Malla Curricular Ciencia de Datos

El curso, de naturaleza teórico-práctica, es el primero en la secuencia introductoria a la carrera de Ciencia de Datos y está diseñado para que las/los estudiantes profundicen su conocimiento de los procesos fundamentales de la ciencia de datos y sus aplicaciones en el mundo real. Este curso proveerá a la/al estudiante de una visión global de la carrera. Los temas principales que se revisarán en este curso son ciencia de datos, preparación y limpieza de datos, análisis exploratorio de datos, almacenamiento y modelamiento de datos.

Este curso está diseñado para que las/los estudiantes de Ciencia de la Computación profundicen su conocimiento en matemáticas discretas, que resultan fundamentales para la comprensión y la resolución de problemas reales mediante el computador. El curso forma parte de los fundamentos de la carrera y sus aplicaciones van desde el modelado matemático hasta la verificación de softwares, los métodos criptográficos y los métodos formales.

El curso CS1D02 Estructuras Discretas II, de naturaleza teórico-práctica, está diseñado para que los estudiantes de la carrera de Ciencia de la Computación profundicen su conocimiento en estructuras matemáticas discretas, que son usadas en la resolución de problemas reales por un computador. El curso es parte de los fundamentos básicos de la carrera de Ciencia de la Computación. Los temas principales que se trabajarán en este curso son lógica digital, técnicas de conteo y teoría de grafos.

Este es el tercer curso en la secuencia introductoria a la informática. En este curso se pretenden cubrir los conceptos señalados por la Computing Currícula IEEE(c)-ACM 2001, bajo el enfoque functional-first. El paradigma, orientado a objetos, nos permite combatir la complejidad mediante la elaboración de modelos, a partir de abstracciones de los elementos del problema y utilizando técnicas como encapsulamiento, modularidad, polimorfismo y herencia. El dominio de estos temas permitiría que los participantes logren soluciones computacionales a problemas de diseño sencillos del mundo real.

La gestión de la información (IM) juega un rol principal en casi todas las áreas donde los computadores son usados. Esta área incluye captura, digitalización, representación, organización, transformación y presentación de información, así como algoritmos para mejorar la eficiencia y efectividad del acceso, la actualización de la información almacenada, el modelamiento de datos, la abstracción y las técnicas de almacenamiento de archivos físicos. Este curso también abarca la seguridad de la información, la privacidad, la integridad y la protección en un ambiente compartido. La/el estudiante necesita ser capaz de desarrollar modelos de datos conceptuales y físicos, determinar qué métodos de IM y técnicas son apropiadas para determinado problema, y ser capaces de seleccionar e implementar una apropiada solución de IM, que refleje todas las restricciones aplicables, incluyendo escalabilidad y usabilidad.

El mundo ha cambiado debido al uso de la web y las tecnologías relacionadas, así como por el acceso rápido, oportuno y personalizado de la información, a través de la tecnología web, ubicua y pervasiva. Cambió la forma como hacemos las cosas, cómo pensamos y cómo la industria se desarrolla. El curso, de naturaleza teórico-práctica, está diseñado para que los estudiantes de la carrera de Ciencia de la Computación profundicen su conocimiento y habilidades en el diseño y la implementación de aplicaciones web, móviles e interfaces de programación de aplicaciones. Los temas principales que se revisarán en el curso son creación y modelado de base de datos, desarrollo de aplicaciones web, API y aplicaciones móviles con el uso de herramientas que se emplean en la industria de la ingeniería de software.

Este curso, de naturaleza teórico-práctica, está diseñado para proporcionar a la/al estudiante una visión general de cómo los métodos tradicionales y modernos de optimización se pueden adaptar para escalar grandes conjuntos de datos, en la teoría y en la práctica.

El fundamento teórico de todas las ramas de la informática descansa sobre los algoritmos y las estructuras de datos. Este curso cubre el diseño, el análisis y la implementación de estructuras de datos y algoritmos para resolver problemas de ingeniería. Los temas incluyen estructuras de datos base (i. e. listas, pilas, colas y arreglos), estructuras avanzadas (i. e. hashing, árboles y grafos) y algoritmos de manipulación y aplicación de las estructuras. Así, se formará una base que servirá para los siguientes cursos en la carrera.

Este curso brinda los conceptos teóricos y prácticos de computación en la nube: qué es, qué permite y cómo entregar valor. También profundiza en los servicios de almacenamiento, la economía de la nube y los niveles de infraestructura administrada. Por último, se comparan algunas de las plataformas en la nube y se discute el futuro de la computación en la nube.

La gestión de la información (IM) juega un rol principal en casi todas las áreas donde son usados los computadores. Esta área incluye captura, digitalización, representación, organización, transformación y presentación de información; algoritmos para mejorar la eficiencia y efectividad del acceso y actualización de información almacenada; modelamiento de datos y abstracción, y técnicas de almacenamiento de archivos físicos. También abarca la seguridad de la información, la privacidad, la integridad y la protección en un ambiente compartido. La/el estudiante necesita ser capaz de desarrollar modelos de datos conceptuales y físicos, determinar qué métodos de (IM) y técnicas son apropiadas para un problema dado, y ser capaz de seleccionar e implementar una apropiada solución de IM, que refleje todas las restricciones aplicables, que incluyen escalabilidad y usabilidad.

Un algoritmo es un conjunto de reglas o instrucciones que permiten resolver un problema, el estudio teórico de algunos aspectos, como su rendimiento, su tiempo de ejecución o su espacio utilizado. Esto contribuye a analizar y definir qué tan apropiado es un determinado algoritmo para resolver un problema en específico. Estos algoritmos, detrás de las soluciones a diversos problemas, han promovido el desarrollo de las tecnologías que se usan cada día en diversos campos, como economía, geología, exploración espacial, medicina, biología, entre otros. Debido a la importancia del estudio teórico, podemos definir la Ciencia de la Computación como el estudio de algoritmos. En este curso se presentan las técnicas usadas en el análisis y diseño de algoritmos, con el propósito de aprender y aplicar los principios fundamentales para el diseño y la implementación de métodos computacionales en la resolución de problemas. Este curso es de vital importancia para el desarrollo profesional de la/del estudiante, ya que proporciona conceptos clave para la Ciencia de la Computación, los cuales son tratados de manera mucho más formal que en otros cursos. Con estos conceptos, la/el estudiante será capaz de desarrollar software mucho más sólido en la industria, ya que conocerá a fondo los principios sobre los que descansa la Ciencia de la Computación.

Este curso, de naturaleza teórico-práctica, intenta proporcionar a la/al estudiante de la carrera de Ciencia de Datos una sólida base de conocimientos para comprender los procesos estocásticos y sus aplicaciones en sistemas de modelado, incluidos los métodos de simulación estocástica. El curso revisará procesos estocásticos homogéneos, procesos de Poisson, cadenas de Markov, introducción a la teoría de las colas, e introducción a la simulación estocástica y al análisis estocástico.

Este curso, de naturaleza teórico-práctica, está diseñado para que las/los estudiantes de la carrera de Ciencia de Datos profundicen sus conocimientos en el uso de paquetes de softwares estadísticos y realicen un análisis correcto de datos.

Este curso, de naturaleza teórico-práctica, proporciona una amplia introducción al aprendizaje automático y al reconocimiento de patrones estadísticos. La/el estudiante aprenderá sobre las técnicas de aprendizaje automático más efectivas y los fundamentos teóricos del aprendizaje automático. También obtendrá los conocimientos prácticos necesarios para aplicar, de manera efectiva, estas técnicas a problemas desafiantes.

La última década ha traído un crecimiento explosivo en computación con multiprocesadores, incluyendo los procesadores de varios núcleos y centros de datos distribuidos. Como resultado, la computación paralela y distribuida se ha convertido en uno de los principales componentes en la malla de estudios en Ciencia de la Computación de pregrado. Tanto la computación paralela como la distribuida implican la ejecución simultánea de múltiples procesos, cuyas operaciones tienen el potencial para intercalar de manera compleja. La computación paralela y distribuida construye sobre cimientos en muchas áreas, que abarca la comprensión de los conceptos fundamentales de los sistemas, como concurrencia y ejecución en paralelo, consistencia en el estado/manipulación de la memoria y latencia. La comunicación y la coordinación entre los procesos tiene sus cimientos en el paso de mensajes y modelos de memoria compartida de la computación y los conceptos algorítmicos, como la atomicidad, el consenso y la espera condicional. El logro de aceleración en la práctica requiere una comprensión de algoritmos paralelos, estrategias para la descomposición del problema, arquitectura de sistemas, estrategias de implementación y análisis de rendimiento. Los sistemas distribuidos destacan los problemas de la seguridad y la tolerancia a fallos, hacen hincapié en el mantenimiento del estado replicado e introducen problemas adicionales en el campo de las redes de computadoras. Por ello, se espera que la/el estudiante logre dominar las herramientas para lograr la escalabilidad de software, a través del paralelismo, el mantenimiento de la precisión y minimizando el tiempo de ejecución. De esta manera, se busca potenciar el performance logrado por un software secuencial.

Este curso, de naturaleza teórico-práctica, está diseñado para que las/los estudiantes de la carrera de Ciencia de Datos profundicen sus conocimientos en fundamentos estadísticos y de ingeniería de software, para la creación de productos de datos, así como en las herramientas básicas para su desarrollo.

Este curso, de naturaleza teórica, está diseñado para que las/los estudiantes de la carrera de Ciencia de Datos sean expuestos, discutan y analicen casos éticos, retos y decisiones políticas que surgen al abordar problemas del mundo real a través de los ojos de la ciencia de datos. Además, proveerá a la/al estudiante un mejor conocimiento sobre los problemas, las políticas y los retos de seguridad de los datos.

Este curso, de naturaleza teórico-práctica, está diseñado como parte del track Data Analytics de la carrera de Ciencia de Datos para que las/los estudiantes cierren la brecha entre el mundo de la tecnología tradicional de gestión de datos relacionales y las tecnologías modernas de gestión de datos de vanguardia. El objetivo de este curso es abordar los desafíos de la gestión de big data para la creación de aplicaciones de ciencia de datos y proveer habilidades para el manejo de grandes volúmenes de datos que representan la característica del mundo actual.

Este curso, de naturaleza teórico-práctica, está diseñado para que las/los estudiantes de la carrera de Ciencia de Datos entiendan la fuente y la calidad de los datos, y comprendan el proceso de adquisición y mantenimiento de datos de alta calidad.

En este curso, de naturaleza teórico-práctica, la/el estudiante aprenderá los fundamentos del aprendizaje profundo, comprenderá cómo construir redes neuronales y aprenderá a liderar proyectos exitosos de aprendizaje automático. Además, conocerá sobre redes convolucionales, RNN, LSTM y NLP.

El curso, de naturaleza práctica, está diseñado para que las/los estudiantes de la carrera de Ciencia de Datos profundicen su conocimiento sobre cómo crear historias a partir de los datos y cómo comunicarlas de manera efectiva a las/los agentes que toman decisiones.

Este curso, de naturaleza teórica, está diseñado para que la/el estudiante de la carrera de Ciencia de la Computación se familiarice con diferentes técnicas para escribir, de manera exitosa, un documento académico en Ciencia de la Computación y realizar una revisión crítica del estado del arte del área donde la/el estudiante planea llevar a cabo su tesis. Los temas principales que se trabajarán en este curso son la redacción de un survey paper y la presentación oral de este documento.

Este curso propone a la/al estudiante de octavo ciclo desarrollar proyectos a través de experiencias reales en la industria, la investigación y el emprendimiento. Las/los estudiantes lograrán los objetivos del curso a través de desafíos que requerirán soluciones de alto impacto y un amplio conocimiento técnico. Los proyectos se complementarán con asesoría de un mentor asignado por la carrera, bajo la figura de practicantes preprofesionales. El curso desarrolla las siguientes competencias transversales: - Investigación: Se relaciona con la capacidad del estudiante de realizar una búsqueda exhaustiva de la problemática a trabajar y, a partir de ella, encontrar la información necesaria para cumplir los objetivos. - Análisis de problemas: La/el estudiante analiza e interpreta la información recabada y formula hipótesis o da soluciones bajo el enfoque requerido por cada proyecto. - Ética: El manejo de la información es importante, así como el compromiso con el equipo de trabajo, para desarrollar los procesos con información transparente y verídica. - Gestión de proyectos: La/el estudiante, durante dieciséis semanas, a través de un cronograma de trabajo que comprende hitos y evaluaciones bimensuales, buscará lograr los objetivos propuestos en la ficha de proyectos, con el apoyo de su asesor. - Uso de herramientas modernas: Parte del desarrollo de los proyectos es el uso de tecnologías, como software, equipos de alta precisión y técnicas modernas para realizar análisis, establecer métricas o complementar el avance del proyecto. Los temas principales que se revisarán en este curso dependerán de la naturaleza de cada proyecto, ya que cada uno presenta una metodología, unos objetivos y unos entregables diferentes, de acuerdo a la modalidad que se desarrolle.

Este curso, de naturaleza teórico-práctica, está diseñado en el track Data Analytics de la carrera de Ciencia de Datos. El objetivo de este curso es presentar a las/los estudiantes conceptos y técnicas fundamentales para realizar la minería de datos de manera óptima en distintas aplicaciones. En este curso se estudiarán conceptos y métodos fundamentales en la minería de datos, así como habilidades prácticas para minar datos reales masivos en marcos distribuidos. Se podrá plasmar la teoría en diversas áreas de aplicación, como biología, economía, ingeniería, entre otros.

Este curso, de naturaleza teórico-práctica, ofrece una introducción al análisis de series de tiempo mediante el uso de métodos de dominio de tiempo y de dominio de frecuencia. El objetivo de este curso es que la/el estudiante adquiera habilidades teóricas y computacionales necesarias para investigar los datos recopilados como una serie de tiempo. En este curso se estudiarán temas como modelos autorregresivos y de media móvil, análisis espectral y el uso de paquetes de softwares para analizar conjuntos de datos reales.

Este curso, de naturaleza teórico-práctica, está diseñado en el track Data Analytics de la carrera de Ciencia de Datos. El curso está diseñado para proporcionar a las/los estudiantes las bases necesarias para comprender y ampliar el estado actual del arte en visualización de datos. En este curso se realizará una introducción a los conceptos y fundamentos de la visualización, se estudiarán varias técnicas de visualización y sus aplicaciones en la Ciencia de Datos.

Este curso, de naturaleza práctica, está diseñado para que las/los estudiantes apliquen sus conocimientos teóricos de ciencia de datos para la solución de un desafío del mundo real. El espíritu del curso se basa en la exploración de las debilidades y fortalezas de los métodos computacionales en sus aplicaciones reales, es decir, en la relación sobre cuándo el algoritmo funciona como “debería” y cómo y cuándo podría no hacerlo. Y lo más importante, cómo se puede volver a procesar los datos para que el algoritmo funcione de nuevo.