Introducción a Data Science 2019

Programa

Unidad I: Introducción· Definición de Data Science· Relación con Estadística y Machine Learning· AplicacionesUnidad II: Obtención de datos· Data scraping· Repaso álgebra lineal· Grafos y procesamiento de redes· Procesamiento de lenguaje naturalUnidad III: Modelamiento estadístico y aprendizaje automático· Regresión lineal y clasificación lineal· Modelamiento no lineal, cross-validation y regularización · Repaso probabilidades y estadísticas· Pruebas de hipótesis y diseño de experimentos Unidad IV: Técnicas de modelamiento avanzado· Árboles de decisión· Bagging y boosting· Aprendizaje no supervisado, clustering y reducción de dimensionalidad· Detección de anomalías· Sistemas de recomendación· Deep learning· Modelamiento probabilísticoUnidad V: Tópicos adicionales· Big data y métodos MapReduce· Debugging en Data Science· Trabajo y Futuro en Data Science· Visualización de datos· Comunicación para Data Science

Resultados de Aprendizaje

  1. Comprender los conceptos fundamentales de Data Science y su relación con otras disciplinas como estadística y aprendizaje automático.
  2. Implementar métodos de obtención de datos en distintos dominios de aplicación.
  3. Diseñar modelos para el análisis de datos en diversos contextos de aplicación.
  4. Aplicar modelos de análisis de datos teniendo en consideración el dominio que está siendo analizado.
  5. Interpretar los resultados obtenidos mediante modelos de análisis de datos.
  6. Comunicar los análisis realizados en un trabajo de análisis de datos en distintos dominios de aplicación.

Clases

HORARIO

  • Clases Miércoles y Jueves Y1-104

Programación de Actividades Docentes Segundo Semestre 2019

Talleres Propuestos

Los talleres serán asignados solo a grupos de dos personas. Los grupos que estén interesados en alguno de estos talleres deben enviar un correo a juan.bekios@ucn.cl indicando en una lista ordena sus tres primeras preferencias (de mayor preferencia a menor preferencia). Se considerará el orden de llegada de los correos.

  1. Identificación facial utilizando imágenes RGB-D (Deep Learning)
  2. Segmentación de humo utilizando imágenes RGB (Deep Learning)
  3. Detección de la emoción (expresión facial) utilizando secuencias de video y audio (Deep Learning)
  4. Control inteligente para obtener energía eléctrica de las olas (Dr. Iván Salazar y Dr. Miguel Solis) (Reinforcement Learning)
  5. Segmentación de imágenes para la determinación de las curvas de avance de frente húmedo en suelos de quebradas aluvionales (Dr. Iván Salazar) (Deep Learning)
  6. Clasificación de piedras para problemas de Granulometría (Deep Learning)
  7. Regression Analysis when both the variables are in Errors (Dr. Randjit Das) (Regression)
  8. Diagnóstico de deterioro cognitivo en adultos mayores (Dr. Carlos Calderon) (Redes Bayesianas)