Este curso presenta conceptos y métodos estadísticos para el análisis de datos bajo el enfoque de modelamiento predictivo (“machine learning”). Los modelos predictivos buscan aproximar el valor de una variable de interés en términos de valores particulares de las variables predictoras, usando una función que debe ser estimada (aprendida) a partir de datos. Incluye problemas de regresión (predicción de variable continua, por ejemplo, predecir el monto de una transacción electrónica), clasificación (predicción de variable categórica, por ejemplo, predecir si la transacción es fraude o no), ranking (ordenamiento de la variable de respuesta) y aprendizaje no-supervisado (cuando la respuesta no es observable). A diferencia de modelos estadísticos clásicos, los modelos predictivos se evalúan a partir de su eficacia para pronosticar la respuesta y no necesariamente en su capacidad para explicar las relaciones entre las variables. En el curso se incluyen técnicas de minería de datos, de “machine learning” y de reconocimiento de patrones.

El curso presenta la teoría y práctica de Haskell, una implementación supremamente elegante del cálculo de Lambda y al mismo tiempo un lenguaje de programación eficiente y seguro, en el cual es posible escribir algoritmos en un lenguaje cercano al que usa un matemático para expresar sus conceptos, incluyendo estructuras infinitas. El uso de la programación funcional y de Haskell en particular, y su influencia sobre la programación imperativa, han aumentado en importancia considerablemente en los últimos años.

Un "Sistema embebido" es aquel que hace referencia a los equipos electrónicos que incluyen un procesamiento de datos, pero que, a diferencia de un cmputador personal, están diseñados para satisfacer una función específica, como en el caso de un reloj, un reproductor de MP3, un teléfono celular, un router, el sistema de control de un automóvil, de un satélite o de una planta nuclear.

El curso busca dar las bases metodológicas y tecnológicas para el diseño de sistemas basados en plataformas.

Los métodos computacionales fundamentan el trabajo en todas las áreas técnicas y científicas, ya sean principalmente experimentales o teóricas. Esto se debe en gran parte a que la capacidad de utilizar computadores de alto rendimiento ha disminuido en costo monetario y en complejidad.

El curso de Métodos Computacionales Avanzados presenta estas posibilidades computacionesles a estudiantes de diferentes disciplinas científicas. Para esto propone profundizar sus conocmientos en tres áreas: resolución de ecuaciones diferenciales, implementación de métodos de machine leraning (i.e. algoritmos que aprenden de datos) y utilización de técnicas de cómputo masivamente paralelo.

Curso de profundización en el área de Automatización Industrial. El curso busca confrontar al estudiante en forma independiente a un proyecto de cierta magnitud en el área de la Robótica, el cual deberá afrontar usando las prácticas y herramientas de ingeniería adquiridas durante la carrera y usando adecuadamente los temas introducidos durante el semestre.

 Este curso comprende modelos, métodos y algoritmos sobre máquinas (computadores) que aprenden a partir de su experiencia. Se estudiarán modelos matemáticos de aprendizaje, a partir de los cuales se identificarán y analizarán los elementos fundamentales de este tipo de sistemas desde los puntos de vista estadístico y computacional. A partir del estudio de la teoría se introducirán métodos del estado del arte que hoy en día se utilizan con gran éxito en aplicaciones a problemas reales en clasificación, regresión y aproximación de funciones.

El curso presenta, con una aproximación matemática, los avances recientes más importantes en criptografía, necesarios para resolver problemas en aplicaciones avanzadas. Cubre los prerrequisitos básicos de álgebra (por ejemplo: campos de Galois y curvas elípticas), presenta las definiciones modernas de seguridad y el objetivo principal es presentar protocolos avanzados para cumplir requisitos de privacidad o de trust particulares. El curso no presenta en detalle algunos temas "viejos" de criptografía, como DES, block ciphers, modos de operación; funciones de hash, MACs, funciones de derivación.

Este curso introduce los estudiantes en los pilares teóricos fundamentales de la teoría de aprendizaje estadístico como marco teórico de la minería de datos (el problema de aprendizaje o machine learning, el compromiso entre sesgo y varianza, aproximación y error, riesgo, consistencia, regularización, complejidad, etc.) Paralelamente se van aprender las principales técnicas de minería de datos (método de vecindades, redes neuronales,  redes bayesianas, árboles,  boosting, cross validation, máquinas de vectores de soporte, clustering, reglas de asociación, minería de texto, etc.) a través de ejemplos y problemas que los estudiantes deberán implementar y resolver haciendo uso de un computador y, en lo posible, resolviendo problemas que sean de su interés (análisis de datos de redes sociales, reconocimiento de caracteres, extracción de señales, pronósticos, clasificación de clientes, alertas de fraude, anomalías, etc.)..

El curso tiene como objetivo introducir al estudiante en el área del procesamiento y análisis de imágenes por computador como punto de entrada a las aplicaciones de estas técnicas en problemáticas reales multidisciplinarias en el área biomédica. El estudiante logrará al finalizar el curso un conocimiento de los conceptos y las técnicas básicas de procesamiento de imágenes y del trabajo de análisis que se puede lograr con ellas. Se pretende que el estudiante desarrolle criterios que le permitan decidir sobre la aplicabilidad de estas técnicas en una situación particular.

This is a first course in Information Theory. This course builds on material developed in a basic probability course, but the most important requirement is mathematical maturity. The course has two explicit goals, namely to answer the following two (related) questions:

How efficiently can data be compressed?
How efficiently can data be transmitted in the presence of noise?

At the end of the course, students will have the mathematical tools to answer the above questions, as well as have a general understanding of the mathematics underpinning modern communications systems. More specifically, the main ideas we hope to cover during the course are entropy and mutual information of random variables, data compression, coding theory, and channel capacity.

Este curso de nivel de posgrado tiene como objetivo introducir los conceptos básicos y avanzados de la visión por computador, las técnicas en niveles prácticos y teóricos, y la revisión del estado del arte en las principales áreas de esta disciplina. El estudiante estará expuesto a los diferentes aspectos del ciclo de investigación creativa en visión por computador y estará familiarizado con las herramientas matemáticas y computacionales necesarias para realizar investigación a nivel de posgrado en visión por computador. Adicionalmente, los estudiantes desarrollarán criterios para determinar la aplicabilidad de la visión por computador en aplicaciones multidisciplinarias del mundo real.

Este curso de nivel de posgrado tiene como objetivo introducir los conceptos básicos y avanzados de la visión por computador, las técnicas en niveles prácticos y teóricos, y la revisión del estado del arte en las principales áreas de esta disciplina. El estudiante estará expuesto a los diferentes aspectos del ciclo de investigación creativa en visión por computador y estará familiarizado con las herramientas matemáticas y computacionales necesarias para realizar investigación a nivel de posgrado en visión por computador. Adicionalmente, los estudiantes desarrollarán criterios para determinar la aplicabilidad de la visión por computador en aplicaciones multidisciplinarias del mundo real.

Artificial intelligence (AI) for social sciences allows the study of social phenomena using data-driven methods to generate insight from large-scale, digital trace data. Data of human traces has become abundant in the digital age, as human and machine agents interact to build increasingly complex, diverse, and interdependent systems. For example, people connect and interact through online social networks, allowing them to participate in various social activities and thereby enables new managerial insights. In this course, we will attend to these prospects and challenges of AI for businesses and organizations, as well as to innovative use cases. Key aspects include the use of novel (often unstructured) datasets, scaling analyses to large-scale datasets with large population sizes, and using AI to generate new insights for social sciences and improve decision-making for the better of society. Among others, we will answer specific questions of immediate impact in our course (e.g., How can AI help reaching the United Nations’ Sustainable Development Goals? How can explainable AI help in management decision-making?).

La ciencia de datos (Data Science) se empieza a posicionar en el centro de todas las áreas técnicas y científicas, dentro y afuera del ámbito académico. El curso de Introducción a la Ciencia de Datos presenta un panorama general de los principios y técnicas computacionales básicas para una persona que desea iniciarse en la Ciencia de Datos. Para esto se propone profundizar sus conocimientos en dos áreas: estadística descriptiva algoritmos para extraer patrones en conjuntos de datos. Se asume que los estudiantes de este curso ya tienen conocimientos básicos en métodos computacionales equivalentes al nivel del curso Métodos Computacionales (FISI-2028) del antiguo pensum de la carrera de Física, o Métodos Computacionales 2 del nuevo pénsum. El lenguaje de programación será Python.