Ciencia de Datos
El propósito fundamental de este curso es dotar a los estudiantes de un marco interdisciplinario robusto que trascienda la aplicación de algoritmos, integrando la física teórica y la ingeniería con la inteligencia computacional contemporánea. Este curso busca transformar al estudiante en un arquitecto de software científico y un modelador probabilístico capaz de liderar procesos de investigación de alto nivel.
Módulo 1: Ingeniería de software para ciencia reproducible
Los estudiantes serán capaces de: (i) escribir Python claro e idiomático para el trabajo científico, (ii) estructurar un código de investigación como un proyecto mantenible, (iii) usar control de versiones de forma efectiva, (iv) incorporar pruebas automáticas, (v) construir entornos reproducibles y (vi) perfilar y optimizar cuellos de botella preservando la corrección.
Módulo 2: Probabilidad matemática para análisis de datos
Los estudiantes serán capaces de: (i) modelar mediciones con variables aleatorias y PDFs, (ii) estimar parámetros y propagar la incertidumbre, (iii) usar la máxima verosimilitud como principio unificador de estimación, (iv) incorporar incertidumbres sistemáticas, (v) realizar pruebas de hipótesis con estadísticos apropiados, y (vi) extender métodos a datos multidimensionales.
Módulo 3: Técnicas de aprendizaje automático para físicos e ingenieros
Los estudiantes serán capaces de: (i) formular problemas de física/ingeniería como tareas de ML, (ii) construir pipelines reproducibles en Python, (iii) entrenar y validar modelos base y no lineales, (iv) cuantificar el desempeño con métricas adecuadas y chequeos de incertidumbre y de
calibración, y (v) interpretar y someter a “stress tests” los modelos ante cambios de distribución y de sistemáticas.
Comunidad docente – Ciencia de Datos
Módulo 1
José Fernando Rodríguez
Ingeniería de Sofware
Docente e Investigador de la Universidad Antonio Nariño (Colombia). Su trabajo se centra en la Relatividad General, ondas gravitacionales, agujeros negros y teorías de gravedad modificada. Miembro del ICRANET (Italia).
Módulo 2
José Ocaríz
Estadística y Probabilidad
Subcoordinador del Proyecto. Físico de Partículas, franco-venezolano. Profesor senior de la Universidad París Cité e investigador del IN2P3. Ha participado activamente en programas de cooperación científica entre Francia y América Latina.
Módulo 3
John Samuel
Machine Learning
Profesor Asociado de informática en CPE Lyon (Universidad de Lyon, Francia) e investigador en el laboratorio LIRIS (CNRS / Universidad de Lyon). Posee un doctorado en informática y una habilitación para dirigir investigaciones (HDR). Su trabajo se centra en la ciencia de datos, el análisis de datos urbanos, el aprendizaje automático y la representación del conocimiento. Combina investigación sobre algoritmos y sistemas de datos con aplicaciones en inteligencia artificial y modelización de datos complejos. Su investigación actual explora el análisis de datos urbanos en 3D y los grafos de conocimiento.
Rémy Chaput
Machine Learning
Profesor Asociado e investigador en Ciencias de la Computación en la escuela CPE Lyon (Universidad de Lyon, Francia). Doctor en Informática, es investigador en el laboratorio LIRIS (CNRS / Université de Lyon), en el equipo SyCoSMA (Sistemas Cognitivos y Sistemas Multi-Agente). Sus especialidades incluyen Inteligencia Artificial, en particular reinforcement learning (multi-agente y multi-objetivo), IA explicable y IA responsable/ética.