No hay comentarios.

CURSO:CIENCIA DE DATOS RESPONSABLE
TRADUCCION:RESPONSIBLE DATA SCIENCE
SIGLA:MDS3040
CREDITOS:05 UC
HORAS:90 HORAS DE DEDICACION TOTAL: 24 DIRECTAS Y 66 INDIRECTAS (2 MODULOS)
CARACTER:MINIMO
TIPO:CATEDRA Y LABORATORIO
CALIFICACION:ESTANDAR
DISCIPLINA:CIENCIA DE DATOS
PALABRAS CLAVE:TRANSPARENCIA,INTERPRETABILIDAD,PRIVACIDAD,SESGO,CALIDAD
NIVEL FORMATIVO:MAGISTER


I.DESCRIPCIÓN DEL CURSO

En este curso los estudiantes aprenderan los principios eticos, las herramientas y metodologias fundamentales que cimentan el uso responsable de los datos en distintos contextos. Se combinara una serie de lecturas con laboratorios, tareas, y proyectos practicos que permitan a los estudiantes entender tanto la critica como la solucion a problemas relacionados con transparencia,interpretabilidad,privacidad, y sesgo, entre otros.


II.RESULTADOS DE APRENDIZAJE

1.Analizar las falencias eticas que puede presentar un proceso de analisis de datos identificando los componentes y tecnicas de las ciencias sociales que se pueden utilizar para paliarlas.

2.Aplicar herramientas matematicas y computacionales que garanticen un uso responsable de los datos.

3.Construir modelos que faciliten la interpretabilidad de los resultados obtenidos para poder justificar eticamente las decisiones tomadas.

4.Evaluar la factibilidad de las soluciones propuestas en base a los codigos vigentes para asegurar su pertinencia legal.


III.CONTENIDOS

1.Introduccion
1.1.Ejemplos de temas eticos en ciencia de datos
1.2.Imparcialidad y diversidad, imposibilidad teorica
1.3.Transparencia y gobernanza
1.4.Privacidad
1.5.Ciclo de vida de los datos: Perfiles y limpieza de datos

2.Imparcialidad y diversidad
2.1.Definiciones de imparcialidad
2.2.La necesidad de una mirada socio-tecnologica
2.3.Diversidad, regla de Rooney
2.4.Calidad de datos vs imparcialidad y

3.Transparencia, interpretabilidad, privacidad y proteccion de datos
3.1.Necesidad de la transparencia e interpretabilidad
3.2.Explicaciones locales e influencia causal
3.3.Transferencia responsable de datos
3.4.Anonimizacion y sus limites
3.5.Privacidad diferencial

4.Codigos legales y de conducta
4.1.Principios eticos y normativas legales
4.2.Regulaciones sobre proteccion general de datos


IV.ESTRATEGIAS METODOLOGICAS

-Catedra en sesiones sincronicas.

-Videoclases.

-Estudio de casos.

-Test basados en la interaccion con bases de datos.

-Contenidos entregados por las video clases.

-Lecturas y reflexion individual.


V.ESTRATEGIAS EVALUATIVAS

-Controles: 30%

-Tareas: 40%

-Proyecto: 20%

-Foro de discusion: 10%

-El curso contendra ademas actividades formativas(sin calificacion),las que tienen como proposito la preparacion para las evaluaciones calificadas.


VI.BIBLIOGRAFIA

Minimo

Julia Stoyanovich, Armanda Lewis. Teaching Responsible Data Science: Charting New Pedagogical Territory. CoRR abs/1912.10564 (2019)


Complementarias

Julia Angwin, Jeff Larson, Surya Mattu, and Lauren Kirchner. 2016. Machine bias: There?s software used across the country to predict future criminals. And it?s biased against blacks. (ProPublica).https://www.propublica.org/article/ machine-bias-risk-assessments-in-criminal-sentencing

danah boyd. 2010. Privacy and Publicity in the Context of Big Data.https://www.danah.org/papers/talks/2010/WWW2010.html

Meredith Broussard.2018.Artificial Unintelligence:How Computers Misunderstand the World. MIT Press,Cambridge,Massachusetts.

Alexandra Chouldechova.2017.Fair prediction with disparate impact: A study of bias in recidivism prediction instruments. CoRR abs/1703.00056(2017).arXiv:1703.00056 http://arxiv.org/abs/1703.00056

Tschantz.2018.Discrimination in Online Personalization:A Multidisciplinary Inquiry. In Conference on Fairness, Accountability and Transparency,FAT 2018,23-24 February 2018, New York, NY,USA.20?34.
http://proceedings.mlr.press/v81/datta18a.html


PONTIFICIA UNIVERSIDAD CATOLICA DE CHILE
INSTITUTO DE INGENIERIA Y MATEMATICA Y COMPUTACIONAL / MARZO 2022