No hay comentarios.

CURSO:INTRODUCCION AL APRENDIZAJE DE MAQUINA PARA CIENCIAS SOCIALES
TRADUCCION:MACHINE LEARNING FOR SOCIAL SCIENCES
SIGLA:SOL319
CREDITOS:10
MODULOS:03
CARACTER:OPTATIVO
TIPO:CATEDRA
CALIFICACION:ESTANDAR
PALABRAS CLAVE:APRENDIZAJE DE MAQUINA,MODELOS PREDICTIVOS,ALGORITMOS SUPERVISADOS,ALGORITMOS NO SUPERVISADOS,CIENCIA SOCIAL COMPUTACIONAL
NIVEL FORMATIVO:PREGRADO


INTEGRIDAD ACADEMICA Y CODIGO DE HONOR

La Universidad tiene un compromiso con la construccion de una cultura de respeto e integridad. Quienes participen de este curso se adscriben al Codigo de Honor UC y adquieren el compromiso de aportar a la construccion de una cultura de Integridad Academica, actuando en consonancia con los valores de veracidad, confianza, respeto, justicia, responsabilidad y honestidad en todo el trabajo academico.


I.DESCRIPCIÓN DEL CURSO

En este curso los y las estudiantes aprenderan los metodos de aprendizaje automatico que utilizan el big data para responder a problematicas de las ciencias sociales. Mediante el uso de herramientas computacionales para procesar, analizar, visualizar y modelar datos sociales. Se espera que los y las estudiantes puedan dise?ar, implementar, entrenar, validar e interpretar algoritmos de aprendizaje supervisado y no supervisado. Este curso tiene un caracter practico donde se utilizara de base el lenguaje de programacion R para el desarrollo de proyectos grupales y tareas cortas individuales.


II.RESULTADOS DE APRENDIZAJE

1.Utilizar herramientas de programacion en R para perfeccionar habilidades de manipulacion, reporte y visualizacion de grandes volumenes de datos.

2.Aplicar algoritmos de aprendizaje automatico supervisado y no supervisado para resolver problematicas especificas de las ciencias sociales.

3.Evaluar la capacidad predictiva de diferentes algoritmos en el contexto de las ciencias sociales mediante el uso de metricas de desempe?o adecuadas.

4.Interpretar de forma clara y efectiva los resultados obtenidos de los modelos de aprendizaje automatico, destacando su relevancia, aplicabilidad y valor agregado en el ambito de las ciencias sociales.

5.Implementar proyectos grupales que integren tecnicas de aprendizaje automatico para responder a preguntas de investigacion en ciencias sociales, promoviendo la reproducibilidad, el trabajo colaborativo y la aplicacion practica del conocimiento.


III.CONTENIDOS

1.Analisis de estructuras de datos.
1.1.Estructuras de datos para la programacion orientada a objetos.
1.2.Herramientas para la manipulacion, analisis y visualizacion de datos en R.
1.3.Problematicas de las ciencias sociales desde la perspectiva del aprendizaje automatico.

2.Algoritmos de aprendizaje de maquina supervisada.
2.1.Modelos lineales para variables dependientes numericas y binarias.
2.2.Metodologia de Ensamblaje, Bagging y Booosting.
2.3.Modelos aditivos generalizados (GAM).

3.Algoritmos de aprendizaje de maquina no supervisada.
3.1.Clustering por centroides: K-Means, K-Medoids y K-Modes.
3.2.Analisis de correspondencia multiple y reglas de asociacion.
3.3.Reduccion de dimensionalidad: componentes principales y analisis factorial.

4.Comunicacion de algoritmos
4.1.Comunicacion y reproducibilidad de resultados en ciencias sociales.
4.2.Interpretacion, interpretabilidad y capacidad explicativa de los algoritmos de aprendizaje de maquina.
4.3.Reporte, visualizacion y analisis de sensibilidad para algoritmos de aprendizaje automatico.


IV.ESTRATEGIAS METODOLOGICAS

-Catedras expositivas.

-Laboratorios.

-Estudio de casos.

-Aprendizaje basado en proyectos.


V.ESTRATEGIAS EVALUATIVAS

-Controles de lectura: 30%

-Tareas en parejas: 30%

-Poster de investigacion: 40%


VI.BIBLIOGRAFIA

Minima

Boehmke, B., & Greenwell, B.(2019). Hands-on machine learning with R. Chapman and Hall/CRC. Recurso en linea: https://bradleyboehmke.github.io/HOML/

Breiman, L.(2001). Statistical modeling: The two cultures (with comments and a rejoinder by the author). Statistical science,16(3),199-214.

Grimmer, J., Roberts, M.E., & Stewart, B.M.(2021). Machine learning for social science: An agnostic approach. Annual Review of Political Science,24, 395-419.

James, G., Witten, Daniela, Hastie, T., & Tibshirani, R.(2013). An introduction to statistical learning (Vol.112, p.18). New York: springer.

Molina, M., & Garip, Filiz.(2019). Machine learning for sociology. Annual Review of Sociology,45,27-45.

Salganik, M., Maffeo, L., & Rudin, C.(2020). Prediction, Machine Learning, and Individual Lives: An Interview With Matthew Salganik. Harvard Data Science Review. Recurso en linea: https://hdsr.mitpress.mit.edu/pub/uan1b4m9/release/3

Salganik, M.J.(2019). Bit by bit: Social research in the digital age. Princeton University Press.


Complementaria

Blumenstock J, Cadamuro G, On R. 2015. Predicting poverty and wealth from mobile phone metadata. Science 350:1073?76

Bronfman, N.C., Repetto, Paula. B., Guerrero, Nikole, Casta?eda, Javiera. V., & Cisternas, Pamela. C.(2021). Temporal evolution in social vulnerability to natural hazards in Chile. Natural hazards,107(2),1757-1784.

Healy, K.(2018). Data visualization: a practical introduction. Princeton University Press. Cap.1, 3 y 4. Recurso en linea: https://socviz.co/

Kuhn, M., & Johnson, Kjell.(2013). Applied predictive modeling (Vol.26, p.13). New York: Springer.

Kuhn, M., & Silge, Julia.(2022). Tidy modeling with R. "O'Reilly Media,Inc". Disponible en: https://www.tmwr.org/

Mendez, J.T., Lobel, H., Parra, D., & Herrera, J.C.(2019). Using Twitter to infer user satisfaction with public transport: the case of Santiago, Chile. IEEE Access,7,60255-60263.

Rossetti, T., Lobel, H., Rocco, V., & Hurtubia, R.(2019). Explaining subjective perceptions of public spaces as a function of the built environment: A massive data approach. Landscape and urban planning,181, 169-178.

Van `t Wout, E., Pieringer, C., Torres Irribarra, D., Asahi, K., & Larroulet, Pilar.(2021). Machine learning for policing: a case study on arrests in Chile.Policing and society,31(9),1036-1050.

Urdinez, F., & Cruz, A.(2020). R for Political Data Science: A Practical Guide. CRC Press. Cap. 1 al 4. Recurso en linea en espa?ol: https://arcruz0.github.io/libroadp/

Wickham, H., Cetinkaya-Rundel, Mine, & Grolemund, G.(2023). R for Data Science(2e). Accessed November 30,2023. Disponible en: https://r4ds.hadley.nz/


PONTIFICIA UNIVERSIDAD CATOLICA DE CHILE
INSTITUTO DE SOCIOLOGIA / OCTUBRE 2024