El graduado de la Especialización en Ciencias Sociales Computacionales contará con habilidades avanzadas en programación con el lenguaje Python, manejo de estructuras de datos, desarrollo de algoritmos y uso de librerías especializadas para la manipulación y análisis de datos.

Estará capacitado para implementar y gestionar bases de datos tanto relacionales como no relacionales, y poseerá competencias sólidas en análisis estadístico, desde la estadística descriptiva hasta modelos de aprendizaje automático supervisados y no supervisados.

Además, el perfil del graduado incluye habilidades en análisis geoespacial y Procesamiento de Lenguaje Natural (NLP), permitiéndole realizar análisis avanzados en estos campos. Dominará técnicas modernas de manejo de datos, lo que le capacita para afrontar y resolver desafíos sociales complejos mediante soluciones basadas en evidencia y análisis computacional.

Podrás aplicar estos conocimientos tanto en el diseño y evaluación de políticas públicas como en el análisis de datos en sectores privados y académicos. En el ámbito estatal, estas herramientas son clave para abordar problemáticas sociales complejas, mejorar la gestión pública y diseñar estrategias basadas en evidencia que respondan a las necesidades colectivas. Permiten analizar grandes volúmenes de información, interpretar demandas ciudadanas y anticipar tendencias para una toma de decisiones más efectiva e informada.
 
En el sector privado, estas habilidades te preparan para trabajar en el desarrollo de soluciones tecnológicas y en el análisis de datos, integrando las perspectivas de las ciencias sociales en un mundo cada vez más orientado por los datos. En el ámbito académico, facilitan investigaciones innovadoras sobre fenómenos sociales, culturales y económicos. Este programa te capacita para aplicar un enfoque interdisciplinario, contribuyendo a cerrar la brecha entre el análisis de datos y la investigación de los fenómenos sociales contemporáneos.

La modalidad de la cursada será virtual con intercambio de información a través del Campus de la Universidad Nacional Guillermo Brown. 

Se dictarán 2 encuentros semanales sincrónicos.

La cursada asincrónica utilizando las grabaciones subidas al campus es permitida siempre y cuando se cumplan las condiciones de aprobación. 

Título: Especialista en Ciencias Sociales Computacionales 

Metodología de la Investigación en Ciencias Sociales

Formulación de objetivos e hipótesis, enfatizando la importancia de definir metas claras e hipótesis testables para guiar el estudio. Desarrollo de estrategias teórico-metodológicas, donde se introduce a los estudiantes en diferentes paradigmas teóricos y cómo estos influyen en la elección de métodos de investigación. Identificación de diversas fuentes de datos, enseñando cómo seleccionar y evaluar tanto fuentes primarias como secundarias. Profundización en los procesos de medición y operacionalización, presentando técnicas para medir variables y conceptos y convertirlos en datos analizables. Universo y muestra, de estudio y selección de una muestra representativa. Importancia de definir y seleccionar la unidad de análisis adecuada para la investigación. Introduce a los estudiantes en la estadística descriptiva e inferencial, proporcionando las bases para el análisis de datos.

 
Introducción a Python para Ciencias Sociales Computacionales
Introducción al pensamiento computacional aplicado a las ciencias sociales. Introducción a lenguajes de programación. Lógica, algoritmos y secuencialidad. Sintaxis de un programa. Introducción a Python. Variables. Tipos y colecciones de datos.  Estructuración de código. Funciones nativas y propias. Estructuras de control condicional, iterativa y manejo de errores. Librerías y paquetes. Tipos de archivos. Introducción a la librería NumPy para operaciones matemáticas. Uso de librería Pandas para la manipulación de datos. Normalización y limpieza de datos con Pandas.
 
Introducción a Métodos Cuantitativos en Ciencias Sociales
Este módulo se centra en el estudio de diferentes tipos de variables y cómo estas pueden estar relacionadas de manera bivariada o multivariada. Abordaje del control de variables y las pruebas de hipótesis, proporcionando un marco para el análisis cuantitativo. Además, se exploran temas como la probabilidad, las chances, las correlaciones y la regresión lineal. Se introduce a los estudiantes en técnicas avanzadas como el Análisis de Varianza (ANOVA) y el Análisis Factorial, ofreciendo herramientas más sofisticadas para el análisis de datos.
 
Introducción a Modelado de Datos
Diversos tipos de modelos. Trade-offs precisión/interpretabilidad y sesgo/varianza.
Los modelos de regresión: repaso regresiones lineales simples, regresiones múltiples. Modelos de clasificación: regresiones logísticas, LDA y KNN. Cross-validation. La selección de modelos: lasso y ridge. Presentación de los Polinomiales: step, basis, splines. Utilización y uso de librería Scikit-learn para modelado de datos.
 
Introducción a Ingeniería de Datos
Diseño de bases de datos. Principales enfoques de Datawarehouse (Kimball, Inmon). Bases de datos relacionales. Modelo entidad-relación. Principales operaciones en SQL (agregaciones, joins, grupos, transformación de datos).  Manejo de nulos. Vistas, vistas materializadas, CTEs y tablas. Principales bases de datos relacionales (mysql, postgresql). Uso de SQL desde Python (SQLAlchemy). Optimizaciones de bases de datos.   Modelado de datos no relacionales. Principales bases de datos no relacionales (MongoDB, Redis, Cassandra).
 
Introducción a Machine Learning
Este módulo ofrece una introducción completa al aprendizaje automático, abarcando tanto métodos supervisados como no supervisados. Se inicia con una visión general de qué es el aprendizaje automático y cómo se aplica en diferentes campos. Luego, se presentan técnicas específicas como los árboles de decisión, Random Forest y XGBoost, explicando cómo cada una de estas técnicas puede ser utilizada para resolver problemas específicos. Concepto de métodos de ensamble, que combinan múltiples modelos para mejorar el rendimiento. Abordaje del clustering o agrupamiento, que es una técnica de aprendizaje no supervisado. Finalmente, se discuten métodos para la evaluación de modelos, incluyendo métricas como la precisión, el recall y la curva ROC, para asegurar que los modelos generados sean tanto precisos como robustos.
 
Taller de Trabajo Final Integrador:
Este módulo se centra en la aplicación de los conocimientos adquiridos en la especialización a un problema concreto de Ciencias Sociales. Se espera que los estudiantes construyan uno o más modelos para investigar un problema específico de esta disciplina.
 
Seminarios optativos:
 
Visualización de Datos
El presente seminario desarrolla los diversos y variados principios de la visualización de datos. Estrategias de presentación y de visualización: librerías matplotlib y plotly, Tableau y PowerBI. La evaluación y el diseño de dashboards. El procesamiento y la narración de datos (storytelling). El diseño de gráficos efectivos. Análisis y uso de elementos visuales y herramientas de visualización de datos.
 
Webscraping, NLP e introducción a LLM
El curso introduce a los participantes en el uso de herramientas computacionales para recolectar y analizar datos textuales relevantes en investigaciones de ciencias sociales. Se exploran técnicas de web scraping con Selenium para extraer información de sitios web y redes sociales, con un enfoque ético y práctico en temas sociales como política, justicia, y migración. Posteriormente, se aborda el procesamiento de lenguaje natural (NLP) para limpiar, analizar y extraer información de los textos recolectados, incluyendo análisis de sentimientos y modelado de temas. Finalmente, el curso introduce a los Modelos de Lenguaje a Gran Escala (LLM) como BERT y GPT, conectándolos con los análisis previos para clasificar, predecir o profundizar en narrativas sociales. Todo se implementa en Python mediante Google Colab, promoviendo habilidades prácticas y aplicadas en proyectos de investigación social.
 
Sistemas de Información Geográfica
Introducción al tratamiento de información geográfica. Nociones básicas de data georreferenciada: sistemas cartesianos, sistemas proyectivos, Gauss Kruger, Utm. Cartografía digital. Datos geográficos. Definición y características. Componente espacial y temático. Capas. Modelo raster y vectorial. Tipos de datos geográficos utilizados en el análisis de datos: líneas, puntos y polígonos. Análisis urbano y territorial. Inteligencia territorial. Introducción a la estadística espacial. Dependencia espacial y autocorrelación. Modelado de información de comportamiento humano en el territorio. Cartografía y utilización de fuentes nacionales. Infraestructura de Datos Espaciales. Introducción a software específico SIG y a librerías en los lenguajes de programación utilizados.
 
Herramientas para la gestión de datos
Introducción a git. Principales comandos de git. Creación, gestión y documentación de repositorios. Introducción a infraestructura y pipelines de datos. Infraestructura de datos moderna y sus componentes. Conceptos datawarehouse, datalake, lakehouse. ETL. Gobernanza de Datos. Introducción a servicios de nube (AWS, G Cloud, Azure). Introducción a Airflow. Concepto de DAG y principales funcionalidad de Airflow.  Despliegue local de Airflow. Armado de un DAG mínimo.  Entornos virtuales. Testing. Linters y debugging. Github actions. Poetry. Documentación. Datahub. Introducción a APIs y web services.
 

Debés cumplir al menos uno de los siguientes requisitos:

•         Tener título de grado de una institución universitaria nacional o provincial, pública o privada del país reconocida oficialmente de al menos cuatro años de duración.
•         Tener título universitario expedido por una universidad extranjera, que cumpla con lo estipulado por la legislación nacional y por la Universidad Nacional Guillermo Brown.

Para el caso de postulantes cuyos títulos de educación superior pertenezca a una carrera de menos de cuatro años de duración, u otras situaciones no comprendidas en los incisos anteriores, se deberán cumplimentar los requisitos que establezca la Dirección de Carrera y el Comité Académico Asesor, en el marco de los establecido en las normativas universitarias y nacionales vigentes.

Coordinador académico:
Martín Iván Schuster es Magíster en Business Analytics con distinción por University College London (UCL) y Licenciado en Sociología por la Universidad de Buenos Aires (UBA). Cuenta con amplia experiencia en análisis de datos aplicado a management consulting y al diseño y monitoreo de políticas públicas.

Actualmente, es Profesor Asociado en Inteligencia Artificial para Ciencias Sociales en la Universidad Nacional Guillermo Brown (UNAB), donde también dirige la Especialización en Ciencias Sociales Computacionales. Su labor académica se centra en el diseño de módulos sobre modelado de datos, aprendizaje automático y procesamiento de lenguaje natural aplicado a las ciencias sociales.

 
Cuerpo de Profesores:

Julián Ansaldo
Licenciado en Economía (UBA)
Artificial Intelligence Engineer en Collective.AI

Clara Calí Mella
Master in Management and Analytics (UTDT)
Licenciada en Filosofía (UBA)
Senior Analytics and Insights Manager en Bayer

Joaquín Carrascosa
Doctor en Ciencias Sociales (UBA)
Magíster en Investigación en Ciencias Sociales (UBA)
Licenciado en Sociología (UBA)

Sebastián Frittaoni
Maestrando en Explotación de Datos y Descubrimiento del Conocimiento (UBA)
Licenciado en Sociología (UBA)
Data Science Technical Leader en Yape

Bárbara Estévez Leston
Doctora en Ciencias Sociales (UBA)
Magíster en Investigación en Ciencias Sociales (UBA)
Licenciada en Sociología (UBA)
Profesional especializada en INDEC

Florencia Ludueña
Magíster en Ciencia de Datos (UdeSA)
Licenciada en Economía (UBA)
Senior Data Scientist en Telefonica

Paula Luvini
Magíster en Ciencia de Datos (UdeSA)
Licenciada en Economía (UBA)
Data Area Researcher en Fundar

Renzo Polo
Maestría en Minería de Datos (UTN)
Ingeniero en Agrimensura (UNL)
Coordinador de SIG en Ingeap

Transferencia Bancaria o Tarjeta de Crédito a través de QR

1 pago de $ 1.800.000 

DESCUENTOS |ESTUDIANTES UNAB 30%
Si sos alumno de la UNaB, tenés un descuento del 30% sobre el valor del curso. Deberás presentar tu certificado de Alumno regular obtenido a través del Siu Guaraní.

DESCUENTOS |ADMINISTRACIÓN PÚBLICA 20%
Si sos empleado de la Administración Pública , tenés un 20% de descuento sobre el valor total del curso. Deberás presentar una certificación laboral.