Malla curricular

FUNDAMENTOS DE MACHINE LEARNING PARA LA GESTIÓN PÚBLICA

Este curso proporciona una base sólida en los principios fundamentales del aprendizaje automático (Machine Learning) orientado a la gestión pública. Se abordará la preparación de datos como fase crítica en el desarrollo de modelos, incluyendo limpieza, transformación y partición de datos. Los participantes se introducirán en los tipos de aprendizaje supervisado y no supervisado, familiarizándose con bibliotecas de R (dplyr, tidyverse, caret) y Python (Pandas, NumPy, Scikit-learn). A través de ejercicios prácticos, se desarrollarán flujos básicos de trabajo en ambos lenguajes.

Al finalizar el curso, los participantes serán capaces de:

• Comprender los fundamentos del aprendizaje automático y su utilidad en el análisis de datos públicos.
• Preparar y transformar datos con eficiencia para el desarrollo de modelos.
• Implementar flujos básicos de trabajo en R y Python para tareas de análisis.

MODELOS SUPERVISADOS APLICADO A LA POLÍTICA PÚBLICA

Este curso se enfoca en los algoritmos supervisados que permiten predecir variables de interés a partir de datos históricos. Se trabajará con modelos lineales y no lineales, incluyendo regresión lineal, regresión logística, árboles de decisión y redes neuronales básicas. A través de casos prácticos del sector público, los estudiantes aprenderán a construir, ajustar e interpretar modelos en R y Python, evaluando su rendimiento con métricas adecuadas.

Al finalizar el curso, los participantes serán capaces de:

• Construir modelos de predicción aplicando técnicas supervisadas.
• Evaluar y comparar modelos usando métricas de desempeño.
• Aplicar algoritmos a problemas reales de predicción en el ámbito gubernamental.

MODELOS NO SUPERVISADOS PARA LA TRANSPARENCIA Y EFICIENCIA ESTATAL

Este curso aborda técnicas exploratorias para la segmentación y análisis de datos sin etiquetas, útiles para descubrir patrones ocultos en grandes volúmenes de información pública. Se estudiarán técnicas como k-means, clustering jerárquico y DBSCAN, así como métodos de reducción de dimensiones (PCA, MCA) y detección de anomalías (Isolation Forest, LOF, One-Class SVM). Se aplicarán estas técnicas en contextos de política social, territorial y presupuestal.

• Al finalizar el curso, los participantes serán capaces de:
• Aplicar técnicas de agrupamiento para identificar segmentos poblacionales o territoriales relevantes.
• Utilizar métodos de reducción de dimensiones para mejorar la visualización y el análisis de datos complejos.
• Implementar técnicas de detección de anomalías para mejorar la transparencia y eficiencia en la gestión pública.