Bienvenida
Alumn@s

Datitos NeuroTransmitiendo
 Este documento tiene como objetivo guiar y dar la bienvenida a la comunidad Humai.

Antes de adentrarte en esta lectura, te invitamos a completar esta corta encuesta para conocerte un poco más. En
ella encontrarás, por ejemplo, si querés mantener la misma dirección de mail que usaste para abonar vía
MercadoPago/PayPal como mail de contacto durante toda la cursada.
 Somos una asociación sin fines de lucro formada por
profesionales de la ciencia y la ingeniería para enseñar
tecnología, particularmente ciencia de datos e Inteligencia
Artificial en Argentina y América Latina. Queremos abrir el
camino hacia la democratización de la tecnología por medio de

Sobre Humai
una educación especializada, compartiendo todo el material y
el código de forma libre y gratuita.

Buscamos generar un espacio de aprendizaje continuo y

horizontal, que crezca difundiendo conocimiento y facilitando la
inserción laboral, e impulsar proyectos de datos e IA con
conciencia social y del entorno.
 Un grupo de científicxs de datos que viven y trabajan en
Mendoza, Argentina. Practican la colaboración y ayuda mutua

Sobre Datitos dando una mano a quienes desean meterse en el mundo de la

Ciencia de datos. Además co-organizan eventos locales de
ciencia de datos.

Un grupo originado en en IBYME-CONICET de psicólogos,

Sobre NeuroTransmitiendo docentes, investigadores y estudiantes que se reúnen con un
propósito: comunicar de forma transparente sobre
neurociencias y psicología científica.
 Formación en IA
Desarrollamos un recorrido de cursos para construir a lo largo
de un año completo de formación un perfil profesional en ciencia de
datos y machine learning. Brindamos también la posibilidad de
construir distintas rutas con los cursos orientadas a formar los perfiles
de datos específicos que demanda la industria y la ciencia con IA.
Ampliamos nuestra red de docentes, realizamos alianzas con
organizaciones como Datitos y Neurotransmitiendo para convocar a los
máximos expertos en sus temas especializados.
Cronograma 2022
Marzo Abril Mayo Junio
INTRODUCCIÓN A PYTHON ANÁLISIS DE DATOS MACHINE LEARNING

AUTOMATIZACIÓN Y WEB SCRAPING MATEMÁTICAS PARA IA

Julio Agosto Septiembre Octubre

MACHINE LEARNING NLP INF.
GCPCAUSAL

DEEP LEARNING COMPUTER VISION NEURO + IA

Noviembre Diciembre
NEURO + IA Inferencia Causal
 Roles que formamos con nuestros cursos:

● Desarrollador Python
Este track permite equiparse con herramientas de desarrollo de software que sirven para automatización, procesamiento de
datos, desarrollo de aplicaciones en la nube y backend. En un equipo de IA son herramientas esenciales para recolectar los
datos, acondicionarlos y construir una infraestructura que permita armar una aplicación con impacto en el mundo real.

Introducción a Python (5 clases) → Automatización y Scraping (5 clases) → Ingeniería de Datos con GCP (4 clases)
Total de clases: 14

● Análisis de Python
Comprendemos la importancia fundamental de los datos y su máximo aprovechamiento en todas las disciplinas. Con este
track buscamos dar todas las herramientas claves para formarse en análisis de datos, teniendo en cuenta que es un perfil
versátil por la amplia demanda en distintas áreas empresariales e investigación.

Introducción a Python (5 clases) → Automatización y Scraping (5 clases) → Análisis de Datos (5 clases)

Total de clases: 15
 ● Ciencia de Datos
Este track fue pensado para un perfil íntegro en ciencias de datos teniendo en cuenta la creciente demanda laboral. El avance
en la industria requiere abrir la puerta a la incorporación de más científicos/as de datos. Cada vez más rubros incorporan a sus
productos digitales las capacidades predictivas de los modelos con aplicaciones tan diversas como seguridad y detección de
fraude, segmentación de mercado o asistentes virtuales.

Introducción a Python (5 clases) → Automatización y Scraping (5 clases) → Análisis de Datos (5 clases) →

Matemática para Ciencias de Datos (9 clases) → Machine Learning (11 clases) → Ingeniería de Datos con GCP (4
clases) → Inferencia Causal (4 clases)
Total de clases: 44

● Ingeniería de Aprendizaje Automático

Teniendo en cuenta el avance de la IA en los últimos años y sus distintas aplicaciones cada vez más diversificadas, creamos
este track para un perfil completo en el área. Tenemos en cuenta y damos importancia a mantener actualizado cada curso por
ejemplo en las nuevas aplicaciones de IA que son posibles gracias al deep learning. En este track, se suman al conocimiento
de las técnicas tradicionales, los modelos basados en redes neuronales.

Introducción a Python (5 clases) → Automatización y Scraping (5 clases) → Análisis de Datos (5 clases) →

Matemática para Ciencias de Datos (9 clases) → Machine Learning (11 clases) → Deep Learning (7 clases) → NLP (7
clases) → Computer Vision (6 clases) → Ingeniería de Datos con GCP (4 clases) → Inferencia Causal (4 clases)
Total de clases: 61
 ● Neurociencias Computacionales
Las herramientas basadas en aprendizaje automático están potenciando y en ocasiones revolucionando disciplinas, entre las
cuales no están exentas las ciencias de la salud mental y el estudio de la cognición. Pero particularmente este área ofrece a
cambio al machine learning algo que las demás no: conocimiento y técnicas para su avance. En esta orientación nos
ocupamos de aplicaciones en Psicología, Neurología y Neurociencias,además de ver las bases históricas y los aportes que
estas traen a las redes neuronales artificiales.

Introducción a Python (5 clases) → Análisis de Datos (5 clases) → Matemática para Ciencias de Datos (9 clases) →
Machine Learning (11 clases) → Deep Learning (7 clases) → NLP (7 clases) → Computer Vision (6 clases) → IA en
Psicología y Neurociencias (6 clases)
Total de clases: 57

● Inteligencia Artificial
Es el track más completo e íntegro para estudiar a la IA desde una perspectiva justificada, conociendo tanto la práctica como
la teoría de las redes neuronales y el aprendizaje. Una formación contemplativa para cualquier perfil de datos o profesionales
que busquen profundizar en la investigación con IA.

Introducción a Python (5 clases) → Automatización y Scraping (5 clases) → Análisis de Datos (5 clases) →

Matemática para Ciencias de Datos (9 clases) → Machine Learning (11 clases) → Deep Learning (7 clases) → NLP (7
clases) → Computer Vision (6 clases) → Ingeniería de Datos con GCP (4 clases) → Inferencia Causal (4 clases) →
IA en Psicología y Neurociencias (6 clases)
Total de clases: 68
 Modalidad
● Clases con videos pregrabados, encuentros en vivo,
ejercicios y material complementario
● Material en Github de cada curso
● Grupo de estudio para consultas y proyectos
● Foro abierto para consultas libres
● Posibilidad de acceder a todo el material y clases previos
● Examen final por curso con certificado.
 Grupo de
Estudio
En esta época de tecnologías exponenciales, buscamos
hacer lo mismo con la educación con más aprendizaje
horizontal. Por eso nos comunicamos cotidianamente en
nuestro foro en Discord, y realizamos grupos de
estudios semanalmente completamente abiertos.
 Comunicación
Nuestra manera de mantenernos en contacto
puede ser vía mail (admin@[Link]) y
Discord. Discord puede descargarse tanto en
la computadora, como en un dispositivo

Talleres y Meet-ups móvil. Te recomendamos que te lo descargues

en los dispositivos que más uses. Nuestro
canal “general” es donde se pueden enterar
las novedades de la comunidad Humai. Además
Nuestra meta es que cada estudiante pueda va a existir un canal privado exclusivo para
iniciarse y aprender hasta lograr frutos concretos preguntas y respuestas del curso que estés
de su trabajo con la ciencia de datos. haciendo. Nosotros vamos a estar atentos
Esto puede ser consiguiendo trabajo, emprendiendo todos los días pero también podrás
en un proyecto personal, o incluso escribiendo interactuar con los demás miembros para
artículos. Por eso desarrollamos proyectos en aprender en conjunto. Podés ingresar
conjunto, escribimos publicaciones para clickeando aquí o con el link a la derecha
plataformas sociales, blogs, revistas en [Link].
y congresos científicos.
 Redes
Sociales
En nuestras redes sociales podrás estar al tanto de todas las
novedades que iremos ofreciendo: desde nuevos inicios de
cursos, información general sobre el mundo de la ciencia de
datos, hasta eventos y/o talleres próximos o pasados
guardados. Podés encontrarnos en Facebook, Instagram,
Linkedin, YouTube y Eventbrite.
FECHA DE INICIO 07/03/2022
DIA Y HORARIO DE CURSADA Lunes 18 hs (GMT-3)
DURACIÓN 5 clases (5 semanas)

Introducción a Python
Python se ha convertido en uno de los lenguajes con mayor crecimiento y demanda en el
mercado. Aprender Python es la base para: Analistas de datos, Científicos de datos e IA,
Desarrolladores web y Crear aplicaciones en la nube. Algunas de las ventajas que ofrece aprender
Python en la actualidad tienen que ver con la facilidad para aprender y usarlo, con una comunidad
madura y solidaria, cientos de bibliotecas y marcos de trabajo. Python ofrece versatilidad, eficiencia y
velocidad con un uso cada vez mayor en ámbitos laborales.

- Tipos de datos y estructuras de control: Declaración de variables y

operaciones elementales. Estructuras de datos simples
- Introducción a funciones: Definición de funciones y ejemplos. Problemas reales
resueltos con funciones
- Módulos y librerías: Reutilizar: ¿cómo descargar y construir librerías?
- POO- principios: Programando con clases y objetos
- POO: aplicación: Proyecto integrador para desarrollar en clase. Programando el
Pacman

[Link]/cursos/python
 Introducción a Python
- Agenda -

Fecha Horario Tema

Lunes 7/03 18 hs (GMT-3) Tipos de datos y
estructuras de control
Lunes 14/03 18 hs (GMT-3)
Listas y funciones
Lunes 21/03 18 hs (GMT-3)
Módulos y funciones
Lunes 28/03 18 hs (GMT-3)
Introducción a POO
Lunes 4/04 18 hs (GMT-3)
Aplicación POO
Lunes 11/04 18 hs (GMT-3)
Examen
FECHA DE INICIO 23/03/2022
DIA Y HORARIO DE CURSADA Miércoles 18 hs (GMT-3)
DURACIÓN 5 clases (5 semanas)

Automatización
En este curso vas a aprender a crear, modificar y actualizar directorios, hacer
búsquedas especiales en archivos de texto desorganizados, navegar la Web y extraer
datos automáticamente, y enviar mails, subir archivos a Google Sheets y a bases de datos.
La automatización de procesos en aspectos y tareas mecánicas tiene una repercusión
directa en la optimización de tareas en compañías de distintos rubros, de manera más
eficiente y eliminando la necesidad de atender a tareas obsoletas.

- Automatización I: Automatizando procesos cotidianos con el sistema

operativo. Pyautogui, Os, Regex
- Web Scraping: URLS, HTTP, HTML
- Web Scraping avanzado: APIS, ChromeDevTools
- Web scraping para automatización: Selenium, Xpath
- Automatización II: Outputs, envío de mail, volcado a GSheets y
conexión a base de datos
- Examen

[Link]/cursos/auto
 Automatización
- Agenda -
Fecha Horario Tema
Miércoles 23/03 18 hs (GMT-3) Automatización I: Automatizando
procesos cotidianos con el sistema
operativo. Pyautogui, Os + Regex
Miércoles 30/03 18 hs (GMT-3)
Web Scraping, URLS, HTTP, HTML
Miércoles 6/04 18 hs (GMT-3) Web Scraping avanzado: APIS,
ChromeDevTools
Miércoles 13/04 18 hs (GMT-3) Web Scraping por automatización:
Selenium + XPath
Miércoles 20/04 18 hs (GMT-3) Automatización II: outputs, envío
de mail, volcado a GSheets,
scheduling
Miércoles 27/04 18 hs (GMT-3) Examen
FECHA DE INICIO 12/04/2022
DIA Y HORARIO DE CURSADA Martes 18 hs (GMT-3)
DURACIÓN 5 clases (5 semanas)

Análisis de Datos
Los datos se convierten cada día en elementos más valiosos para el desarrollo tecnológico.
Enseñamos las herramientas esenciales para procesamiento de datos con Python, un paso
fundamental en la construcción de modelos de Machine Learning. Se estudian las librerías
fundamentales de Python para la visualización y manipulación de datos como Pandas o Plotly.
Además se explica la manipulación de datos avanzada: los Principios de Tidy Data, y trabajo con series
de tiempo. En la actualidad, con los desafíos tecnológicos y la creciente incorporación de IA en
distintas disciplinas es fundamental valorar y profundizar en el aprendizaje de análisis de datos.

- Indexación y filtros: Cómo construir data frames en Python, filtrar y empezar

a extraer información
- Agrupamiento: Funciones de agregación e índices jerárquicos
- Joins: Cómo unir distintas tablas
- Data wrangling avanzado: OLAP, OLTP, Tidy Data y técnicas de ordenamiento
- Visualización: Todo tipo de plots con Pandas y Plotly
- Examen

[Link]/cursos/data
 Análisis de Datos
- Agenda -

Fecha Horario Tema

Martes 12/04 18 hs (GMT-3) Indexing
Martes 19/04 18 hs (GMT-3) Pivot table y Joins
Martes 26/04 18 hs (GMT-3) Agrupación y agregación
Martes 3/05 18 hs (GMT-3) Data Wrangling Avanzado
Martes 10/05 18 hs (GMT-3) Visualización
Martes 17/05 18 hs (GMT-3) Examen
FECHA DE INICIO 16/05/2022
DIA Y HORARIO DE CURSADA Lunes y Jueves 18 hs (GMT-3)
DURACIÓN 8 clases (4 semanas)

Matemática para Cs. de Datos

Estos módulos están diseñados para completar los fundamentos matemáticos que se
necesitan para estudiar y profundizar en ciencia de datos y aprendizaje automático. Con la creciente
demanda e interés en aprender IA en distintas disciplinas y con diferentes aplicaciones, entendemos
que es clave poder hacernos de conocimientos específicos de matemáticas que puedan hacer la
diferencia a la hora de formarnos como profesionales competentes en el mercado laboral.

- Algebra lineal:
- Vectores, Matrices, vector * matriz, vector * vector, vector * escalar
- dependencia lineal, similitud coseno
- factorización de matrices, PCA, SVD
- Análisis matemático:
- Funciones
- Derivadas
- Multivariable, SGD
- Métodos numéricos
- Estadística y probabilidad:
- Definiciones, Axiomas, Tendencia Central, Variabilidad
- correlación, Independencia, Bayes, Ley de grandes números, límite central
- Variables aleatorias, PDFs
- Estadística Inferencial, tests
- Regresión lineal

[Link]/cursos/matematicas
 Matemática para Cs. de Datos
- Agenda -
Fecha Horario Tema
Lunes 16/05 18 hs (GMT-3)
Geometría analítica
Jueves 19/05 18 hs (GMT-3)
Espacios vectoriales
Lunes 23/05 18 hs (GMT-3)
Factorización
Jueves 26/05 18 hs (GMT-3) Funciones, derivadas e
integrales
Lunes 30/05 18 hs (GMT-3) Optimización, SGD,
convexidad
Jueves 2/06 18 hs (GMT-3)
Probabilidad
Lunes 6/06 18 hs (GMT-3)
Estadística
Jueves 9/06 18 hs (GMT-3)
Aprendizaje estadístico I
Jueves 13/06 18 hs (GMT-3)
Examen
FECHA DE INICIO 14/06/2022
DIA Y HORARIO DE CURSADA Martes y Jueves 18 hs (GMT-3)
DURACIÓN 11 clases (6 semanas)

Machine Learning

Parte I Parte II
- Introducción a ML: Aprendizaje supervisado y no supervisado. - Métodos supervisados no paramétricos: KNN y árboles
Algoritmos paramétricos y no paramétricos. Train/test split. de decisión. Hiperparámetros. Cross Validation.
Information leak y datos de panel. - Métodos de ensamble: Formulación de Bagging,
- Regresión lineal simple: Resolución matemática y descenso por Boosting y Stacking. Random Forest.
el gradiente. Interpretación de los parámetros. Métricas de - Ensambles de árboles: XGBoost y LightGBM, CatBoost.
evaluación en regresión. - Series de tiempo: ETS, ARIMA y Prophet. Cross
- Regresión lineal múltiple: Multicolinearidad y supuestos de validation sobre series de tiempo.
Gauss Markov - Sistemas de recomendación: Motores de recomendación
- Feature Selection: Métodos de filtro, wrapper y embedded. y detección de anomalías. Factorization Machines e
Regularización. Feature Importance. Isolation Forest.
- Feature Engineering: Interacciones, extracción de features de - Ética y explicabilidad de los modelos: Shap values
texto, transformaciones. Over/undersampling, smote. y sesgo algorítmico
- Regresión logística: Formulación. Métricas de evaluación en
clasificación. Interpretación de los parámetros (odds ratio).

[Link]/cursos/machinelearning
FECHA DE INICIO 14/06/2022
DIA Y HORARIO DE CURSADA Martes y Jueves 18 hs (GMT-3)
DURACIÓN 11 clases (6 semanas)

Machine Learning
El aprendizaje automático o machine learning es un método de análisis de datos que
automatiza la construcción de modelos analíticos. Una rama de la IA basada en la idea de que los
sistemas pueden aprender de los datos, identificar patrones y tomar decisiones con una mínima
intervención humana. El ML hace posible producir de forma rápida y automática modelos que pueden
analizar datos más grandes y complejos y ofrecer resultados más rápidos y precisos, incluso a gran
escala.
En este curso se enseñarán las técnicas más efectivas, cubriendo tanto las intuiciones y la
matemática detrás de los algoritmos como su implementación práctica. Buscaremos desarrollar la
capacidad de los participantes para aplicar estas técnicas a nuevos problemas, detectando posibles
casos de uso y evaluando la factibilidad de abordar distintos desafíos utilizando machine learning.

[Link]/cursos/machinelearning
 Machine Learning
- Agenda -
Fecha Horario Tema
Martes 14/06 18 hs (GMT-3)
Introducción y Regresión lineal simple (RLS)
Jueves 16/06 18 hs (GMT-3) Regresión lineal múltiple y evaluación de
modelos
Martes 21/06 18 hs (GMT-3)
Regularización y feature engineering
Jueves 23/06 18 hs (GMT-3)
Clasificación - Regresión logística
Martes 28/06 18 hs (GMT-3)
Métodos supervisados no paramétricos
Jueves 30/06 18 hs (GMT-3)
Métodos de ensamble (Bagging, Boosting)
Martes 5/07 18 hs (GMT-3)
Boosting de árboles (XGBoost, etc)
Jueves 7/07 18 hs (GMT-3)
Detección de anomalías y shap values
Martes 12/07 18 hs (GMT-3)
Series de tiempo
Jueves 14/07 18 hs (GMT-3)
Aprendizaje no supervisado
Martes 18/07 18 hs (GMT-3)
Sistemas de recomendación
Jueves 21/07 18 hs (GMT-3)
Examen
FECHA DE INICIO 25/07/2022
DIA Y HORARIO DE CURSADA Lunes y Jueves 18 hs (GMT-3)
DURACIÓN 6 clases (3 semanas)

Aprendizaje Profundo
(Deep Learning)
Las ventajas del Deep Learning son aplicables a cualquier sistema basado en
datos. Es por eso que la mayoría de los sectores económicos ya cuentan con procesos
de IA para mejorar sus servicios y desempeño. El Deep Learning también es
responsable de varios procesos tecnológicos relacionales a nivel de usuario. Este curso
contempla el conjunto de modelos responsables por los impresionantes resultados
actuales en campos como generación de texto artificial y reconocimiento de imágenes.

Veremos los conceptos y técnicas elementales incluyendo:

- Funciones de pérdida
- Técnicas de regularización
- Perceptrón multicapa
- Algoritmo de backpropagation
- Diferenciación automática
- Descenso por el gradiente estocástico
- Algoritmos de optimización.

[Link]/cursos/deep
 Deep Learning
- Agenda -

Fecha Horario Tema

Lunes 25/07 18 hs (GMT-3)
Introducción, motivación y bienvenida
Jueves 28/07 18 hs (GMT-3) Redes neuronales de una capa
Lunes 1/08 18 hs (GMT-3)
Redes neuronales de multicapa
Jueves 4/08 18 hs (GMT-3)
MLP a medida
Lunes 8/08 18 hs (GMT-3)
Selección de modelos
Jueves 11/08 18 hs (GMT-3)
Algoritmos de optimización acelerados
Martes 16/08 18 hs (GMT-3) Examen
FECHA DE INICIO 22/08/2022
DIA Y HORARIO DE CURSADA Lunes y Jueves 18 hs (GMT-3)
DURACIÓN 7 clases (4 semanas)

Procesamiento de
Lenguaje Natural (NLP)
El estudio del procesamiento del lenguaje natural existe desde hace más de
50 años y surgió del campo de la lingüística con el auge de las computadoras. El
procesamiento del lenguaje natural (NLP), se entiende como la manipulación
automática del lenguaje natural, como el habla y el texto. Dada la importancia de este
tipo de datos, profundizamos en métodos para comprender y razonar sobre el lenguaje
natural, al igual que lo hacemos para otros tipos de datos.
En esta unidad introduciremos las redes neuronales recurrentes (RNNs),
modelos que explotan la estructura temporal o secuencial de los datos, usados
comúnmente para el procesamiento de lenguaje natural y la predicción de series
temporales. Una nueva clase de modelos que emplean una técnica llamada
mecanismos de atención han desplazado a las RNNs en el procesamiento de lenguaje
natural.

[Link]/cursos/lenguaje
Procesamiento de Lenguaje Natural (NLP)
- Agenda -
Fecha Horario Tema
Lunes 22/08 18 hs (GMT-3)
Intro a NLP
Jueves 25/08 18 hs (GMT-3)
Arquitecturas RNNs modernas
Lunes 29/08 18 hs (GMT-3)
Embeddings
Jueves 1/09 18 hs (GMT-3)
Aplicaciones de RNN
Lunes 5/09 18 hs (GMT-3)
Mecanismos de atención, Atención en RNNs
Jueves 8/09 18 hs (GMT-3)
Transformers
Lunes 12/09 18 hs (GMT-3)
Aplicaciones de BERT
Jueves 15/09 18 hs (GMT-3)
Examen
FECHA DE INICIO 19/09/2022
DIA Y HORARIO DE CURSADA Lunes y Jueves 18 hs (GMT-3)
DURACIÓN 7 clases (4 semanas)

Procesamiento de Imágenes
(Computer Vision)
Computer Vision es una subcategoría de la IA enfocada en construir y usar
sistemas digitales para procesar, analizar e interpretar datos visuales. Permite que los
dispositivos informáticos identifiquen correctamente un objeto o una persona en una
imagen digital y tomen las medidas adecuadas.
El procesamiento de imágenes tiene distintas aplicaciones interdisciplinarias
como ser gestión de acceso biométrico, robots industriales y vehículos autónomo,
diagnóstico digital o realidad aumentada. Nos enfocaremos en técnicas modernas de
aprendizaje profundo.

- Redes neuronales convolucionales (CNNs) para el procesamiento de

imágenes
- Simple LeNet hacia arquitecturas más recientes como ResNet.
- Técnicas de transfer learning y fine-tuning
- Redes generativas antagónicas (GANs).

[Link]/cursos/imagen
Procesamiento de Imágenes (Computer Vision)
- Agenda -
Fecha Horario Tema
Lunes 19/09 18 hs (GMT-3)
Intro a CV
Jueves 22/09 18 hs (GMT-3) Redes convolucionales (CNNs)
Lunes 26/09 18 hs (GMT-3) Arquitecturas CNNs modernas
Jueves 29/09 18 hs (GMT-3) Transferencia de
conocimiento
Lunes 3/10 18 hs (GMT-3) Detección de objetos
Jueves 6/10 18 hs (GMT-3) Segmentación semántica
Martes 11/10 18 hs (GMT-3) Modelos generativos, VAEs
Jueves 13/10 18 hs (GMT-3) Examen
FECHA DE INICIO 19/10/2022
DIA Y HORARIO DE CURSADA Miércoles 18 hs (GMT-3)
DURACIÓN 6 clases (6 semanas)

IA en Psicología y
Neurociencias
Las herramientas basadas en aprendizaje automático están potenciando y
frecuentemente revolucionando disciplinas, entre las cuales no están exentas las ciencias de la
salud mental y la cognición. Sin embargo, particularmente esta área ofrece a cambio al machine
learning algo que las demás no: conocimiento y técnicas para su propio avance. Por eso en este
módulo nos ocupamos de aplicaciones en Psicología, Neurología y Neurociencias,además de ver
las bases históricas y los aportes que estas traen a las redes neuronales artificiales.

- Datos estructurados + Shallow ML: Aplicación a psicología de la

personalidad y economía del comportamiento. Interpretabilidad
- CV: estimación de pose, comportamiento social, reconocimiento de
emociones, reconocimiento facial. Feature extraction con redes
pre-entrenadas.
- NLP: topic modeling, sentiment analysis, diagnóstico por discurso.
- BioImágenes: procesamiento de señales periféricas con ML
- Intro a BCIs: Intro general, aplicación con EEG Emotiv
- Neurociencias Cognitivas Computacionales: Deep Learning como modelo del
cerebro, teorías integrativas, psicología artificial (empatía, influencia
social, curiosidad), psicometría para modelos de DL.

[Link]/cursos/neuro
 IA en Psicología y Neurociencias
- Agenda -

Fecha Horario Tema

Miércoles 19/10 18 hs (GMT-3)
Datos estructurados + Shallow ML
Miércoles 26/10 18 hs (GMT-3) Aplicaciones de Computer Vision
Miércoles 2/11 18 hs (GMT-3) Procesamiento de Lenguaje
Miércoles 9/11 18 hs (GMT-3)
Bioimágenes, Periféricas
Miércoles 16/11 18 hs (GMT-3) Introducción a interfaces
cerebro-computadora
Miércoles 23/11 18 hs (GMT-3)
Neurociencias Cognitivas Computaciones
Miércoles 30/11 18 hs (GMT-3) Examen
FECHA DE INICIO 21/10/2022
DIA Y HORARIO DE CURSADA Viernes 18 hs (GMT-3)

Ingeniería de Datos con GCP

DURACIÓN 4 clases (4 semanas)

La materia prima para el análisis y el machine learning son claramente los datos. Por eso, los
ingenieros de datos cumplen un rol fundamental para el despliegue de estas herramientas en la
industria, y son de los perfiles más demandados en el mercado al día de hoy. Al mismo tiempo,
el cloud computing desplazó en popularidad y uso a las tecnologías de almacenamiento local y
data warehouse in house, poniendo a los conocimientos ofrecidos en este curso en una
intersección de auge y utilidad.
Entre los principales proveedores de servicios cloud (como AWS y Azure), Google
Cloud Platform goza de la integración con innumerables servicios de Google y es una de las
alternativas más buscadas por los desarrolladores.

- Introducción a GCP y conceptos generales de la nube

- BigQuery, bases de datos columnares, optimización de consultas
- Data Studio, AI Platform (Vertex) e integración con otros
servicios de GCP
- Fast API

[Link]/cursos/gcp
 Ingeniería de Datos con GCP
- Agenda -

Fecha Horario Tema

Viernes 21/10 18 hs (GMT-3) Introducción a GCP y conceptos generales
de la nube
Viernes 28/10 18 hs (GMT-3) BigQuery, bases de datos columnares,
optimización de consultas
Viernes 4/11 18 hs (GMT-3) Data Studio, AI Platform (Vertex) e
integración con otros servicios de GCP
Viernes 11/11 18 hs (GMT-3)
Fast API
Viernes 18/11 18 hs (GMT-3) Examen
FECHA DE INICIO 23/11/2022
DIA Y HORARIO DE CURSADA Miércoles 18 hs.(GMT-3)
DURACIÓN 4 clases (4 semanas)
Inferencia Causal
Establecer relaciones causales es esencial no solamente para entender el mundo que nos rodea,
sino también para actuar en él. Las decisiones de política o científicas muchas veces giran en
torno a preguntas causales: ¿cuál fue el impacto de alguna política sobre el resultado que se
buscaba? ¿Las vacunas disminuyen la probabilidad de hospitalización? Sin embargo, los modelos
de Machine Learning no estiman relaciones causales sino que predicen en base a correlaciones, y
pueden ser engañosos. Este curso trata de cuándo y cómo es posible extraer conclusiones
causales a partir de los datos con los que contamos. Si esto fuera poco, saber de causalidad
también sirve para ganar premios Nobel en economía: en 2011 lo ganaron Angrist e Imbens por
“sus contribuciones metodológicas al análisis de relaciones causales”.

- Causalidad, correlaciones espurias, subestimar o sobreestimar y

Paradoja de Simpson con ejemplo práctico. Problemas en la
industria y “actionable insights”. Confounder. Principio de
Reichenbach. Potential Outcomes. Problema fundamental de la
inferencia causal. ITE, ATE, SUTVA.
- Modelos gráficos: grafo, caminos en un grafo, padres, hijos,
descendientes, antecesores. Redes bayesianas y modelos causales.
Collider bias. Backdoor adjustment
- Estimado efectos causales: Diferencias de medias y p-valores,
balanceo de características. Datos observacionales. Variables
instrumentales y experimentos como instrumentos. Paneles y DID.
Control sintético. Regresión discontinua.

[Link]/cursos/causalidad
 Inferencia Causal
- Agenda -

Fecha Horario Tema

Miércoles 23/11 18 hs (GMT-3)
Motivación y pantallazo
Miércoles 30/11 18 hs (GMT-3)
Modelos gráficos de causalidad
Miércoles 7/12 18 hs (GMT-3)
Estimando efectos causales
Miércoles 14/12 18 hs (GMT-3)
Aplicaciones y vistazos
Miércoles 21/12 18 hs (GMT-3) Examen
Esperamos que tengas un excelente comienzo.

¡Bienvenid@ a la comunidad Humai!