Python para Ciencias Sociales y Humanidades

Objetivos

• Aprendizaje del lenguaje de programación Python  

• Conocimiento de los aspectos generales de la Ciencia de Datos.

• Aplicaciones prácticas en el mundo de las ciencias sociales y humanidades.​​

​

Contenidos

Parte 1: Introducción a Python. Sintaxis del lenguaje y aplicaciones

Este módulo tiene como finalidad la explicación del lenguaje de programación Python y su aplicación en el mundo de la ciencia de datos.  El módulo se plantea como una primera aproximación al mundo computacional a través del estudio de uno de sus lenguajes contando con una aproximación preliminar al estudio y manejo de datos.

​

1.1 ¿Qué es un lenguaje de programación?

Beneficios de aplicación de herramientas computacionales para las ciencias sociales. Introducción al pensamiento computacional. ¿Qué es Python?

​

1.2 Sintaxis básica de Python 

Entornos de ejecución, interfaces y consola (Anaconda, VS Code, Thonny, Colaboratory). Extensiones (.py, .ipynb). Asignación de valores y creación de variables. Tipos de datos. Operaciones por tipos de datos. Estructuras de control. Iterativas y condicionales. Funciones. Métodos y funciones nativas. Funciones construidas. Manejo de errores.
 

1.3 Paquetes, librerías y manejo de archivos en Python

Librerías y módulos. Manejo de archivos en Python. Numpy: librería para trabajar con operaciones numéricas y vectoriales. Pandas: librería para manipulación de datos. Matplotlib: visualización gráfica de datos.
 

1.4 ¿Cómo trabajar con datos? 

Data Wrangling - agrupaciones, sumarizaciones y operaciones con tablas. Workflow del análisis de datos. Consejos y buenas prácticas. 

​

Parte 2: Ciencias sociales computacionales. Aplicaciones prácticas

En este módulo vamos a recorrer distintas aplicaciones de las herramientas aprendidas anteriormente en problemas específicos de las ciencias sociales. Buscamos aproximar al mundo del Machine learning a través de ejemplos concretos que permitan mirar su potencial. 

​

2.1 Introducción al mundo de la Ciencia de Datos

¿Qué es la ciencia de Datos? Estado del arte. Ejemplo de aplicaciones prácticas. Introducción al aprendizaje supervisado y no-supervisado.
 

2.2 Números y modelos: introducción al modelo de regresión lineal

Regresión lineal Simple. Regresión lineal Multivariada.
 

2.3 Árboles de decisión

Estructura básica del modelo. Componentes y conceptos principales. Random forest.
 

2.4 Palabras y clasificación . Introducción a técnicas de procesamiento de lenguaje natural (NLP) 

Principales librerías. Análisis de sentimiento. Manejo de stopwords. Modelización.
 

2.5 Introducción a clusterización

​

Metodología

Aula virtual Todos los miércoles se publicará el contenido de la semana en el campus virtual. Se puede ingresar con usuario y contraseña durante el tiempo de duración del curso.

 

Modalidad asincrónica Cada estudiante puede ver las clases, realizar los ejercicios y comunicarse con los profesores en los días y horarios que prefiera. 

 

Tutoría personalizada Los profesores responderán consultas individuales a lo largo del curso.

​

Diversidad de herramientas para el aprendizaje Cada semana la/el estudiante encontrará​

• Un video explicativo

• Una presentación en pdf de referencia

• Sugerencias de material de apoyo complementario

• Script para ejecutar en los entornos

• Archivos con presentación de casos (cuando sea pertinente)

​

Evaluación y Certificación

Para obtener el certificado de APROBACIÓN del curso se requiere la presentación de 5 de las 8 preguntas de comprobación de participación (1 por clase) y la aprobación de un examen con modalidad multiple choice con un 60%  o más preguntas correctas.

 

Los certificados son extendidos por Tíber Escuela de Estudios Políticos y Sociales.

​

Precio