Cursos#
Todos los cursos se rigen bajo los aspectos generales descritos a continuación.
DOCENTE RESPONSABLE.— Los cursos están a cardo de:
CREDITOS PARA ASIGNATURAS DE POSGRADO.— Cuatro (4) que corresponden a un total de 196 horas por semestre, o equivalentemente un promedio de 12 horas semanales (3 en el aula de clase más 9 horas de trabajo independiente) durante 16 semanas.
CREDITOS PARA ASIGNATURAS DE PREGRADO.— Tres (3) que corresponden a un total de 147 horas por semestre, o equivalentemente un promedio de 9 horas semanales (3 en el aula de clase más 6 horas de trabajo independiente) durante 16 semanas.
CONCEPTOS PREVIOS NECESARIOS.— Todos los cursos son autocontenidos, pero la experiencia previa en programación es deseable.
BIBLIOGRAFIA.— La bibliografía recomendada para los cursos es la siguiente:
Jeroen Janssens, 2015, Data Science at the Command Line, O’Reilly.
Joel Grus, 2015, Data Science from Scratch, O’Reilly.
Samir Madhavan, 2015, Mastering Python for Data Science, Packt.
Nina Zumel, John Mount, 2014, Practical Data Science with R, Manning.
Alberto Boschetti, Luca Massaron, 2015, Python Data Science Essentials.
Dan Toomey, 2014, R for Data Science.
Nishant Shukla, 2018, Machine Learning with TensorFlow, Manning.
Nick McClure, 2017, TensorFlow Machine Learning Cookbook, Packt.
Aurélien Géron, 2017, Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems, O’Really.
Bharath Ramsundar and Reza Bosagh Zadeh, 2018, TensorFlow for Deep Learning: From Linear Regression to Reinforcement Learning.
Giuseppe Ciaburro and Balaji Venkateswaran, 2017, Neural Networks with R: Smart models using CNN, RNN, deep learning, and artificial intelligence principles, Packt.
Simon O. Haykin, Neural Networks and Learning Machines (3rd Edition).
Benjamin Bengfort, Jenny Kim, 2016, Data Analytics with Hadoop, O’Reilly.
Thilina Gunarathne, 2013, Hadoop MapReduce Cookbook, 2nd edition, Packt.
Dayong Du, 2015, Apache Hive Essentials. Packt Publishing
METODOLOGIA.— El desarrollo de todos los cursos está basado en la aplicación de metodologías de entrenamiento activo. Entre las técnicas se encuentran:
Conferencias magistrales por parte del docente.
Demostraciones.
Tutoriales y demás material de estudio.
Casos de estudio.
Talleres dirigidos.
Grupo de estudio para la solución de problemas, ejercicios y talleres en las sesiones presenciales.
Estudio individual por parte del estudiante.
Las sesiones están diseñadas para que el estudiante desarrolla conceptos fundamentales sólidos sobre los temas tratados. El estudiante debe esforzarse por reforzar dichos conocimientos a partir de la lectura del material sugerido y la elaboración de ejercicios y tareas de programación.
EVALUACIÓN.— La evaluación se rige bajo los siguientes aspectos:
Los cursos tiene una calificación numérica entre cero (0.0) y cinco (5.0).
La evaluación será realizada usando la plataforma GitHub Classroom.
Todos los laboratorios tienen el mismo peso.
Todos los laboratorios son evaluados de forma automática usando GitHub Classroom.
Todas las tareas deberá ser entregadas a través de los repositorios de GitHub creados para tal fin. Los trabajos entregados por cualquier otro medio serán calificados como no presentados.
ASISTENCIA.— El estudiante debe cumplir con la asistencia y participación minimna especificada para cada curso en el SIA.
RECLAMOS.— Únicamente se recibirán reclamos debidamente soportados con evidencias.
FRAUDES Y OTRAS FALTAS A LA ETICA.– Todos los cursos se siguen estrictamente la política de la Universidad Nacional de Colombia, y en particular el Acuerdo CSU 044 de 2009.