5 meses
5 módulos
30 temas
Este diplomado ofrece una formación innovadora que integra metodologías científicas tradicionales con herramientas avanzadas de análisis de datos e inteligencia artificial. A través de un enfoque práctico e interdisciplinario, los participantes desarrollarán competencias para diseñar y ejecutar investigaciones basadas en datos, utilizando técnicas como machine learning, minería de datos y análisis predictivo para generar conocimiento aplicable y de alto impacto.
Dirigido a profesionales y académicos de diversos sectores, el programa responde a la creciente necesidad de tomar decisiones fundamentadas en evidencia y tecnología. Los egresados estarán preparados para liderar proyectos de investigación con un enfoque ético y estratégico, aplicando modelos de IA para resolver problemas complejos en campos como la salud, educación, economía, tecnología y ciencias sociales, fortaleciendo así su perfil profesional y su capacidad de contribuir a soluciones innovadoras para la sociedad.
Nº | Tema |
---|---|
1 | Introducción a la investigación científica |
2 | Formulación de problemas y objetivos de investigación |
3 | Metodologías de investigación |
4 | Fuentes de datos en la era digital |
5 | Fundamentos del análisis crítico y ético de los datos |
6 | Introducción al rol de la Inteligencia Artificial en la investigación |
Nº | Tema |
---|---|
1 | Fundamentos de gestión de datos |
2 | Fuentes de adquisición de datos |
3 | Problemas comunes en los conjuntos de datos |
4 | Técnicas de preprocesamiento de datos |
5 | Herramientas y software para el preprocesamiento de datos |
6 | Documentación y trazabilidad en el preprocesamiento |
Nº | Tema |
---|---|
1 | Introducción a la estadística para investigación y IA |
2 | Estadística descriptiva |
3 | Inferencia estadística |
4 | Modelos de regresión: Regresión lineal simple y múltiple, Diagnóstico de modelos de regresión. |
5 | Relación entre análisis estadístico e Inteligencia Artificial |
6 | Herramientas para el análisis estadístico |
Nº | Tema |
---|---|
1 | Introducción al Machine Learning |
2 | Tipos de aprendizaje |
3 | Ciclo de vida de un proyecto de Machine Learning |
4 | Principales algoritmos de Machine Learning |
5 | Evaluación de modelos |
6 | Ética y consideraciones en Machine Learning para investigación |
Nº | Tema |
---|---|
1 | Fundamentos del Storytelling con Datos |
2 | Elementos narrativos aplicados a la investigación |
3 | Visualización efectiva como soporte narrativo |
4 | Herramientas para construir historias con datos |
5 | Ética y responsabilidad en la comunicación con datos |
6 | Taller integrador: Creación de una historia con datos |