Escuela de Métodos

1. miércoles, 29 sep 2021
2. viernes, 01 oct 2021
3. miércoles, 06 oct 2021
4. viernes, 08 oct 2021
5. miércoles, 13 oct 2021
6. viernes, 15 oct 2021
7. miércoles, 20 oct 2021
8. viernes, 22 oct 2021
9. miércoles, 27 oct 2021
10. viernes, 29 oct 2021
11. miércoles, 03 nov 2021
12. viernes, 05 nov 2021

Introducción

Este curso es una introducción al análisis descriptivo y exploratorio de datos, y cómo se utilizan principios y modelos probabilísticos para describir aspectos básicos de conjuntos de datos.

Objetivo(s) de aprendizaje

Se entenderán técnicas básicas de descripción y exploración de datos y los conceptos básicos de probabilidad para modelación, simulación, y aspectos de su papel en el análisis de datos.

Dirigido a

Personas con interés en análisis de datos y fundamentos de probabilidad que de preferencia hayan tomado cursos básicos de álgebra y de preferencia cálculo diferencial e integral.

Temario

El curso está dividido en 12 sesiones, cada una de 2 horas. A continuación se enlistan los temas que cubriremos en cada sesión:

Sesión 1

• Introducción al análisis de datos: objetivos y tipos de análisis

Sesión 2

• Técnicas para describir datos univariados numéricos
• Técnicas para describir datos univariados categóricos

Sesión 3

• Métodos para describir datos bivariados: mediciones categóricas

Sesión 4

• Métodos para describir datos bivariados: mediciones continuas

Sesión 5

• Introducción al cálculo de probabilidades y su papel en el análisis de datos

Sesión 6

• Reglas básicas para operar con probabilidades.
• Básicos de simulación

Sesión 7

• Probabilidad condicional e independencia I

Sesión 8

• Modelos probabilísticos para variables discretas

Sesión 9

• Modelos probabilísticos para variables continuas

Sesión 10

• Familias útiles de densidades de probabilidad

Sesión 11

• Construcción de modelos multivariados

Sesión 12

• Análisis de datos con modelos probabilísticos
• Simulación

Profesor(a)

Luis Felipe González Pérez

Formato: Curso modo virtual

1. lunes, 04 oct 2021
2. miércoles, 06 oct 2021
3. lunes, 11 oct 2021
4. miércoles, 13 oct 2021
5. lunes, 18 oct 2021
6. miércoles, 20 oct 2021
7. lunes, 25 oct 2021
8. miércoles, 27 oct 2021
9. lunes, 01 nov 2021
10. miércoles, 03 nov 2021
11. lunes, 08 nov 2021
12. miércoles, 10 nov 2021

Introducción

La taxonomía ha sido uno de los quehaceres más antiguos de la sociedad. La necesidad agrupar especies por características individuales o grupales. En ciencia de los datos, esta técnica de obtener grupos que sean lo mas heterogéneo entre ellos; sin embargo, que los individuos dentro de cada grupo se presenten de la manera más homogénea posible es quizá su principal propósito.

Dentro de las ciencias sociales este mecanismo de clasificar (agrupar) es útil no sólo para identificar individuos sino además nos ayuda a determinar individuos representativos de los grupos, que combinado con técnicas de cualitativas nos permite identificar esos individuos para un análisis de caso.

Es decir, es un seleccionador de casos a partir de su tipo de consumo, características patológicas, síntomas, variables socio económicas, características del hogar, variables individuales o grupales, etc.

Un resultado inmediato del análisis de conglomerados es la obtención de un semáforo, dado al creación de grupos, para proponer posibles soluciones de los diferentes tipos de individuo a partir de agrupación de las variables que los hacen ser común y pertenecer a un grupo en específico.

Objetivo(s) de aprendizaje

Aprender dos técnicas de conglomerados asi como algunas de sus variantes a partir de un enfoque teórico y práctico.

Dirigido a

Todo tipo de público con conocimiento básico de estadística y geometría. Es necesario saber que es media, mediana y varianza, tipos y clasificación de variables, linea recta y concepto de distancia.

Temario

El curso está dividido en 12 sesiones, cada una de 2 horas. A continuación se enlistan los temas que cubriremos en cada sesión:

Sesión 1

• Introducción a conglomerados
• Métricas

Sesión 2

• Métricas discretas.
• Métricas continuas.
• Métricas mixtas

Sesión 3

• Análisis de conglomerados casos discretos
• Ejemplos prácticos

Sesión 4

• Análisis de conglomerados casos continuos
• Ejemplos prácticos

Sesión 5

• Análisis de conglomerados casos mixtos
• Ejemplos prácticos

Sesión 6

• Conglomerados en Ciencias Sociales

Sesión 7

• Conglomerados en Ciencias de la Salud

Sesión 8

• Conglomerados en Economía

Sesión 9

• Matrices de similitudes

Sesión 10

• Ejemplos prácticos de matrices de similitudes

Sesión 11

• Árboles de similitudes

Sesión 12

• Ejemplos prácticos de árboles de similitudes

Profesor

Itza Tlaloc Quetzalcoatl Curiel Cabral

1. martes, 05 oct 2021
2. jueves, 07 oct 2021
3. martes, 12 oct 2021
4. jueves, 14 oct 2021
5. martes, 19 oct 2021
6. jueves, 21 oct 2021
7. martes, 26 oct 2021
8. jueves, 28 oct 2021
9. jueves, 04 nov 2021
10. martes, 09 nov 2021
11. jueves, 11 nov 2021
12. martes, 16 nov 2021

Introducción

Análisis de componentes principales es una técnica estadística a que su principal objetivo es simplificar la complejidad dimensional de un conjunto de datos; asegurando que se conserve la información de conjunto de datos. Es decir, este método de componentes principales condensa la información aportada por múltiples variables en tan sólo pocas variables (componentes) combinando las técnicas de álgebra lineal y estadística.

En resumen, es la reducción de la dimensionalidad de un conjunto de datos a costa de una pequeña pérdida de información.

Objetivo(s) de aprendizaje

Identificar los elementos teóricos de la técnica de componentes principales.

Aplicar la técnica en forma práctica con ejemplos específicos. Validar y replicar la técnica de componentes principales.

Dirigido a

Todo tipo de público con conocimiento básico de estadística.

Temario

El curso está dividido en 12 sesiones, cada una de 2 horas. A continuación se enlistan los temas que cubriremos en cada sesión:

Sesión 1

• Introducción y motivación de la técnica de componentes principales.

Sesión 2

• Elementos de álgebra lineal para la identificación de los componentes.

Sesión 3

• Número óptimo de componentes principales
• Ejemplos y cálculos de eigenvectores y eigenvalores

Sesión 4

• Interpretación geométrica de las componentes principales
• Influencia de outliers

Sesión 5

• Calculo de PCA en R

Sesión 6

• Ejemplos prácticos.

Sesión 7

• Ejemplos prácticos.

Sesión 8

• Construcción de indicadores a partir del análisis de componentes Principales.

Sesión 9

• Construcción de indicadores a partir del análisis de componentes Principales (continuación).

Sesión 10

• Repoducibilidad de los componentes.
• Valiadación de los componentes.

Sesión 11

• Práctica

Sesión 12

• Práctica

Profesor(a)

Itza Tlaloc Quetzalcoatl Curiel Cabral

1. martes, 05 oct 2021
2. jueves, 07 oct 2021
3. martes, 12 oct 2021
4. jueves, 14 oct 2021
5. martes, 19 oct 2021
6. jueves, 21 oct 2021
7. martes, 26 oct 2021
8. jueves, 28 oct 2021
9. jueves, 04 nov 2021
10. martes, 09 nov 2021
11. jueves, 11 nov 2021
12. martes, 16 nov 2021

Introducción

Los métodos cuantitativos de investigación nos permiten describir el mundo de una forma precisa y, al mismo tiempo, nos dan una idea de la incertidumbre que enfrenta esta descripción. Además, son muy útiles para evaluar la distribución de esta variable en la población que nos interesa, la forma como se relaciona con otras variables y su comportamiento en otras poblaciones y subpoblaciones. Estos métodos son útiles y poderosos, pero su uso correcto requiere la construcción de intuiciones y de la práctica constante. En este curso los estudiantes aprenderán sobre los conceptos y prácticas básicas para un análisis cuantitativo. 

Objetivo(s) de aprendizaje

Este curso busca introducir a los alumnos a una serie de herramientas de análisis cuantitativo partiendo tanto de la teoría como de la práctica de sus conceptos básicos. Las clases comprenderán una discusión teórica sobre el uso (y abuso) de los conceptos básicos de la metodología, así como práctica continua e individual usando el paquete estadístico R. Al final del curso, los alumnos serán capaces de elaborar análisis propios y ser consumidores informados y críticos de resultados estadísticos. 

Los alumnos deberán tener una computadora personal con R y R Studio instalado. Sin embargo, el curso está diseñado para introducir a los alumnos a R, por lo que NO es un prerrequisito conocerlo. 

Dirigido a

Estudiantes, investigadores, servidores públicos u otras personas interesadas en hacer investigación social o utilizar herramientas de análisis cuantitativo en su trabajo, estudio o investigación.

Temario

El curso está dividido en 12 sesiones, cada una de 2 horas. A continuación se enlistan los temas que cubriremos en cada sesión:

Sesión 1

• Niveles de medición
• Introducción a R

Sesión 2

• Estadística descriptiva

Sesión 3

• Relaciones bivariadas

Sesión 4

• Correlación

Sesión 5

• Intro. a regresión

Sesión 6

• Relaciones multivariadas

Sesión 7

• Probabilidad 1

Sesión 8

• Probabilidad 2

Sesión 9

• Pruebas de hipótesis 1

Sesión 10

• Pruebas de hipótesis 2

Sesión 11

• Intro. a muestreo y encuestas

Sesión 12

• Experimentos e inferencia causal

Profesor(a)

Salvador Vázquez Del Mercado

Catedrático CONACYT y profesor investigador

Ver el perfil completo

1. martes, 12 oct 2021
2. jueves, 14 oct 2021
3. martes, 19 oct 2021
4. jueves, 21 oct 2021
5. martes, 26 oct 2021
6. jueves, 28 oct 2021
7. jueves, 04 nov 2021
8. martes, 09 nov 2021
9. jueves, 11 nov 2021
10. martes, 16 nov 2021
11. jueves, 18 nov 2021
12. martes, 23 nov 2021

Introducción

En este curso se estudiarán los conceptos básicos del machine learning y de su aplicación exitosa. Se estudiarán fundamentos de técnicas probadas como regresión, redes neuronales, árboles de decisión y técnicas de agregación de árboles como bosques aleatorios y boosting.

Objetivo(s) de aprendizaje

Se entenderán las ideas básicas para análisis predictivo desde el punto de vista de machine learning, incluyendo la construcción de modelos y su validación predictiva. Se entenderán los conceptos que hay detrás de técnicas probadas de machine learning, en qué casos funcionan, y cuáles son los elementos básicos necesarios para implementar exitosamente proyectos de machine learning.

Dirigido a

Personas que buscan una introducción a machine learning desde un punto de vista de principios básicos, que hayan tomado al menos un curso de probabilidad, y preferentemente tengan alguna experiencia en análisis de datos y regresión.

Temario

El curso está dividido en 12 sesiones, cada una de 2 horas. A continuación se enlistan los temas que cubriremos en cada sesión:

Sesión 1

• Introducción a machine learning
• Aprendizaje supervisado y no supervisado

Sesión 2

• La tarea predictiva fundamental y su evaluación
• Desempeño de modelos predictivos en el contexto de un problema de decisión

Sesión 3

• Métodos basados en regresión vs métodos locales

Sesión 4

• Subajuste y sobreajuste

Sesión 5

• Ingeniería de entradas para modelos predictivos
• Regularización

Sesión 6

• Problemas de clasificación. Tipos de error y evaluación

Sesión 7

• Probabilidad en problemas de clasificación. Intervalos predictivos

Sesión 8

• Introducción a redes neuronales

Sesión 9

• Ideas básicas para redes neuronales profundas

Sesión 9

• Árboles de decisión

Sesión 10

• Bosques aleatorios

Sesión 11

• Métodos de boosting para árboles

Sesión 12

• Discusión de otros métodos
• Implementación exitosa de proyectos de machine learning

Profesor(a)

Luis Felipe González Pérez

Formato: Curso modo virtual

1. martes, 12 oct 2021
2. jueves, 14 oct 2021
3. martes, 19 oct 2021
4. jueves, 21 oct 2021
5. martes, 26 oct 2021
6. jueves, 28 oct 2021
7. jueves, 04 nov 2021
8. martes, 09 nov 2021

Introducción

La comprensión de las experiencias de las personas y los contextos de los fenómenos sociales nos permite valorar si los objetivos de las intervenciones se están cumpliendo o, si al menos, están en el camino de cumplirse.

Los desafíos al intentar solucionar los problemas sociales son muchos. Por un lado, es necesario saber si la solución de un problema se traduce de la forma prevista. Por otro lado, resulta relevante conocer y entender el fenómeno social en el que estamos tratando de incidir.

Así, la observación estructurada se utiliza, cada vez más, como una estrategia de investigación que, desde los métodos mixtos, permite acceder e indagar a profundidad sobre la experiencia vivencial y los contextos en donde los fenómenos ocurren. Como método de obtención de información, la observación estructurada aporta datos detallados y rigurosos sobre el fenómeno que se explora, sobre todo en contextos, relaciones o experiencias complejas en donde el proxy de una entrevista o cuestionario necesita fortalecerse con datos de lo que realmente sucede.

En este curso introductorio se busca interesar en el uso de observación estructurada como estrategia para contribuir al entendimiento de los fenómenos sociales y la resolución de los problemas públicos. Mediante el análisis y la reflexión del proceso de observación, pero también de la exploración rigurosa de los elementos fundamentales, este curso quiere ampliar el uso nacional de esta técnica en las distintas esferas de las ciencias sociales.

Objetivo(s) de aprendizaje

En este curso queremos involucrar a las y los participantes para:

• Desarrollar habilidades para diseñar y llevar a cabo observación estructurada pertinente y metodológicamente rigurosa.
• Construir y analizar herramientas prácticas para la obtención de datos con observación estructurada.
• Fortalecer el análisis de la compleja naturaleza de los problemas públicos desde su propio contexto y cómo la observación estructurada es una estrategia fundamental para entenderlos.
• Argumentar y defender sus análisis y sus hallazgos sobre los aspectos teóricos, metodológicos y empíricos de la observación.

Dirigido a

Este es un curso introductorio que busca interesar a todas las personas, con o sin experiencia en observación, en el diseño, análisis y uso de esta estrategia para el entendimiento de los desafíos sociales.

Temario

El curso está dividido en ocho sesiones, cada una de tres horas. A continuación se enlistan los temas que cubriremos en cada sesión:

Sesión 1

Observación y el método científico: ¿qué tienen que ver?

• Introducción: observación como método de investigación.
• La observación estructurada como herramienta de análisis
• Tipos de observación para diferentes propósitos y en contextos diversos.
• Ventajas y desventajas de observar.

Sesión 2

Observación estructurada y la ética de observar a otros

• ¿Qué es la observación estructurada?
• ¿Cuándo es pertinente usarla?: valoración de la factibilidad.
• Fortalezas y limitaciones de observar sistemáticamente
• Consideraciones éticas relacionadas con observar a otros (procedimientos previos a observar)

Sesión 3

¿Qué voy a observar?: De los conceptos a los elementos observables

• Entender qué se quiere medir/observar (revisión de literatura e informantes clave)
• Desarrollar conceptos y dimensiones del objetivo de medición.
• Caracterizar la conducta: seleccionar y definir la conducta observable
• Identificar a quién observar, cuándo, en dónde y durante cuánto tiempo.
• Definir los ciclos de observación.

Sesión 4

La pauta de observación como herramienta fundamental

• ¿Para qué un protocolo de observación?
• Elementos del protocolo
• Cómo se “califica” la conducta: intensidad, frecuencia, etc.
• Implicaciones de la escala
• Traducir lo cualitativo en cuantitativo, y de regreso.

Sesión 5

Haciendo observación

• Programación de la observación
• Construyendo escalas de valoración
• Considerar reactividad: ¿qué puede salir mal?
• Ética en la observación

Sesión 6

Entrenamiento de observadores y toma de notas

• Capacitar a un equipo de observación
• Acuerdo inter-observador
• Piloteo de los instrumentos
• Toma de notas ¿por qué es importante?
• Agotamiento quien observa

Sesión 7

Ejercicios prácticos de observación

Sesión 8

La observación para influir en las políticas públicas: Interpretación y presentación de resultados

• Del número a la historia: gráficas, “testimonios” visuales.
• Mensaje, audiencia y medios
• Ética en los resultados

Profesora

Dra. Ana Razo (ana.razo@cide.edu)

1. lunes, 18 oct 2021
2. miércoles, 20 oct 2021
3. lunes, 25 oct 2021
4. miércoles, 27 oct 2021
5. lunes, 01 nov 2021
6. miércoles, 03 nov 2021
7. lunes, 08 nov 2021
8. miércoles, 10 nov 2021
9. miércoles, 17 nov 2021
10. lunes, 22 nov 2021
11. miércoles, 24 nov 2021
12. lunes, 29 nov 2021

Introducción

Este curso está diseñado para toda persona que cuenta, al menos, con conocimiento básico de R y quiera expandir sus conocimientos sobre análisis de datos espaciales para:

• Entender qué son, cómo procesar y cómo utilizar fuentes de datos espaciales para la toma de decisiones en el sector público y privado.

• Aprovechar el funcionamiento de R para manejar, transformar, visualizar y extraer conocimiento de las bases de datos espaciales.

• Plantear y ejecutar proyectos de análisis de datos utilizando problemas de aplicación real en negocios y políticas públicas.

• Aprender a resolver los principales problemas técnicos y responder las principales preguntas de negocio/investigación que surgen al analizar una base con datos espaciales/geográficos.

• Construir bases sólidas para continuar la secuencia de cursos que ofrece la Escuela de Métodos del LNPP - CIDE.

Al terminar este curso:

• Conocerás cuáles son los tipos de datos espaciales y formatos más utilizados.

• Podrás utilizar R para analizar y visualizar la información espacial.

• Sabrás importar distintos formatos de datos espaciales además de cruzarlos con otras fuentes de información espaciales o tabulares.

• Aprenderás a analizar los datos espaciales utilizando los paquetes de R adecuados.

• Podrás unir bases de datos y transformar su estructura.

Dirigido a

Toda aquella persona interesada en aprender a diseñar y ejecutar proyectos de análisis de datos que involucren información espacial. Este curso es útil para cualquier persona en el sector público y privado.

Temario

El curso está dividido en 12 sesiones, cada una de dos horas. A continuación se enlistan los temas que cubriremos en cada sesión:

Sesión 1

• Introducción a los datos espaciales
• Definición y usos de los datos espaciales
• Herramientas de visualización más comunes
• Instalación de paquetes y funcionalidades
• Manipulación de datos tabulares

Sesión 2

• Ejemplos de datos espaciales
• Principales formatos
• Componentes de archivos espaciales

*Sesión 3**

• Importar bases de datos espaciales a R
• Paquetes para exploración espacial
• Paquetes frecuentes para el procesamientos de datos

Sesión 4

• Proyecciones geográficas

Sesión 5

• Conversión entre proyecciones geográficas

Sesión 6

• Principales fuentes de datos abiertos y espaciales (INEGI, datos abiertos, Google, OSM).

Sesión 7

• Herramientas de visualización y mapas (Carto, Leaflet, Galerías de gráficas y storytelling).

Sesión 8

Principales tareas y funcionalidades de análisis espaciales:

• Distancia promedio al más cercano.
• Distancia entre puntos.
• Asignación y etiquetado con análisis de datos (punto, municipio, estado, código postal, etc).

Sesión 9

Principales tareas y funcionalidades de análisis espaciales:

• Reverse geocoding.
• Interseccion shape vs shape.
• Intersección shape vs punto.
• Centroides.

Sesión 10

• Proyecto de aplicación real de análisis espacial de datos (seguridad pública).

Sesión 11

• Proyecto de aplicación real de análisis espacial de datos (demográficos).

Sesión 12

• Proyecto de aplicación real de análisis espacial de datos (accidentes carreteros).

Profesor(a)

Carlos Castro Correa

Formato: Curso modo virtual

1. martes, 19 oct 2021
2. jueves, 21 oct 2021
3. martes, 26 oct 2021
4. jueves, 28 oct 2021
5. jueves, 04 nov 2021
6. martes, 09 nov 2021
7. jueves, 11 nov 2021
8. martes, 16 nov 2021
9. jueves, 18 nov 2021
10. martes, 23 nov 2021
11. jueves, 25 nov 2021
12. martes, 30 nov 2021

Introducción

Este es un curso de nivel introductorio al aprendizaje automático, mejor conocido como machine learning (ML). El ML es un área de las ciencias computacionales que estudia el desarrollo de modelos estadísticos basados en datos para que pueden desempeñar una tarea básica, típicamente hacer una predicción, clasificar en categorías, agrupar elementos similares, recomendar un producto, etc.

Iniciaremos abordando los principales temas conceptuales del aprendizaje automatizado y más adelante nos enfocaremos en la parte práctica, donde veremos las técnicas de ML más utilizadas usando la librería scikit-learn de Python.

Consideramos importante presentar la fundamentación matemática de los modelos que usaremos para entender mejor el funcionamiento de los métodos. Aunque no nos extenderemos a detalle en esta parte, al menos presentaremos las fórmulas más importantes de cada técnica, describiremos los parámetros básicos de las ecuaciones y proporcionaremos referencias donde se puede consultar a profundidad.

Objetivo(s) de aprendizaje

El objetivo general del curso es aprender los elementos conceptuales básicos de ML y a implementar de forma práctica los algoritmos más populares para hacer regresión, clasificación, clusterización y reducción de dimensionalidad. En específico lo objetivos del curso son:

• Entender qué es ML y en qué área dentro del panorama de la ciencia de datos se inscribe.
• Comprender las diferencias entre ML y la estadística tradicional.
• Estudiar los pasos previos antes de estimar un modelo de ML.
• Aprender a usar las funciones para preprocesamiento de datos de Scikit-learn.
• Aprender a estimar modelos de regresión, clasificación, reducción de dimensionalidad y clusterización.
• Aprender a usar el proceso de validación cruzada para evaluar el desempeño de los modelos.
• Aprender a usar Pipelines para encadenar múltiples procedimientos en un proyecto de ML.

Dirigido a

Asumimos que los participantes cuentan con los conocimientos equivalentes a los de cursos universitarios de cálculo diferencial, álgebra lineal y estadística. Esperamos que tengan experiencia en manejo de datos y estimación de modelos estadísticos básicos (regresión lineal).

También asumimos que cuenta con los siguientes conocimientos básicos de Python:

• Conocimiento estructuras de datos: tuplas, listas, diccionarios, conjuntos.
• Manejo de datos con Pandas
• Visualización con Matplotlib

Se recomienda (aunque no es obligatorio) haber tomado previamente los siguientes cursos que también se ofrece dentro de la Escuela de Métodos del LNPP:

• Introducción a Python y Manejo de datos
• Visualización de datos con Python

Temario

El curso está dividido en 12 sesiones, cada una de 2 horas. A continuación: se enlistan los temas que cubriremos en el curso:

• Introducción a ML.
• Pasos en un proyecto de ML
• Ejemplo de un proyecto completo de ML usando regresión lineal
• Modelos básicos de regresión: regresión lineal, ridge regression, lasso, elastic net.
• Modelos de clasificación: logit, multinomial logit.
• Algoritmo de Support Vector Machines para regresión y clasificación.
• Métodos basados en Árboles de Clasificación y regresión.
• Método de los K vecinos más cercanos para clasificación y regresión.
• Métodos de reducción de dimensionalidad: PCA, SVD y tSNE.
• Métodos para clusterización: KMeans y DBSCAN.
• Algunos métodos de ML para texto: TF-IDF, clasificación, SVD.

Bibliografía

• Géron, A. (2017). Hands-on machine learning with Scikit-Learn and TensorFlow: concepts, tools, and techniques to build intelligent systems. " O'Reilly Media, Inc".*
• Müller, A. C., & Guido, S. (2016). Introduction to machine learning with Python: a guide for data scientists. " O'Reilly Media, Inc".
• Friedman, J., Hastie, T., & Tibshirani, R. (2009). The elements of statistical learning (2 ed). New York: Springer series in statistics.

Profesor(a)

Juan Javier Santos Ochoa

Científico de Datos, Unidad Ciencia de Datos

Ver el perfil completo

1. lunes, 25 oct 2021
2. miércoles, 27 oct 2021
3. lunes, 01 nov 2021
4. miércoles, 03 nov 2021
5. lunes, 08 nov 2021
6. miércoles, 10 nov 2021
7. miércoles, 17 nov 2021
8. lunes, 22 nov 2021
9. miércoles, 24 nov 2021
10. lunes, 29 nov 2021
11. miércoles, 01 dic 2021
12. lunes, 06 dic 2021

Introducción

La comprensión de las problemáticas sociales enfrenta la paradoja de una mayor complejidad en sus temáticas y una mayor especialización en quienes la buscan entender. La inteligencia colectiva se ha dedicado a estudiar diversas estrategias para aprovechar la información que poseen diversos individuos respecto a un tema en común, favoreciendo el intercambio de conocimiento y maximizando los recursos en su interacción. Este curso busca introducir a los alumnos a diversas técnicas para diseñar estrategias de investigación e interacción en grupos de personas para ganar comprensión de temáticas complejas.

El curso presentará los aspectos teóricos y prácticos fundamentales para el diseño de ejercicios de grupo que permitan obtener los mayores beneficios de la inteligencia colectiva. Las alumnas y los alumnos aprenderán: el paso a paso de diversas técnicas metodológicas, así como cuáles son los principales sesgos de comportamiento en las dinámicas grupales y cómo evitarlos.

Objetivo(s) de aprendizaje

El objetivo general del curso es ofrecer una panorámica de diversas técnicas participativas y de inteligencia colectiva para utilizarse con grupos de personas, con la intención de que los alumnos conozcan distintos métodos, su alcance y los principales usos que han tenido. De forma específica se busca que aprendan:

• ¿Cuándo es conveniente emplear cada técnica?
• ¿Qué características deben tener las dinámicas participativas de acuerdo con el método seleccionado y con los sesgos de grupo?
• ¿Qué productos se obtienen de ellas?
• Así como los distintos requisitos y roles asociados a su implementación.

Dirigido a

El curso está diseñado para personas interesadas en utilizar técnicas grupales para el análisis de situaciones complejas y que deseen aprender herramientas que dan rigor a las estrategias de inteligencia colectiva en la investigación y para la toma de decisiones. Este curso no cuenta con ningún prerrequisito.

Temario

El curso está dividido en 12 sesiones, cada una de 2 horas. A continuación se enlistan los temas que cubriremos en cada sesión:

Sesión 1. Introducción a los principios de la inteligencia colectiva y de la administración interactiva.

Lecturas recomendadas:

• Berditchevskaia et al (2021) Collective Intelligence for Sustainable Development: 13 Stories from the UNDP Accelerator Labs.
• Núñez et al. (2020) Herramientas de Inteligencia Colectiva. Colección Laboratorio Nacional de Políticas Públicas. Disponible en: https://www.lnpp.mx/uploads/publications/11_9ff14.pdf
• Warfield, J.N., & Cárdenas, A.R., (1994) “A Handbook of Interactive Management”, Iowa State University Press, Ames, Iowa

Sesión 2. Avances en el estudio del comportamiento de grupos y los sesgos del comportamiento grupal.

Lecturas recomendadas:

• Raafat et al. (2009) Herding in humans. Trends in Cognitive Sciences Vol.13 No.10
• Sibony et al. (2017) Behavioral Strategy and the Strategic Decision Architecture of the Firm. California Management Review, Vol. 59(3) 5–21
• Sunstein, C.R. & Hastie, R. (2015) Wiser: Getting Beyond Groupthink: Make Groups Smarter. Harvard Business Review Press. (Introduction & Chapter 2)

Sesión 3. Identificación de participantes y análisis de actores con Mactor

Lectura recomendada:

• Page, S. (2015) The Difference: How the Power of Diversity Creates Better Groups, Firms, Schools, and Societies. Princeton (Chapter 1. Diverse Perspectives)
• Godet, M. (2000) La Caja de Herramientas de la Prospectiva. LIPSOR (Ficha Técnica No. 7 Mactor)

Sesión 4. Diseño de talleres participativos (Parte 1)

Lectura recomendada:

• Peach, K. et al. (2021) Collective Intelligence Design Playbook. Nesta. Disponible en: https://www.nesta.org.uk/toolkit/collective-intelligence-design-playbook/

Sesión 5. Diseño de talleres participativos (Parte 2)

Lectura recomendada:

• Peach, K. et al. (2021) Collective Intelligence Design Playbook. Nesta. Disponible en: https://www.nesta.org.uk/toolkit/collective-intelligence-design-playbook/

Sesión 6. Consulta a expertos. Panorama de enfoques cualitativos y cuantitativos.

Lectura recomendada:

• Nuñez et al. (2020) Herramientas de Inteligencia Colectiva. Colección Laboratorio Nacional de Políticas Públicas. Disponible en: https://www.lnpp.mx/uploads/publications/11_9ff14.pdf Sesión 7. Consulta a expertos. Panorama de las estructuras liberadoras

Lectura recomendada:

• Lipmanowicz, H. & McCandless, K. (2013) The Surprising Power of Liberating Structures. Simple Rules to Unleash Culture of Innovation. Liberating Structures Press.

Sesión 8. Cartografía social.

Lectura recomendada:

• IFAD (2009) Good Practices in Participatory Mapping. International Fund for Agricultural Development.

Sesión 9. Método Q.

Lectura recomendada:

• Van Exel N. & de Graaf, G.(2005) Q methodology: A sneak preview.

Sesión 10. Modelación colaborativa y Mapeo de efecto dominó

Lectura recomendada:

• Basco-Carrera et al (2017) Collaborative modelling or participatory modelling? A framework for water resources management. Environmental Modelling & Software 91
• Chazdon, Scott et al (2017) A Field Guide to Ripple Effects Mapping. University of Minnesota Libraries Publishing

Sesión 11. Herramientas, diseño y conducción de ejercicios en línea.

Lecturas recomendadas:

• Benartzi, S. (2015) The Smarter Screen: Surprising Ways to Influence and Improve Online Behavior. Penguin Random House LCC

Sesión 12. Aspectos fundamentales de la facilitación.

Lecturas recomendadas:

• Acker, M. (2021) The Art & Science of Facilitation. How to lead effective collaboration with agile teams. TeamCatapult Publishing
• Kaner, S. (2014) Facilitator's Guide to Participatory Decision-Making. Jossey-bass Business & Management Series. Tercera edición

Profesor(a)

Alejandra Núñez Aguilar

Investigadora

Ver el perfil completo

Formato: Curso modo virtual

1. jueves, 28 oct 2021
2. jueves, 04 nov 2021
3. martes, 09 nov 2021
4. jueves, 11 nov 2021
5. martes, 16 nov 2021
6. jueves, 18 nov 2021
7. martes, 23 nov 2021
8. jueves, 25 nov 2021
9. martes, 30 nov 2021
10. jueves, 02 dic 2021
11. martes, 07 dic 2021
12. jueves, 09 dic 2021

Introducción

La librería {shiny} es un paquete de R que nos permite realizar aplicaciones web interactivas a partir de utilizar funciones construidas en el lenguaje R. A diferencia de otros paquetes de este lenguaje de programación, shiny nos proveé de un marco de trabajo complejo que debe estudiarse y revisarse de manera detallada para poder acceder a todo su potencial.

Esta librería nos permite crear aplicaciones web aprovechando todos los conocimientos y recursos de análisis y visualización que ya hayamos aprendido con R y Rstudio, lo cual lo hace muy práctico para muchos perfiles de analistas que deseen publicar su trabajo, generar herramientas de análisis o explorar ideas y que no cuentan con los recursos para contratar un programador, o que, por el contrario, deseén hacer estas herramientas por su si mismos.

El presente curso tiene como objetivo el proporcionar a aquellos alumnos interesados, las herramientas para poder iniciar en la construcción de aplicaciones web con dicha librería, así como proporcionar consejos y recomendaciones para hacer esta travesía de aprendizaje lo más eficiente e indolora posible. Igualmente, este curso es un punto de partida hacia la programación web y a muchas de las tecnologías asociadas con esta, por lo que los conceptos acá aprendidos pueden ser de utilidad para aprender otro tipo de herramientas más avanzadas que fortalezcan su perfil laboral y también aumentar la cantidad de productos que puede realizar con su conocimiento del lenguaje de programación R.

Objetivo(s) de aprendizaje

• Que los alumnos sepan qué es, para que sirve y por qué es importante shiny.
• Que los alumnos conozcan ejemplos de aplicaciones shiny y cómo ellos podrían construir sus propias aplicaciones.
• Introducir los conceptos de desarrollo web necesarios para poder construir una aplicación shiny.
• Que los alumnos aprendan visualización interactiva de datos.
• Que los alumnos entiendan todo el flujo de trabajo y las consideraciones que conlleva realizar una aplicación web desde cero.
• Introducir los conceptos de programación reactiva en R. 7.Que los alumnos tengan las herramientas para poder construir sus propias aplicaciones web en shiny.
• Introducir conceptos de programación reactiva en los estudiantes, para familiarizarlos con la literatura referente al tema y que les sea de utilidad al momento de trabajar con desarrolladores web.

Dirigido a

• Estudiantes y profesionistas que tengan experiencia previa trabajando con el lenguaje de programación R y con Rstudio, que tengan interés en aumentar sus capacidades de visualización de datos.
• Profesionistas que trabajen en consultorías o en áreas de análisis de datos que deseén crear herramientas de análisis y visualización.
• Investigadores que deseén publicar los resultados de sus investigaciones de forma más dinámica e interactiva.

Temario

El curso está dividido en 12 sesiones, cada una de hora y media de duración. A continuación se enlistan los temas que cubriremos en cada sesión:

Sesión 1 Introducción a shiny

• ¿Qué es shiny? Concepto, importancia.
• Alternativas a la librería shiny en otros lenguajes de programación.
• Revisión de conceptos básicos
• Repaso del ejemplo base
• Revisión de la ruta de aprendizaje a seguir durante el curso.

Sesión 2 Mi primera aplicación shiny (práctica]

• Sistema de archivos recomendado.
• Las partes de una aplicación shiny
• Preparación de la base de datos
• Análisis inicial
• Creación de la interfaz de usuario
• Introducción a la programación del Backend (server) de la aplicación.

Sesión 3 Repaso de R y Rstudio.

• Repaso del tidyverse (manipulación de bases de datos).
• Archivos nativos de R (.r, .rds, .rproj y .rdata).
• Creación de funciones
• Bucles y operadores de decisión
• Flujos de trabajo
• Git y GithuSesión

Sesión 4 Visualización de Datos Interactiva.

• ¿Qué es la visualización de datos interactiva?
• ¿Cuándo utilizar visualización interactiva y cuando visualización estática?
• Introducción al código HTML y CSS.
• Creación de gráficas con plotly.
• Creación de mapas con leaflet.
• Otras librerías para realizar visualización interactiva.
• [Ejercicio Práctico]

Sesión 5 Layouts de la aplicación.

• Sidebar Layout
• Grid Layout
• FluidPage
• Sistema de 8 columnas
• Tabset Panels
• Navlists
• Navbar Pages

Sesión 6 Diseño de la interfaz de usuario.

• Código HTML
• El framework Bootstrap
• Código CSS y el inspector HTML
• Tags HTML
• El texto dentro de Shiny
• Incorporando imágenes y video dentro de un shiny
• Incorporando video dentro de un shiny
• Incorporando código HTML dentro de un shiny

Sesión 7 Programación reactiva

• El paradigma de la programación reactiva.
• La función server y sus componentes
• Definición de reactividad
• Contexto reactivo
• Gráficas de flujo
• Funciones render y output

Sesión 8 Controles

• Repaso de los controles que se pueden utilizar en una aplicación shiny.
• selectInput - Selectores de texto.
• textInputs – para introducción de texto o caracteres numéricos
• radiobuttons – para la introducción de opciones.
• Sliders -Entradas de texto, numéricas y de fecha
• Botones de acción.
• DownloadHandlers – para manejar descargas.

Sesión 9 Flujo del trabajo de shiny.

• Captación de la información
• Análisis inicial
• Generación de los objetos a utilizar.
• Repartición y delegación del trabajo
• Publicación de la aplicación
• Correcciones de errores en el servidor
• Modificaciones y retroalimentación
• Mantenimiento

Sesión 10 Shinydashboard

• Componentes de la interfaz de usuario de un shinydashboard
• Header
• Sidebar
• Body
• Introducción de logos e imágenes
• En el título
• En la barra de encabezados
• [Práctica: Armado de una aplicación hecha en ShinyDashboard]

Sesión 11 y sesión 12 Práctica final sumativa. Elaboración de una aplicación shiny para visualizar información de indicadores a nivel municipal.

• Conformación de las bases de datos
• Diseño de la aplicación
• Análisis inicial
• Armado de la interfaz de usuario
• Creación del código que correrá en el servidor.
• Publicación de la aplicación.
• Almacenamiento persistente de datos.
• Conceptos a aprender después del presente curso.

Profesor

M.C. Jorge Juvenal Campos Ferreira (ver)

Formato:

Curso modo virtual

1. jueves, 04 nov 2021
2. martes, 09 nov 2021
3. jueves, 11 nov 2021
4. martes, 16 nov 2021
5. jueves, 18 nov 2021
6. martes, 23 nov 2021
7. jueves, 25 nov 2021
8. martes, 30 nov 2021
9. jueves, 02 dic 2021
10. martes, 07 dic 2021
11. jueves, 09 dic 2021
12. martes, 14 dic 2021

Introducción

Este curso es una introducción a la inferencia estadística desde una perspectiva moderna basada en remuestreo y simulación. Buscamos de esta manera entender con profundidad los conceptos básicos de la inferencia, así como aprender técnicas prácticas y adaptables sin perder rigor estadístico.

Objetivo(s) de aprendizaje

Entender los fundamentos de la inferencia estadística. Aprender técnicas de remuestreo y simulación para llevar a cabo pruebas de hipótesis usuales y estimaciones por intervalo, y cómo se conectan estos conceptos con los métodos asintóticos más tradicionales. Revisaremos varios ejemplos prácticos que ilustran conceptos y técnicas.

Dirigido a

Estudiantes que tengan experiencia básica en análisis de datos (manipulación de datos, graficación, anáĺisis exploratorio) así como entendimiento básico de teoría de probabilidad (distribuciones básicas de probabilidad continuas y discretas, probabilidad condicional e independencia).

Temario

El curso está dividido en 12 sesiones, cada una de 2 horas. A continuación se enlistan los temas que cubriremos en cada sesión:

Sesión 1

• Tipos de estudios y datos
• Proceso generador de datos e inferencia

Sesión 2

• Pruebas de hipótesis
• Pruebas visuales y pruebas de permutaciones

Sesión 3

• Más ejemplos de pruebas de hipótesis
• El uso de pruebas de hipótesis y replicabilidad

Sesión 4

• Distribución de muestreo de estimadores. Error estándar y percentiles
• El teorema central del límite. Opcional: pruebas de normalidad

Sesión 5

• Remuestreo: el bootstrap no paramétrico
• Estimación por Intervalos normales basados en bootstrap

Sesión 6

• Propiedades básicas de la distribución bootstrap
• Interpretación. Opcional: calibración de intervalos de confianza

Sesión 7

• Estimación por intervalos de percentiles basados en bootstrap
• Boostrap para estimadores complejos (incluyendo diseños muestrales polietápicos)

Sesión 8

• Conceptos de estimación por máxima verosimilitud

Sesión 9

• Estimación por intervalos usando máxima verosimilitud

Sesión 10

• Estimación mediante el bootstrap paramétrico

Sesión 11

• Pruebas de wald y pruebas t
• Pruebas de cocientes de verosimilitud

Sesión 12

• Inferencia universal: métodos de división de muestra

Profesor(a)

María Teresa Ortiz Mancera

Formato: Curso modo virtual

1. lunes, 08 nov 2021
2. miércoles, 10 nov 2021
3. miércoles, 17 nov 2021
4. lunes, 22 nov 2021
5. miércoles, 24 nov 2021
6. lunes, 29 nov 2021
7. miércoles, 01 dic 2021
8. lunes, 06 dic 2021

Introducción

Este curso está diseñado para personas que con un básico conocimiento del programa R y una comprensión inicial de estadística descriptiva deseen:

• Conocer y entender los últimos avances en análisis cuantitativo de texto con R

• Explotar las múltiples herramientas de R para analizar sentimiento y tópicos

• Aprender las innovadoras funciones de web scraping, análisis de tweets y machine learning para texto

• Conocer nuevas aplicaciones y oportunidades de word embeddings y Part-of-Speech

• Aplicar e intercambiar conocimientos de otros cursos de la secuencia de más de 10 cursos en R que ofrece la Escuela de Métodos del LNPP - CIDE.

Al terminar este curso:

• Conocerás las bases de metodología cuantitativa para textos y para diferentes tipos de análisis con R

• Sabrás las ventajas y desventajas de las diferentes herramientas y sabrás cómo responder a diferentes preguntas con el análisis de texto

• Podrás llevar a cabo análisis de sentimiento y análisis de escala de manera eficaz; al mismo tiempo podrás recolectar datos de internet automatizadamente (web scraping, Twitter)

• Entenderás como clasificar textos de manera supervisada (machine learning) y no supervisada (topic models) y aprenderás los principios básicos de word embeddings y Part-of-Speech

• Al final, podrás idear proyectos de análisis de texto con las más innovadoras herramientas de R tomando en cuenta las ventajas y desventajas de cada método  

  Dirigido a

Todo aquel interesado en aprender sobre el análisis cuantitativo de textos con el programa R. El análisis cuantitativo y automatizado de texto se ha convertido en una innovadora herramienta fundamental para las ciencias sociales y la política comparada.

Temario

El curso está dividido en ocho sesiones, cada una de tres horas. A continuación se enlistan los temas que cubriremos en cada sesión:

Sesión 1 (8 de noviembre)

• Introducción a la perspectiva text-as-data
• Manejo de texto en R usando regular expressions

Sesión 2 (10 de noviembre)

• Manejo de texto en R usando {quanteda}
• Transformación de datos a formato document-feature matrix
• Uso y aplicación de diccionarios; análisis de legibilidad y de sentimiento
• Flujo de trabajo con datos de texto

*Descanso obligatorio CIDE-LNPP el 15 de noviembre

Sesión 3 (17 de noviembre)

• Extracción automatizada de texto de páginas HTML (web scraping) con {Rcurl} y {rvest}
• Creación de bases de dato de texto
• Introducción a la extracción de data de Twitter con {rtweet}

Sesión 4 (22 de noviembre)

• Estimación de posiciones y escalamiento de texto con {wordfish} y {wordshoal}
• Escalamiento multidimensional Canonical Correspondance Analysis

Sesión 5 (24 de noviembre)

• Métodos de clasificación no supervisados (topic models) con {stm}

Sesión 6 (29 de noviembre)

• Métodos de clasificación supervisados – machine learning para texto
• Criterios de precisión y análisis de predicción en base a {tidymodels} con algoritmos como random forest

Sesión 7 (1 de diciembre)

• Introducción general a word embeddings y Part-of-Speech

Sesión 8 (6 de diciembre)

• Presentación y discusión de proyectos
• Discusión sobre promesas y desafíos del análisis de texto
• Ronda de preguntas y respuestas sobre los laboratorios R (sesión con final abierto)

Debido al horario matutino del curso, algunos/as integrantes pueden llegar a faltar a algunas sesiones por diferentes razones. Por ende, todas las sesiones serán grabadas en formato digital con el consentimiento de los y las integrantes del curso y serán puestas a disposición de los alumnos/as del curso.

Profesor(a)

Daniel Saldivia Gonzatti

Formato: Curso modo virtual

1. martes, 09 nov 2021
2. jueves, 11 nov 2021
3. martes, 16 nov 2021
4. jueves, 18 nov 2021
5. martes, 23 nov 2021
6. jueves, 25 nov 2021
7. martes, 30 nov 2021
8. jueves, 02 dic 2021

Introducción

Este curso adopta un enfoque antropológico en los espacios digitales para entender diferentes formas en las que estos espacios pueden ser punto significativo de investigación tanto cualitativa como mixta. El curso se concentra en brindar a los estudiantes los conocimientos y técnicas necesarios para que puedan desarrollar investigación en dichos contextos.

Objetivos

Dado que el desarrollo de las tecnologías digitales ha tenido una expansión significativa en la vida sociocultural, 'lo digital' continúa adquiriendo más significados y representando las facetas emergentes de las actividades en las que grandes sectores de la población están vinculados. El reto de diseñar proyectos de investigación etnográfica digital implica retos que pueden llegar a ser emocionantes, exasperantes, desconcertantes y satisfactorios cuando se trata de recopilar, interpretar y representar información relacionada con todas las prácticas digitales. Este curso busca brindar un proceso reflexivo en torno a como desarrollar este tipo de proyectos de investigación en los cuales se analizan espacios digitales. Específicamente se busca que los estudiantes puedan:

1. Realizar trabajo de campo en entornos electrónicos, en línea, virtuales o de otro modo habilitados digitalmente.
2. Utilizar herramientas digitales para recopilar, analizar, organizar y presentar datos etnográficos en cualquier entorno. Dentro de la clase se trabajará en estos dos objetivos y conoceremos colectivamente otras corrientes o facetas de hacer trabajo etnográfico digitalmente. 

Público objetivo

El curso está diseñado para personas sin experiencia de trabajo de investigación en espacios digitales. Los únicos prerrequisitos son:

Conocimiento introductorio de metodologías de investigación cualitativa

Sesiones

El módulo está dividido en ocho sesiones, cada una de tres horas. A continuación enlisto los temas que cubriremos en cada sesión:

Sesión 1. Introducción a la Etnografía en Espacios digitales

¿Qué es la etnografía digital?

Sesión 2. Tecnología y Cultura

¿En qué contexto se hace etnografía digital?

Sesión 3. Métodos de Investigación en Espacios Digitales (Parte 1: Métodos cualitativos)

¿Cómo se hace la etnografía digital?

Sesión 4. Métodos de Investigación en Espacios Digitales (Parte 2: Métodos mixtos y cuantitativos)

¿Cómo se hace la etnografía digital?

Sesión 5. Acceso y Análisis en/con Comunidades en Espacios digitales.

¿Con quién se hace la etnografía digital?

Sesión 6. Planeación logística de trabajo etnográfico digital

¿Cómo organizamos la etnografía digital?

Sesión 7. Consideraciones éticas al investigar en espacios digitales

¿Cómo hacemos etnografía digital ética?

Sesión 8. Interpretación y Análisis de Etnografía Digital

¿Cómo hacemos análisis de la etnografía digital?

Bibliografía

Bibliografía Principal

Hjorth, L., Horst, H., Galloway, A., & Bell, G. (Eds.). (2017). The Routledge companion to digital ethnography. Taylor & Francis.

Textos complementarios

Castells, M. (2019). Globalización, tecnología, trabajo, empleo y empresa.

Gómez, E., & Galindo, A. (2005). Los estudios de Comunicación Mediada por Computadora: una revisión y algunos apuntes. Razón y Palabra, 10(44).

Hogan, B. The Presentation of Self in the Age of Social Media: Distinguishing Performances and Exhibitions Online. In: Bulletin of Science Technology & Society. Sage, 2010

Pink, S. (2016). Digital ethnography. Innovative methods in media and communication research, 161-165.

Profesor(a)

Cristina Salazar Gallardo, Ed.D. E-mail: cps2127@columbia.edu