¿Cómo me inscribo?
Primero es necesario pre-inscribirse de manera on-line. Luego se notifica a los candidatos seleccionados según orden de méritos para la inscripción final.
FORMULARIO DE PREINSCRIPCIÓN
 

¿Quién puede cursar la Diplomatura?
Graduados de carreras relacionadas con Informática y Sistemas. Profesionales de otras áreas con conocimientos de programación.

¿Cómo es la carga horaria?
La diplomatura tiene un total de 175 horas, 127 de las cuales son sincrónicas y 48 de actividades no sincrónicas.

¿En qué días y horarios se cursa?
El cursado está previsto para los viernes de 18 a 21 y sábados de 9 a 12.30. Las clases sincrónicas se dictarán de forma on-line.

Cuerpo Académico
Mg. Mariela Uhrig
Directora de la Diplomatura
(CONICET – FCyT/UADER)

Lic. Alexis Sostersich
(GUGLER – FCyT/UADER)

Lic. Sebastián Trossero
(LAPACDa/FCyT/UADER - Privado)

Lic. Santiago Díaz
(LAPACDa - FCyT/UADER y Privado)

Dra. Roxana Ramírez
(LAPACDa – FCyT/UADER)

Lic. Pablo Pescio
(Sede C. del Uruguay - FCyT/ UADER)

Dr. Marcelo Albornoz
(CONICET-FICH/UNL)

Dr. César Martínez
(FI/UNER-FICH/UNL)

Tutores
Marcos Rios Nuñez
(Estudiante Lic. en Sistemas Informáticos)

MSc I. A. Mariano Ferrero
(UCSE/Rafaela-sinc(i))

Ing. Informática Diego Sklar
(UNL-CONICET)

Plan de estudio
Módulo 0: INTRODUCCIÓN A PYTHON.
Conceptos básicos sobre instalación, manejo de entornos virtuales y paquetes y sintaxis. Estructuras de datos y control de flujo. Módulos y paquetes. Trabajo con notebooks. Computación numérica: Numpy. Graficación: Matplotlib. Manejo de datos estructurados: Pandas. Aprendizaje automático: Scikit-Learn.

Módulo 1: ANÁLISIS DE DATOS
La Ciencia de Datos y su relación con otros conceptos. Análisis exploratorio de datos. Revisión sobre conceptos de probabilidad, variables aleatorias, y las herramientas que nos brinda la estadística descriptiva. Primera visualización e interpretación de las relaciones en el conjunto de datos.

Módulo 2: HERRAMIENTAS DEL ANÁLISIS DE DATOS
Tareas de preprocesamiento: limpieza, integración, manejo de datos faltantes, reducción de datos, selección de variables. Sesgos. Transformación: normalización, encodings, PCA. Reproducibilidad.

Módulo 3: INTRODUCCIÓN AL APRENDIZAJE AUTOMÁTICO
Principios de Aprendizaje Automático. Tipos de aprendizaje. Regresión. Perceptron. Regresión logística. Técnicas de Árboles de Decisión. Métodos Bayesianos. Selección de modelos. Evaluación de desempeño, calidad de predicciones, métricas.

MÓDULO 4: APRENDIZAJE SUPERVISADO Y NO SUPERVISADO
Modelos de aprendizaje supervisado. Algoritmos. Clasificación y regresión. Generalización, sobreajuste y desajuste. Estimaciones de incertidumbre. Tipos de aprendizaje no supervisado. Preprocesamiento y escalado. Reducción de dimensionalidad, extracción de características. Clustering. Validación cruzada, holdout, k-fold.

MÓDULO 5: LABORATORIO
Utilizando los paquetes Numpy y Scipy, Scikit Learn, Matplotlib abordados durante el cursado de los Módulos 1 al 4, deben realizar el trabajo final integrador con un dataset de un problema a elección para resolver.

ARANCELES
Comunidad UADER: un pago de 150.000 pesos o en diez cuotas de 15.000 pesos
Externos a la Universidad:  250.000 pesos en un pago o en diez cuotas de 25.000 pesos.

Consultas: diplo.cienciaadedatos@uader.edu.ar