Ciencia de Datos y Aprendizaje Automático (M.Sc.)

Teoría: Aprendizaje estadístico, modelado probabilístico, optimización y generalización.

Práctica: Aprendizaje profundo (visión/series temporales), aplicaciones de datos geoespaciales o bio/médicos, ingeniería de características y evaluación más allá de la precisión (calibración, imparcialidad).

Ingeniería: Reproducibilidad, datos/modelos versionados, MLOps básicos y seguimiento de experimentos.

Trabajo interdisciplinario: Proyectos con laboratorios de dominio (p. ej., ambientales, biomédicos) que utilizan conjuntos de datos reales y restricciones.

Ética y seguridad: Sesgo, privacidad y gestión de riesgos del modelo; Informes transparentes.

Tesis/Proyecto final: Proyecto publicable o listo para producción con código, documentación y análisis de errores.

Resultados: Puestos de científico aplicado/DS, becas de investigación, proyectos de doctorado.