El curso Ciencia de Datos para Políticas Públicas está diseñado para proveer entrenamiento y experiencia a los estudiantes en resolver problemas reales enfocados en políticas públicas y bienestar social, usando machine learning.
A lo largo de las clases, discusiones, lecturas y proyectos, los estudiantes aprenderán y experimentarán la construcción sistemas end-to-end de machine learning , empezando con la definición del proyecto y scoping, pasando por modelado, validación de campo y convertir el análisis en acción.
Durante el curso, estudiantes desarrollarán habilidades en formulación de problemas, trabajar con datos sucios, comunicar los resultados del sistema de machine learning con stakeholders no técnicos, discutirán sobre la interpretación del modelo, entenderán disparidades y bias algorítmico y como mitigar sus efectos, y evaluarán el impacto de los modelos puestos en producción.
| Adolfo De Unánue |
|---|
 |
| Horas de oficina: Jue y Vie 12:00-13:15pm |
| Date | Class | Tema |
|---|---|---|
| 2020-01-25 Sat | 1 | Introducción al curso |
| 2020-01-25 Sat | 2 | Project Scoping |
| 2020-01-27 Mon | 3 | Casos de Estudio |
| 2020-01-29 Wed | 4 | Adquisición de datos, Privacidad y Record Linkage |
| 2020-02-03 Mon | Aniversario de la Constitución Mexicana | |
| 2020-02-10 Mon | 5 | Exploración de datos |
| 2020-02-12 Wed | 6 | Pipeline de ML |
| 2020-02-17 Mon | 7 | Formulación Analítica y la importancia del baseline |
| 2020-02-17 Mon | Propuesta del proyecto, con scoping y estadística descriptiva | |
| 2020-02-19 Wed | 8 | Deep-dive |
| 2020-02-24 Mon | 9 | Feature Engineering e Imputación |
| 2020-02-24 Mon | Peer-reviews de tres propuestas de proyectos | |
| 2020-02-26 Wed | 10 | Deep-dive |
| 2020-03-02 Mon | 11 | Escogiendo Métricas de desempeño y Evaluación de Clasificadores I |
| 2020-03-02 Mon | Plan técnico de ML | |
| 2020-03-04 Wed | 12 | Deep-dive |
| 2020-03-09 Mon | 13 | Escogiendo Métricas de desempeño y Evaluación de Clasificadores II |
| 2020-03-11 Wed | 14 | Deep-dive |
| 2020-03-16 Mon | Natalicio de Benito Juárez | |
| 2020-03-18 Wed | 15 | Overfitting, Leakage e Isssues in Deployment |
| 2020-03-23 Mon | 16 | Model Interpretability I |
| 2020-03-25 Wed | Lista detallada de features | |
| 2020-03-25 Wed | 17 | Deep-dive |
| 2020-03-30 Mon | 18 | Model Interpretability II |
| 2020-04-01 Wed | 19 | Deep-dive |
| 2020-04-06 Mon–2020-04-10 Fri | Semana Santa | |
| 2020-04-13 Mon | 20 | Algorithmic Bias y Fairness I |
| 2020-04-15 Wed | 21 | Deep-dive |
| 2020-04-20 Mon | 22 | Algorithmic Bias y Fairness II |
| 2020-04-22 Wed | Draft de la sección "propuesta de investigación" | |
| 2020-04-22 Wed | 23 | Deep-dive |
| 2020-04-27 Mon | 24 | Causalidad y Field Validation |
| 2020-04-29 Wed | 25 | Deep-dive |
| 2020-05-04 Mon | 26 | From Analysis to Action, Accountability and Transparency |
| 2020-05-06 Wed | Draft de la sección "diseño de prueba de campo" | |
| 2020-05-06 Wed | 27 | Deep-dive |
| 2020-05-11 Mon | 28 | Presentación final |
| 2020-05-18 Mon | 29 | Reporte final |