Primero los métodos, después la matemática que necesitan
El plan se escribió en orden inverso al del dictado. Primero se fijaron los contenidos de los cuatro módulos de métodos (M5 a M8), que definen lo que vas a saber hacer al terminar. Recién entonces se escribieron los módulos de fundamentos (M1, M2 y M4) y el de herramientas (M3), con únicamente lo que algún módulo posterior o el proyecto integrador efectivamente requiere.
Por eso cada unidad de fundamentos indica dónde se usa, y cada módulo de métodos declara qué toma de los anteriores. La cursada, en cambio, sigue el orden habitual: de M1 a M8.
20 en M3. El 40 % es sincrónico y el 60 %, asincrónico.
El material se entrega como Jupyter Notebook ejecutable en Google Colab, sin un PDF de teoría con una guía aparte.
Cada módulo trabaja con al menos un conjunto de datos real y documentado; algunos atraviesan toda la Diplomatura.
Es la secuencia de cada unidad. La demostración formal, cuando aparece, es material optativo.
Los encuentros en vivo son de aula invertida, con al menos una instancia de participación obligatoria por módulo.
Ocho módulos y un proyecto integrador
- Python y el entorno de trabajo
- Vectores, matrices y datos
- Autovalores, autovectores y descomposición espectral
- Descomposición en valores singulares y sus aplicaciones
- Grafos y su representación matricial
- Datos, descripción y visualización
- Probabilidad y modelos aleatorios
- Estimación e incertidumbre
- Contraste de hipótesis con criterio
- Regresión y modelos estadísticos
- Control de versiones y trabajo colaborativo
- Entornos reproducibles
- Bases de datos relacionales y SQL
- Almacenamiento alternativo y formatos
- Del análisis al producto mínimo
- Cálculo diferencial para modelos
- Optimización sin restricciones y descenso por gradiente
- Optimización con restricciones, lineal y regularización
- Grafos, Laplacianos y difusión
- Teoría de juegos aplicada a la decisión con datos
- El flujo de trabajo del modelado supervisado
- Modelos lineales y regularizados
- Árboles y métodos de ensamble
- Otras familias de algoritmos
- Evaluación, validación y ajuste
- Problemas sin etiqueta y geometría de los datos
- Agrupamiento
- Evaluación de agrupamientos
- Reducción de dimensionalidad
- Anomalías y estructuras latentes
- Del modelo lineal a la red
- Entrenamiento: retropropagación y optimización
- Redes multicapa en la práctica
- Redes convolucionales
- Frameworks, cómputo y práctica profesional
- La serie temporal como objeto de datos
- Modelos clásicos de pronóstico
- Validación y evaluación en contexto temporal
- Redes neuronales recurrentes
- Aplicaciones e integración
Un problema real, de principio a fin, en equipos de hasta tres personas y con tutoría docente.
Qué aporta cada módulo de base a los métodos
Cada fila es un módulo de fundamentos o de herramientas; cada columna, un módulo de métodos. Ningún contenido de base queda sin destino.
| Módulo de base | Aporta a M5 | Aporta a M6 | Aporta a M7 | Aporta a M8 |
|---|---|---|---|---|
| M1Álgebra lineal y Python | Python/pandas (todos); mínimos cuadrados, normas | Autovalores, SVD→PCA, grafo de similitud | Producto matricial, tensores | Notación matricial |
| M2Probabilidad y estadística | Regresión, verosimilitud, métricas e hipótesis | Covarianza, mezclas gaussianas, EM | Entropía cruzada, sobreajuste | Residuos, autocorrelación, intervalos |
| M3Herramientas informáticas | SQL para la tabla analítica; Git y entorno | Manejo de conjuntos grandes | Reproducibilidad, versionado de modelos | Extracción de series, reentrenamiento |
| M4Optimización y grafos | Regularización L1/L2, dual de SVM | Laplaciano, clustering espectral | Gradiente, regla de la cadena, optimizadores | Entrenamiento de RNN |