Diplomado en Ciencia de datos para políticas públicas

Docente(s): José Conejeros

Unidad académica responsable: Escuela de Gobierno

Requisitos: sin prerrequisitos

Créditos: 2

Horas totales: 36 | Horas directas: 24 | Horas indirectas: 12

Descripción del curso 

Este curso proporcionará a los participantes las habilidades necesarias para llevar a cabo investigaciones efectivas en el ámbito de la política pública utilizando métodos de ciencia de datos. A lo largo del curso, los estudiantes aprenderán a identificar tipos de datos apropiados para diferentes preguntas de investigación, a evaluar las ventajas y desventajas de diversos métodos empíricos, y a aplicar técnicas de análisis estadístico para abordar problemas políticos. Los contenidos incluyen una introducción a la programación orientada a la política pública, técnicas de manipulación de datos, web scraping y el uso de APIs, así como análisis de redes sociales, datos geográficos y análisis automatizado de texto. Este curso equipará a los participantes con las herramientas necesarias para abordar desafíos políticos y sociales complejos utilizando enfoques basados en datos.

Resultados de aprendizaje 

1. Identificar tipos de datos para distintas preguntas de investigación.
2. Identificar ventajas y desventajas de distintos métodos empíricos.
3. Aplicar métodos de ciencia de datos utilizando análisis estadístico

Contenidos: 

• Introducción a la programación para la política pública
• Manipulación de datos
• Web scrapping y APIs
• Análisis de redes sociales
• Análisis de datos geográficos
• Análisis automatizado de texto

Estrategias metodológicas

• Cátedras
• Discusión de ejemplos y problemas aplicados
• Ejercicios prácticos
• Exposición de expertos
• Trabajos grupales

Estrategias evaluativas

• 2 tareas individuales (50% c/u). Cada tarea consistirá en una aplicación de los métodos analizados en clases, aplicados a un problema de políticas públicas en particular (el mismo para todas las tareas).

Docente(s):Vicente Calisto

Unidad académica responsable: Instituto de Ingeniería Matemática y Computacional

Requisitos: sin prerrequisitos

Créditos: 2

Horas totales: 36 | Horas directas: 24 | Horas indirectas: 12

Descripción del curso 

Este curso ofrece una introducción exhaustiva a la gestión efectiva de datos utilizando R como herramienta principal, combinada con consultas SQL para la manipulación y depuración de datos. Desde la extracción hasta la depuración final, los participantes adquirirán habilidades para administrar datos de manera eficiente, garantizando su calidad y utilidad en la investigación científica.

Resultados de aprendizaje

1. Comprender el ciclo de vida del dato y su importancia en la investigación científica.
2. Dominar el uso de R para la manipulación y análisis de datos.
3. Aplicar el modelo entidad-relación en el diseño de bases de datos.
4. Dominar el lenguaje SQL para consultas y manipulación de datos.
5. Integrar R y SQL para realizar data wrangling y limpieza de datos.
6. Evaluar y mejorar la calidad de los datos utilizando criterios como validez, exactitud, consistencia y completitud.
7. Desarrollar habilidades para depurar datos de manera eficiente utilizando herramientas específicas.

Contenidos: 

• Ciclo de vida del dato para la investigación científica
• R para el manejo de datos
• Modelo Entidad-Relación
• Lenguaje de consulta SQL
• Data wrangling: R + SQL
• Dimensiones de calidad de datos: validez, exactitud, consistencia y completitud
• Depuración de datos en R
• Herramientas para depuración de los datos

Estrategias metodológicas

• Cátedras
• Discusión de ejemplos y problemas aplicados
• Ejercicios prácticos
• Trabajos grupales

Estrategias evaluativas

• 2 Tareas individuales (50% c/u). Cada tarea consistirá en una aplicación de los métodos analizados en clases, aplicados a un problema de políticas públicas.

Docente(s): Cristian Paris

Unidad académica responsable: Instituto de Ingeniería Matemática y Computacional

Requisitos: sin prerrequisitos

Créditos: 2

Horas totales: 36 | Horas directas: 24 | Horas indirectas: 12

Descripción del curso 

El análisis de datos, su visualización y la creación de modelos predictivos a partir de ellos constituyen poderosas herramientas para la evaluación de políticas públicas. El propósito de este curso es entregar a los alumnos conocimientos y herramientas relacionadas con la Teoría del Aprendizaje, modelos de Machine Learning y técnicas de visualización, que les permitan abordar diversos problemas en el ámbito de las políticas públicas, a la par de proporcionarles una base sólida sobre la cual profundizar sus conocimientos en el futuro. La metodología utilizada combina clases expositivas presentando la teoría matemática, con énfasis en sus aplicaciones, las cuales se complementan con las actividades prácticas del curso Taller 2.

Resultados de aprendizaje 

1. Comprender cuándo, cómo, y por qué las técnicas sofisticadas de análisis de datos pueden ser relevantes para tomar decisiones basadas en datos.
2. Analizar datos para agruparlos según características comunes, descubrir patrones o anomalías en ellos, o detectar asociaciones.
3. Aplicar métodos de clasificación y regresión basada en técnicas de machine learning para resolver problemas complejos sin necesidad de explicitar las instrucciones.
4. Implementar formas eficaces de visualizar y comunicar los datos para la toma de decisiones.

Contenidos: 

• Introducción: ejemplos y métodos de análisis y visualización de datos  
• Elementos de Teoría de Aprendizaje: selección de modelos, complejidad, generalización, descomposición del error y clasificación
• Machine learning: redes neuronales, máquinas de soporte vectorial.
• Minería de datos: clustering, patrones más frecuentes, reglas de asociación.
• Visualización de datos: conceptos y tecnologías fundamentales.

Estrategias metodológicas

• Cátedras
• Discusión de ejemplos y problemas aplicados
• Ejercicios prácticos
• Trabajos grupales

Estrategias evaluativas

• 2 Tareas individuales (50% c/u). Cada tarea consistirá en una aplicación de los métodos analizados en clases, aplicados a problemas de políticas públicas.

Docente(s): Pablo Celhay

Unidad académica responsable: Escuela de Gobierno

Requisitos: sin prerrequisitos

Créditos: 23

Horas totales: 36 | Horas directas: 24 | Horas indirectas: 12

Descripción del curso 

Este curso proporcionará a los participantes las herramientas necesarias para evaluar críticamente políticas públicas utilizando métodos rigurosos de evaluación de impacto. Los estudiantes aprenderán a aplicar el concepto de escenario contrafactual para analizar el impacto de políticas públicas en Chile, evaluando la calidad de la evidencia empírica presentada en diversos medios. Además, se explorarán diferentes métodos para la evaluación de impacto, incluyendo regresión bivariada, regresión múltiple, DAGS y variables instrumentales, experimentos aleatorios, regresión discontinua, matching y aprendizaje de máquina e inferencia causal. Al final del curso, los participantes serán capaces de entender los diseños de evaluación de impacto, así como de presentar públicamente los resultados de una evaluación de impacto real, proporcionando argumentos sólidos a favor y en contra de la calidad de la evaluación realizada.

Resultados de aprendizaje 

1. Aplicar el concepto de escenario contrafactual para la evaluación de políticas públicas.
2. Evaluar la calidad de la evidencia empírica presentada en distintos medios sobre el impacto de las principales políticas públicas en Chile.
3. Identificar distintos métodos para preguntas de evaluación de impacto.
4. Elaborar un diseño de evaluación de impacto de una política pública utilizando al menos dos de los métodos revisados en clase.
5. Presentar públicamente resultados de un ejemplo real de evaluación de impacto y presentar argumentos a favor y en contra de la calidad de la evaluación.

Contenidos: 

• Regresión Bivariada 
• Regresión Múltiple: Sesgo por variable omitida
• Variables Instrumentales
• Experimentos Aleatorios y Regresión Discontinua
• Matching y Aprendizaje de Máquina e Inferencia Causal 

Estrategias metodológicas

• Cátedras
• Discusión de ejemplos y problemas aplicados
• Ejercicios prácticos
• Exposición de expertos
• Trabajos grupales

Estrategias evaluativas

• 2 Tareas individuales (50% c/u). Cada tarea consistirá en una aplicación de los métodos analizados en clases, aplicados a un problema de políticas públicas en particular (el mismo para todas las tareas).

Docente(s): José Conejeros

Unidad académica responsable: Escuela de Gobierno

Requisitos: sin prerrequisitos

Créditos: 3

Horas totales: 48 | Horas directas: 24 | Horas indirectas: 24

Descripción del curso 

Este taller tiene como objetivo capacitar a los participantes en la identificación y formulación de preguntas específicas de investigación aplicadas en políticas públicas. A lo largo del curso, los estudiantes aprenderán a formular hipótesis dentro del marco de estas preguntas específicas y a analizar bases de datos relevantes para abordarlas. Los contenidos incluyen la aplicación de técnicas de manipulación de datos, web scraping y el uso de APIs, así como análisis de redes sociales, datos geográficos y análisis automatizado de texto. Al final del curso, los participantes estarán equipados con las habilidades necesarias para abordar problemas políticos y sociales complejos a través de la investigación aplicada en políticas públicas.

Resultados de aprendizaje 

1. Identificar una pregunta específica de investigación aplicada en políticas públicas.
2. Formular hipótesis en el marco de una pregunta específica.
3. Analizar bases de datos para una pregunta específica.

Contenidos:

• Aplicaciones de 
• Manipulación de datos
• Web scrapping y APIs
• Análisis de redes sociales
• Análisis de datos geográficos
• Análisis automatizado de texto

Estrategias metodológicas

• Discusión de ejemplos y problemas aplicados
• Ejercicios prácticos
• Trabajos grupales

Estrategias evaluativas

Los alumnos deberán realizar un trabajo grupal a lo largo de todo el diplomado, enfocándose en un problema de políticas públicas específico (uno por grupo) que se asignará en el diplomado. Los alumnos podrán proponer una alternativa si así lo desean que será evaluada por los profesores para ver factibilidad. En este trabajo los alumnos deberán aplicar los conocimientos adquiridos durante todo el diplomado, y serán evaluados de la siguiente manera:

• Nota de avance 1 (50%).
• Nota de avance 2 (50%).

Docente(s): Francisco Alessandri

Unidad académica responsable: Instituto de Ingeniería Matemática y Computacional

Requisitos: sin prerrequisitos

Créditos: 3

Horas totales: 48 | Horas directas: 24 | Horas indirectas: 24

Descripción del curso 

El taller se centra en la aplicación práctica de los conceptos y habilidades adquiridos en los cursos de Gestión de Datos y Análisis y Visualización de Datos. Los participantes explorarán ejemplos, ejercicios y casos de estudio para integrar y analizar datos de manera efectiva.

Resultados de aprendizaje 

1. Integrar y aplicar de manera efectiva los conocimientos y habilidades adquiridos en los cursos de Gestión de Datos y Análisis y Visualización de Datos.
2. Desarrollar habilidades de programación en R y SQL.
3. Aplicar conocimiento a problemas del mundo real utilizando técnicas avanzadas de análisis de datos.
4. Comunicar de manera efectiva los resultados del análisis a través de visualizaciones avanzadas e interactivas.

Contenidos: 

• R para el manejo de datos
• Transformación de datos
• SQL
• Integración de R y SQL
• Algoritmos de regresión en R
• Algoritmos de clasificación en R
• Redes Neuronales en R
• Evaluación de algoritmos de Machine Learning
• Ajuste de hiperparámetros

Estrategias metodológicas

• Discusión de ejemplos y problemas aplicados
• Ejercicios prácticos
• Trabajos grupales

Estrategias evaluativas

Los alumnos serán evaluados a través de dos trabajos grupales que permitirán aplicar los conocimientos adquiridos durante el taller de Análisis de Datos 2, Gestión de datos y Análisis y Visualización de datos. Estos trabajos proporcionarán una oportunidad para trabajar en equipo, enfrentar desafíos del mundo real y demostrar la comprensión y habilidades adquiridas en el curso.

• Nota de avance 1 (50%).
• Nota de avance 2 (50%).