Fines de Aprendizaje o Formación
Al finalizar la asignatura, el estudiante comprenderá y aplicará los fundamentos del Método Científico en la Ciencia de Datos, dominando el ciclo de la experimentación para formular preguntas de investigación y problemas de negocio, y traducirlos en hipótesis científicas y estadísticas (nula y alterna) correctamente estructuradas. Será capaz de clasificar variables, definir su escala de medición y operacionalizar constructos, asegurando el rigor metodológico desde el diseño inicial del proyecto.
Asimismo, desarrollará competencias para diseñar experimentos robustos, aplicando aleatorización, replicación y bloqueo, y utilizando diseños experimentales básicos y factoriales. Determinará tamaños muestrales y potencia estadística, y ejecutará pruebas de inferencia paramétricas y no paramétricas (como prueba t y ANOVA), interpretando correctamente el valor p y los intervalos de confianza para la validación rigurosa de hipótesis.
Finalmente, el estudiante aplicará protocolos de experimentación en entornos digitales, mediante A/B Testing y diseños multivariables, identificando KPIs relevantes. Integrará de forma transversal la ética, la gobernanza y la privacidad de los datos, garantizando consentimiento informado, trazabilidad y reproducibilidad de resultados, en cumplimiento de los marcos legales y normativos vigentes.
Fines de Aprendizaje o Formación
Al finalizar el curso, el estudiante comprenderá de manera precisa la Ciencia de Datos, su evolución histórica y la taxonomía de la analítica (descriptiva, predictiva y prescriptiva), así como las tipologías de datos (estructurados y no estructurados). Esta base conceptual le permitirá contextualizar el campo y reconocer su valor estratégico en la optimización de procesos y la toma de decisiones.
Asimismo, desarrollará competencias para identificar los roles profesionales clave (Científico de Datos, Ingeniero de Datos y Analista), comprender sus responsabilidades y la arquitectura de datos (Data Lakes y Data Warehouses). Analizará el Ciclo de Vida del Proyecto de Ciencia de Datos bajo CRISP-DM, reconociendo los retos de adquisición, preparación y limpieza de datos (Data Wrangling) e integrando consideraciones éticas como privacidad y sesgos algorítmicos.
Finalmente, el estudiante será capaz de evaluar aplicaciones de la Ciencia de Datos en distintos sectores, analizando casos de uso en riesgo crediticio, mercadotecnia y optimización logística, y estimando el Retorno de la Inversión (ROI) de iniciativas basadas en datos. Integrará este análisis con una visión de tendencias futuras, incluyendo la Inteligencia Artificial generativa y las implicaciones del Big Data.
Fines de Aprendizaje o Formación
Al finalizar el curso, el estudiante desarrollará una comprensión sólida de la computación numérica y la programación vectorial, utilizando entornos de desarrollo como Jupyter y entornos virtuales, y dominando la manipulación eficiente de datos con Pandas mediante la creación y gestión avanzada de DataFrames, indexación, selección de datos y operaciones vectorizadas.
Asimismo, adquirirá competencias para el preprocesamiento y limpieza de datos, abordando valores omisos, atípicos y duplicados, e integrando múltiples conjuntos de datos mediante merging y concatenación. Aplicará técnicas especializadas para el análisis de series de tiempo, incluyendo resampleo y cálculos rodantes (rolling) para la generación de métricas temporales.
Finalmente, el estudiante estará capacitado para comparar flujos de trabajo entre Python y R, conociendo el ecosistema Tidyverse y la implementación de modelos estadísticos básicos, seleccionando de manera fundamentada la herramienta programática más adecuada para tareas de transformación, agregación y análisis de datos, consolidando un perfil profesional versátil en ciencia de datos.
Fines de aprendizaje o formación
Al finalizar la asignatura, el estudiante habrá desarrollado una comprensión profunda de los fundamentos de la comunicación humana, incluyendo sus axiomas y modelos transaccionales. Aplicará de manera efectiva la escucha activa y la identificación de barreras comunicacionales, adoptando un estilo de comunicación asertiva mediante técnicas como el mensaje “yo”, que le permitirán expresar necesidades, manejar la crítica y afrontar situaciones de manipulación interpersonal de forma constructiva.
Asimismo, el alumno adquirirá habilidades avanzadas de oratoria estratégica, estructurando discursos formales persuasivos con base en logos, pathos y ethos, gestionando el miedo escénico y utilizando adecuadamente apoyos visuales. De manera complementaria, desarrollará competencias para el trabajo colaborativo, identificando roles funcionales y disfuncionales, delegando tareas de forma efectiva y fomentando la sinergia para la toma de decisiones por consenso en equipos de alto rendimiento.
Finalmente, el estudiante estará capacitado para la gestión del conflicto interpersonal, comprendiendo sus fuentes y estilos de afrontamiento conforme al modelo Thomas–Kilmann. Diseñará y aplicará estrategias de negociación colaborativa (ganar–ganar), identificando intereses y alternativas (MAAN), y demostrará adaptabilidad comunicacional en contextos culturalmente diversos, así como el dominio de protocolos de comunicación y netiqueta en entornos virtuales y de trabajo remoto.
Fines de aprendizaje o formación
Al finalizar la asignatura, el estudiante habrá desarrollado una competencia analítica sólida en ciencia de la computación, aplicando el análisis formal de la complejidad algorítmica, con dominio de la notación asintótica —O grande, Ω y Θ— y la resolución de ecuaciones de recurrencia mediante métodos como el Teorema Maestro. Será capaz de cuantificar la eficiencia, establecer límites inferiores teóricos y realizar análisis amortizado de estructuras de datos dinámicas, garantizando soluciones óptimas en términos de rendimiento.
El alumno adquirirá una comprensión profunda y habilidades prácticas en el diseño, implementación y optimización de estructuras de datos avanzadas, incluyendo el uso eficiente de tablas de dispersión (hashing), la selección de funciones de dispersión y la gestión de colisiones mediante direccionamiento abierto o técnicas de dispersión perfecta. Asimismo, dominará la lógica de árboles de búsqueda auto-balanceados, como AVL y Rojo-Negro, así como estructuras de indexación masiva —árboles B y B+—, aplicándolas a problemas que requieren acceso rápido y manejo de grandes volúmenes de datos.
Finalmente, el estudiante desarrollará la capacidad de modelar y resolver problemas complejos basados en grafos, seleccionando la representación adecuada y aplicando algoritmos fundamentales como Dijkstra, Bellman-Ford y Floyd-Warshall para la búsqueda de caminos más cortos. Además, dominará los algoritmos de Árbol de Expansión Mínima, como Prim y Kruskal, así como técnicas de flujo máximo y corte mínimo, preparándolo para el diseño de soluciones de optimización de recursos y sistemas de interconexión a gran escala.
Fines de aprendizaje o formación
Al finalizar la asignatura, el estudiante habrá desarrollado una comprensión sólida de los fundamentos teóricos de los Sistemas de Bases de Datos Relacionales (SBD), incluyendo su propósito, la arquitectura de tres niveles y el modelo relacional. Será competente en el manejo de los conceptos del Álgebra Relacional, comprendiendo cómo sus operaciones fundamentan las consultas estructuradas, y diseñará conceptualmente bases de datos mediante la aplicación rigurosa del Modelo Entidad–Relación (MER) y su correcta diagramación, garantizando la representación fiel de los requisitos del sistema de información.
El alumno adquirirá la competencia para transformar modelos conceptuales en esquemas relacionales lógicos, dominando las técnicas de normalización desde la Primera Forma Normal hasta la Forma Normal de Boyce–Codd (FNBC). Identificará dependencias funcionales para eliminar redundancias y anomalías de actualización, e implementará la estructura de la base de datos utilizando el Lenguaje de Definición de Datos (DDL), definiendo tipos, dominios y restricciones de integridad referencial, tales como claves primarias y foráneas.
Finalmente, el estudiante dominará el Lenguaje de Consulta Estructurado (SQL) para la manipulación y recuperación avanzada de datos (DML y DQL), formulando consultas complejas mediante funciones de agregación, agrupamiento, subconsultas y uniones relacionales (JOINs) para el acceso eficiente a información multi-tabla. Asimismo, adquirirá conocimientos en la gestión transaccional (ACID), la seguridad mediante vistas y la implementación de lógica de negocio en el servidor a través de procedimientos almacenados y disparadores (triggers), optimizando el rendimiento básico mediante el uso de índices.