Big Data e inteligencia territorial


Contenidos Curriculares

El programa de estudios consta de 7 módulos a recorrer durante 8 meses. Ha sido diseñado para brindar una formación práctica en técnicas modernas de análisis territorial basado en la computación de grandes volúmenes de datos. A su vez, los/as graduados/as contarán con un marco teórico desde el cual fundamentar y elegir la técnica más apropiada para cada contexto.

I. Inteligencia Territorial

Nociones fundamentales: Geografía, territorio, lugar y región.
Diferenciación geográfica y determinación contextual
Relaciones espaciales y sociales. Big data y análisis espacial
Dependencia, clusterización y autocorrelación espacial.
Interacción espacial y complejidad: flujos materiales y de información.

II.    Introducción a la Ciencia de Datos

Conociendo R, el lenguaje de programación para análisis y visualización de datos.
Análisis exploratorio: cómo abordar el análisis inicial de datos
Visualización de la información: aprendiendo una gramática gráfica para representar en forma visual información compleja.
Predicción basada en datos: generación, evaluación y comparación de modelos estadísticos.

III.    Ciencia de Datos Geográfica

Manejo de información geográfica: formatos, sistemas de coordenadas, proyecciones.
Detectando patrones espaciales y temporales mediante la visualización de datos geográficos.
Mapas interactivos y publicación de mapas online.
Modelado estadístico espacial.

IV.    Principios de Estadística Computacional

Muestras, probabilidad, aleatoriedad. Distribuciones de Probabilidad.
Esperanza, Varianza y momentos. Distribución Empírica. Convergencia.
Ley de los Grandes Números y  Teorema Central del Límite.
Métodos de Remuestreo. Test de hipótesis.

V.    Geoestadística

Introducción a la Estadística Espacial.
Dependencia espacial y autocorrelación.
Elaboración de modelos de datos geoestadísticos.
Técnicas de análisis espacio temporal.

VI.    Machine Learning en Aplicaciones Espaciales

Modelos de aprendizaje automático: fundamentos conceptuales, diferencias con el enfoque estadístico tradicional.
Problemas de clasificación y regresión.
Aprendizaje supervisado y no supervisado. Modelos simples y ensambles de modelos.
Consideraciones para el diseño de modelos de aprendizaje automático con datos espaciales

VII.    Inteligencia Territorial para la Gestión

La IT como herramienta para el diseño y evaluación de políticas públicas basadas en evidencia.
Modelos de Delivery Unit o CitiStat para cumplir prioridades de gobierno.
Análisis predictivo aplicado en la gestión territorial.
Técnicas, desafíos y límites para el uso de evidencia en el proceso decisorio.