Maestría en Estadística Aplicada y Ciencia de Datos

El módulo explora datos con estadísticas resumidas, probabilidad y estadística inferencial para análisis y decisiones basadas en evidencia. La segunda etapa se enfoca en la programación en Python a través de Google Colaboratory, abarcando sintaxis, manipulación de datos y funciones. También se introduce el lenguaje R con Google Colab o RStudio para un aprendizaje profundo y práctico.

Este módulo trata la interpretación de datos en bases de datos con variables relacionadas, esencial en Estadística Aplicada y Ciencia de Datos. Explora la descripción y agrupación de datos de individuos con múltiples variables, cruciales para comprender fenómenos complejos y tomar decisiones informadas en análisis de datos.

En este módulo, se explorarán los métodos de regresión, los cuales son esenciales en el repertorio de herramientas estadísticas para analizar datos y se enmarcan en las metodologías de aprendizaje supervisado dentro de la ciencia de datos. El objetivo del curso es brindar a los estudiantes una comprensión sólida y la capacidad de aplicar diversas técnicas de regresión en diferentes situaciones problemáticas. El enfoque principal se encuentra en los aspectos prácticos y aplicados de estos métodos, promoviendo la adquisición de conocimientos a través de un aprendizaje significativo y orientado a la aplicación práctica.

Este curso se enfoca en métodos de muestreo probabilístico para análisis en poblaciones, usando muestras representativas. Los estudiantes aprenden diseño de encuestas, identificando herramientas óptimas, explorando ventajas prácticas y teóricas. Adquieren habilidades para establecer diseños y estimar parámetros, tomando decisiones informadas.

En este módulo de Machine Learning, el objetivo principal es dotar a los estudiantes con un sólido conocimiento de los conceptos básicos, herramientas y aplicaciones del aprendizaje automático. Se busca capacitar a los estudiantes para enfrentar desafíos del mundo real, abordando desde la preparación de datos hasta la creación y evaluación de modelos de clasificación, predicción y más.

En este módulo se brinda a los estudiantes un profundo entendimiento de los conceptos, técnicas y aplicaciones fundamentales de las redes neuronales. El enfoque se centra en proporcionar las habilidades necesarias para diseñar, entrenar y optimizar modelos de aprendizaje profundo para tareas como reconocimiento de patrones, procesamiento de imágenes y otras aplicaciones avanzadas.

Este módulo es un curso que fusiona métodos estadísticos y de Machine Learning en el contexto de la Biología y Medicina. El objetivo es reforzar conceptos y técnicas relevantes para la salud y presentar enfoques novedosos de análisis de datos en este ámbito; enfocándose en la importancia de los métodos estadísticos en el procesamiento de grandes conjuntos de datos de salud y cómo estos son esenciales para la formación profesional en este campo.

El Seminario de Investigación se centra en la fase inicial del proceso de trabajo de grado. El objetivo principal de este curso es proporcionar a los estudiantes las herramientas y el conocimiento necesario para concebir, fortalecer y presentar de manera efectiva su propuesta de investigación.

Según la línea de énfasis elegida:
Línea de Ciencia de Datos: Machine Learning II
Línea de Bioestadística: Epidemiología
Línea de Muestreo: Muestreo Avanzado

Según la línea de énfasis elegida:
Línea de Ciencia de Datos: Deep Learning II
Línea de Bioestadística: Análisis de Supervivencia
Línea de Muestreo: Muestreo En Poblaciones Biológicas

Según la línea de énfasis elegida:
Línea de Ciencia de Datos: Architecting with Google Compute Engine Specialization
Línea de Bioestadística: Epidemiología Espacial
Línea de Muestreo: Estimación en Áreas Pequeñas