Diplomado en Ciencia de datos para políticas públicas

Al final del curso podrás:
− Identificar tipos de datos para distintas preguntas de investigación.
− Identificar ventajas y desventajas de distintos métodos empíricos.
− Aplicar métodos de ciencia de datos utilizando análisis estadístico.

Contenidos:
− Introducción a la programación para la política pública.
− Manipulación de datos.
− Web scrapping y APIs.
− Análisis de redes sociales.
− Análisis de datos geográficos.
− Análisis automatizado de texto.

Al final del curso podrás:
- Manipular datos usando R.
- Identificar problemas de calidad de los datos disponibles.
- Aplicar técnicas de limpieza de los datos.
- Integrar diferentes fuentes de datos en una base de datos SQL.
- Integrar varias fuentes de los datos en una base de datos SQL para garantizar calidad y consistencia de los datos.

Contenidos:

- Ciclo de vida del dato para la investigación científica.
- Introducción a R para el manejo de datos.
- Dimensiones de calidad de datos: validez, exactitud, consistencia y completitud.
- Depuración de datos en R.
- Herramientas para depuración de los datos: regresión lineal y técnicas de muestreo.
- Almacenamiento de datos masivos y big data.
- Bases de datos relacionales.
- Lenguaje de consulta SQL.
- Modelo Entidad-Relación.
- Integración de los datos y depuración de datos relacionales.

Al final del curso podrás:
- Comprender cuándo, cómo, y por qué las técnicas sofisticadas de análisis de datos pueden ser relevantes para tomar decisiones basadas en datos.
- Analizar datos para agruparlos según características comunes, descubrir patrones o anomalías en ellos, o detectar asociaciones.
- Aplicar métodos de clasificación y regresión basada en técnicas de machine learning para resolver problemas complejos sin necesidad de explicitar las instrucciones.
- Implementar formas eficaces de visualizar y comunicar los datos para la toma de decisiones.

Contenidos:
- Introducción: ejemplos y métodos de análisis y visualización de datos.
- Elementos de Teoría de Aprendizaje: selección de modelos, complejidad, generalización, descomposición del error y clasificación.
- Machine learning: redes neuronales, support vector machines.
- Minería de datos: clustering, patrones más frecuentes, reglas de asociación.
- Visualización de datos: conceptos y tecnologías fundamentales.

Al final del curso podrás:
− Aplicar el concepto de escenario contrafactual para la evaluación de políticas públicas.
− Evaluar la calidad de la evidencia empírica presentada en distintos medios sobre el impacto de las principales políticas públicas en Chile.
− Identificar distintos métodos para preguntas de evaluación de impacto.
− Elaborar un diseño de evaluación de impacto de una política pública, utilizando al menos dos de los métodos revisados en clase.
− Presentar públicamente resultados de un ejemplo real de evaluación de impacto y presentar argumentos a favor y en contra de la calidad de la evaluación.

Contenidos:
− Regresión bivariada.
− Regresión múltiple: sesgo por variable omitida.
− DAGS y variables instrumentales.
− Variables instrumentales.
− Experimentos aleatorios y regresión discontinua.
− Matching y aprendizaje de máquina e inferencia causal.
− Aprendizaje de máquina e inferencia causal.

Al final del curso podrás:
- Identificar una pregunta específica de investigación aplicada en políticas públicas.
- Formular hipótesis en el marco de una pregunta específica.
- Analizar bases de datos para una pregunta específica.

Contenidos:
Aplicaciones de:
− Manipulación de datos.
− Web scrapping y APIs.
− Análisis de redes sociales.
− Análisis de datos geográficos.
− Análisis automatizado de texto.

Al final del curso podrás:
− Aplicar los métodos del curso a una pregunta específica.
− Presentar resultados en formatos de presentación oral/visual.

Contenidos:
Aplicaciones en:
− Visualización de datos.
− Regresión lineal.
− Regularización.
− Predicción fuera de muestra.
− Inferencia causal.