStudio
• Aprovechar el poder de R para manejar, transformar y extraer conocimiento de sus bases de datos usando los paquetes que integran el {tidyverse}
• Construir bases sólidas para continuar la secuencia de más de 15 cursos en R que ofrece la Escuela de Métodos del LNPP - CIDE.

Al terminar este curso:

• Tendrás clara las características de R y RStudio, así como la lógica básica para programar en este lenguaje
• Conocerás cuáles son los tipos de variable y estructuras de datos más comunes en R
• Sabrás importar bases de datos desde diversas fuentes (e.g., disco duro local, servidor) y en diferentes formatos (e.g., .csv, .xlsx)
• Aprenderás a analizar tus datos usando los cinco verbos fundamentales de {dplyr}: filter( ) , select( ) , arrange( ), mutate( ) y summarise( )
• Podrás unir bases de datos y transformar su estructura
• Contarás con las herramientas para lidiar con dos tipos de variables particularmente complejas: cadenas de texto y fechas

Dirigido a

Todo aquel interesado en introducirse al lenguaje de programación R. Uno de los lenguajes más utilizados para hacer ciencia de datos.

Temario

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

Sesión 1

• Introducción a R y Rstudio
• Las bases para usar R y Rstudio

Sesión 2

• Objetos, funciones y paquetes

Sesión 3

• Tipos de variables y tipos de estructuras de datos en R

Sesión 4

• Importar bases de datos a R usando {readr} y {readxl}
• Proyectos en RStudio

Sesión 5

• Manejar, transformar y analizar datos con {dplyr}, parte 1

Sesión 6

• Manejar, transformar y analizar datos con {dplyr}, parte 2

Sesión 7

• Manejar, transformar y analizar datos con {dplyr}, parte 3

Sesión 8

• Manejar, transformar y analizar datos con {dplyr}, parte 4

Sesión 9

• Unión de bases de datos con {dplyr}

Sesión 10

• Transformar la estructura de una base de datos con {tidyr}

Sesión 11

• Cadenas de texto con {stringr}

Sesión 12

• Fechas y fechas-tiempo con {lubridate}w

Pofesor(a)

Sebastián Garrido De Sierra

Catedrático CONACYT y Profesor Investigador, Coordinador de la Unidad Ciencia de Datos

Ver el perfil completo

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