|
|||||
Disciplina asociada:Matemáticas |
|||||
Escuela:
Ingeniería y Ciencias
|
|||||
Departamento Académico:
Ciencias
|
|||||
Programas académicos: |
|||||
Competencias que se desarrollan: |
|||||
Requisitos:No tiene. |
|||||
Equivalencia:No tiene. |
|||||
Intención del curso en el contexto general del plan de estudios: |
|||||
Es un curso de nivel básico que busca que el alumno, y como resultado del aprendizaje, desarrolle su habilidad para recolectar y analizar datos experimentales o de entornos digitales usando métodos estadísticos descriptivos e inferenciales de la ciencia de datos. El alumno requiere conocimientos básicos de aritmética, álgebra, cálculo diferencial e integral y lógica computacional. Como resultado del aprendizaje el alumno desarrolla modelos matemáticos básicos que puedan ser relevantes para la toma de decisiones en situaciones de la vida real apoyados con el uso de tecnología. |
|||||
Objetivo general de la Unidad de Formación: |
|||||
Al finalizar el curso el alumno será capaz de: - Evaluar diversas tecnologías, con apertura en la búsqueda e implementación de alternativas relevantes en la transformación de la práctica profesional. - Resolver problemas e interrogantes de la realidad, a partir de metodologías objetivas, válidas y confiables. - Conocer a nivel introductorio las herramientas descriptivas e inferenciales para identificar y explicar el comportamiento de un conjunto de datos. - Utilizar los métodos de visualización de datos más comunes para explicar el desempeño de una situación real. - Realizar un análisis descriptivo y predictivo de un conjunto de datos experimentales o de entornos digitales para fundamentar la toma de decisiones. - Usar herramientas computacionales de vanguardia para el análisis de datos. - Participar en el entorno digital actual enumerando las diferentes comunidades en entornos digitales. - Conocer el alcance de la información digital, seguridad en entornos digitales. - Utiliza la tecnología con un sentido de respeto. |
|||||
Técnica didáctica sugerida: |
|||||
No especificado | |||||
Bibliografía sugerida: |
|||||
LIBROS DE TEXTO: * Peter C. Bruce, Andrew Bruce, Practical Statistics for Data Scientists: 50 Essential Concepts, Fourth edition, O'Reilly Media, 2015, English, * Elizabeth Matsui, Roger D. Peng, The Art of Data Science, Lean Publishing, 2016, English, * Saltz, Jeffrey S., Jeffrey M. Stanton, An introduction to data science, First edition, SAGE Publications Inc., 2012, English, 9781506377537 (pbk. : alk. paper) |
|||||
Perfil del Profesor: |
|||||
(270101)Maestría en Matemáticas ; (270501)Maestría en Estadística ; (270301)Maestría en Matemáticas Aplicadas ; (270303)Maestría en Matemáticas Computacionales ; (270601)Maestría en Estadística aplicada ; (110103)Maestría en Tecnología de la Información/Informática/Sistemas Computacionales ; (110401)Maestría en Ciencias de la Información ; (110701)Maestría en Ciencias Computacionales ; (111099)Maestría en Administración de Servicios Computacionales/Tecnologías de Información ; (141201)Maestría en Ingeniería Física ; (307001)Maestría en Ciencia de Datos ; (400801)Maestría en Física ; (270101)Doctorado en Matemáticas ; (270501)Doctorado en Estadística ; (270301)Doctorado en Matemáticas Aplicadas ; (270303)Doctorado en Matemáticas Computacionales ; (270601)Doctorado en Estadística aplicada ; (110103)Doctorado en Tecnología de la Información/Informática/Sistemas Computacionales ; (110401)Doctorado en Ciencias de la Información ; (110701)Doctorado en Ciencias Computacionales ; (111099)Doctorado en Administración de Servicios Computacionales/Tecnologías de Información ; (141201)Doctorado en Ingeniería Física ; (307001)Doctorado en Ciencia de Datos ; (400801)Doctorado en Física CIP: 270101, 270501, 270301, 270303, 270601, 110103, 110401, 110701, 111099, 141201, 307001, 400801 |
|||||
|
|||||
Discipline:Mathematics |
|||||
School:
Engineering and Sciences
|
|||||
Academic Department:
Sciences
|
|||||
Programs: |
|||||
Competitions:SEG0701A ; SEG0702A ; SEG0502A ; |
|||||
Prerequisites:None. |
|||||
Equivalences:None. |
|||||
Course intention within the general study plan context: |
|||||
It is a basic level course that seeks that the student, and as a result of learning, develop their ability to collect and analyze experimental data or data from digital environments using descriptive and inferential statistical methods of data science. The student requires basic knowledge of arithmetic, algebra, differential and integral calculus, and computational logic. As a result of learning, the student develops basic mathematical models that may be relevant for decision-making in real-life situations supported by the use of technology. |
|||||
Course objective: |
|||||
At the end of the course the student will be able to: - Evaluate diverse technologies, with openness in the search and implementation of relevant alternatives in the transformation of professional practice. - Solve problems and questions of reality, based on objective, valid, and reliable methodologies. - Know the descriptive and inferential tools at an introductory level to identify and explain the behavior of a data set. - Use the most common data visualization methods to explain the performance of a real situation. - Perform descriptive and predictive analysis of a set of experimental or digital environment data to inform decision-making. - Use state-of-the-art computational tools for data analysis. - Participate in the current digital environment by enumerating the different communities in digital environments. - Know the scope of digital information, security in digital environments. - Use Technology with a Sense of Respect. |
|||||
Teaching and learning tecniques: |
|||||
Not Specified | |||||
Suggested Bibliography: |
|||||
TEXT BOOKS: * Peter C. Bruce, Andrew Bruce, Practical Statistics for Data Scientists: 50 Essential Concepts, Fourth edition, O'Reilly Media, 2015, English, * Elizabeth Matsui, Roger D. Peng, The Art of Data Science, Lean Publishing, 2016, English, * Saltz, Jeffrey S., Jeffrey M. Stanton, An introduction to data science, First edition, SAGE Publications Inc., 2012, English, 9781506377537 (pbk. : alk. paper) |
|||||
Academic credentials required to teach the course: |
|||||
(270101)Master Degree in Mathematics ; (270501)Master Degree in Statistics ; (270301)Master Degree in Applied Mathematics ; (270303)Master Degree in Computational Mathematics ; (270601)Master Degree in Applied Statistics ; (110103)Master Degree in Information Technology. ; (110401)Master Degree in Information Sciences ; (110701)Master Degree in Computational Sciences ; (111099)Master Degree in Computer/Information Technology Services Administration and Management ; (141201)Master Degree in Physical Engineering ; (307001)Master Degree in Data Science, General ; (400801)Master Degree in Physics ; (270101)Doctoral Degree in Mathematics ; (270501)Doctoral Degree in Statistics ; (270301)Doctoral Degree in Applied Mathematics ; (270303)Doctoral Degree in Computational Mathematics ; (270601)Doctoral Degree in Applied Statistics ; (110103)Doctoral Degree in Information Technology. ; (110401)Doctoral Degree in Information Sciences ; (110701)Doctoral Degree in Computational Sciences ; (111099)Doctoral Degree in Computer/Information Technology Services Administration and Management ; (141201)Doctoral Degree in Physical Engineering ; (307001)Doctoral Degree in Data Science, General ; (400801)Doctoral Degree in Physics CIP: 270101, 270501, 270301, 270303, 270601, 110103, 110401, 110701, 111099, 141201, 307001, 400801 |
|||||