Fundamentos de Ciencia de Datos: reconocimiento de Patrones y clasificación
MATEMATICAS
MATEMATICAS
TIPO DE CURSO:
Disciplinar
HORAS TOTALES:
40 HRS.
RESPONSABLE:
EMILIA FREGOSO BECERRA
Por el momento no hay grupos disponibles a inscripción.
Contacte con el responsable o los instructores del grupo para mayor información.
Contacte con el responsable o los instructores del grupo para mayor información.
GRUPOS OFERTADOS
TEMAS Y SUBTEMAS
1. Introducción a la Ciencia de Datos
1.1. ¿Qué es la ciencia de datos? Definición, componentes y aplicaciones.
1.2. Reconocimiento de patrones: concepto, importancia y ejemplos.
1.3. Tipos de aprendizaje: supervisado vs. no supervisado.
2. Aleatoriedad y su Aplicación en Redes Neuronales
2.1. Concepto de aleatoriedad y su rol en las matemáticas y la ciencia de datos.
2.2. La inicialización aleatoria de parámetros en algoritmos de aprendizaje automático.
2.3. Aplicación mediante métodos tipo Montecarlo.
3. Herramientas Computacionales para el Análisis de Datos
3.1. Introducción a Python para el análisis de datos
3.2. Librerías esenciales: NumPy y Pandas para manejo de datos y operaciones matemáticas.
3.3. Importación, limpieza y transformación de datos en Python.
4. Reconocimiento de Patrones y Clasificación Supervisada
4.1. Introducción a la clasificación: qué es, cómo funciona y su relación con las fronteras de decisión.
4.2. El algoritmo del perceptrón: explicación de la red neuronal básica y su aplicación en clasificación binaria.
4.3. Cómo toma decisiones el perceptrón y métricas de evaluación
5. Agrupamiento de Datos y Clasificación No Supervisada
5.1. Qué es el clustering (agrupamiento de datos) y cómo se utiliza para encontrar patrones sin etiquetas.
5.2. Algoritmo de k-medias: cómo funciona, pasos, y selección del número de clusters.
5.3. Diferencia entre aprendizaje supervisado y no supervisado.
SESIONES
Sin sesiones por mostrar . . .
INFORMACIÓN GENERAL
NECESIDADES:
Este curso atiende la necesidad de actualización disciplinar de los docentes de matemáticas en el campo emergente de la ciencia de datos, fortaleciendo sus competencias estadísticas y analíticas desde un enfoque aplicado. Además, promueve el desarrollo de habilidades computacionales básicas con herramientas como Python, y fomenta la incorporación de metodologías basadas en datos en la enseñanza, permitiendo a los profesores integrar contenidos contextualizados, desarrollar proyectos educativos y participar en procesos de análisis y toma de decisiones informadas en contextos escolares.
OBJETIVOS:
Este programa de formación docente tiene como objetivo que los docentes participantes comprendan los fundamentos de la ciencia de datos, con énfasis en el reconocimiento de patrones y la clasificación de información, mediante el uso de herramientas estadísticas, modelos computacionales y algoritmos de aprendizaje automático. Se espera que desarrollen habilidades para explorar datos reales, identificar tendencias, y aplicar técnicas como el perceptrón para clasificación supervisada y el algoritmo de k-medias para agrupamiento no supervisado, utilizando Python.
REQUISITOS:
Asistir al menos al 80% de las sesiones, participar activamente en las actividades de aprendizaje y entregar los ejercicios prácticos dentro de los plazos establecidos
BIBLIOGRAFÍA:
• Bibliografía:
• 1. Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. O'Reilly Media. ISBN-13: 978-1492032649
• 2. Müller, A. C., & Guido, S. (2016). Introduction to Machine Learning with Python: A Guide for Data Scientists. O'Reilly Media. ISBN-13: 978-1449369415
• 3. Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2nd ed.). Springer. ISBN-13: 978-0387848570
•
• Materiales de Apoyo:
• 1. Documentación oficial de Python: https://docs.python.org/3/
• 2. Documentación de Pandas: https://pandas.pydata.org/pandas-docs/stable/
• 3. Documentación de NumPy: https://numpy.org/doc/stable/
• 4. Kaggle: https://www.kaggle.com/
•
• Material Adicional:
• - Corey Schafer's Python Tutorials en YouTube: https://www.youtube.com/user/schafer5
• - Towards Data Science (Medium): https://towardsdatascience.com/
• - Google Colab: https://colab.research.google.com/
• 1. Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. O'Reilly Media. ISBN-13: 978-1492032649
• 2. Müller, A. C., & Guido, S. (2016). Introduction to Machine Learning with Python: A Guide for Data Scientists. O'Reilly Media. ISBN-13: 978-1449369415
• 3. Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2nd ed.). Springer. ISBN-13: 978-0387848570
•
• Materiales de Apoyo:
• 1. Documentación oficial de Python: https://docs.python.org/3/
• 2. Documentación de Pandas: https://pandas.pydata.org/pandas-docs/stable/
• 3. Documentación de NumPy: https://numpy.org/doc/stable/
• 4. Kaggle: https://www.kaggle.com/
•
• Material Adicional:
• - Corey Schafer's Python Tutorials en YouTube: https://www.youtube.com/user/schafer5
• - Towards Data Science (Medium): https://towardsdatascience.com/
• - Google Colab: https://colab.research.google.com/
CENTRO UNIVERSITARIO DE CIENCIAS EXACTAS E INGENIERÍAS
Blvd. Marcelino García Barragán #1421, esq Calzada Olímpica
C.P. 44430, Guadalajara, Jalisco, México.
Teléfono: +52 (33) 1378 5900, Ext. 27424
Derechos reservados ©2023 - 2026. Universidad de Guadalajara. Universidad de Guadalajara.
