Fundamentación Académica
La ciencia de datos y el machine learning constituyen herramientas
fundamentales para comprender y anticipar fenómenos complejos en el
contexto contemporáneo. En el ámbito específico de la
sustentabilidad, estas disciplinas permiten
analizar grandes volúmenes de información ambiental y
social, identificar patrones significativos y generar modelos
predictivos que contribuyen a la toma de decisiones con impacto positivo
en comunidades y ecosistemas.
Este programa académico propone un recorrido teórico-práctico y
científico que integra de manera sistémica los siguientes
componentes:
- Fundamentos técnicos: Python y R aplicados a
ciencia de datos y análisis estadístico
- Marco teórico: Econometría y perspectiva holística
para la comprensión de datos ambientales
- Aplicación práctica: Machine Learning orientado a
problemáticas ambientales
- Indicadores especializados: Métricas de
sustentabilidad (huella de carbono, hídrica, ecológica)
- Proyectos aplicados: Desarrollo con datasets reales
y análisis ético sobre IA y medio ambiente
Objetivos Generales
Formar profesionales capaces de aplicar metodologías de ciencia de
datos y machine learning para abordar desafíos contemporáneos en
sustentabilidad, desarrollando competencias técnicas, analíticas y
éticas para la toma de decisiones basada en evidencia.
Perfil del Egresado
Al finalizar este programa, los estudiantes estarán capacitados
para:
- Analizar y procesar grandes volúmenes de datos ambientales y
sociales
- Implementar algoritmos de machine learning para predicciones
ambientales
- Desarrollar indicadores de sustentabilidad basados en datos
- Comunicar resultados científicos a audiencias especializadas y
generales
- Evaluar implicaciones éticas de la inteligencia artificial en
sustentabilidad
Módulo 1 – Introducción a la Ciencia de Datos y Python
Duración: 2 semanas | Horas: 15
horas académicas
Contenidos Temáticos
- Epistemología de la ciencia de datos: definición y alcances
- El ciclo de vida del dato: recolección, limpieza, análisis y
comunicación
- Ecosistema Python para análisis de datos
- Librerías fundamentales: pandas, numpy, matplotlib, seaborn
- Entornos de desarrollo: Jupyter, Google Colab, IDEs
Actividades Prácticas
- Instalación y configuración del entorno de desarrollo
- Análisis exploratorio de dataset de consumo energético global
- Creación de primeras visualizaciones con matplotlib
- Ejercicios de manipulación de datos con pandas
Competencias Adquiridas
- Comprender el flujo de trabajo completo en ciencia de datos
- Dominar herramientas básicas de Python para análisis de datos
- Desarrollar capacidad de exploración y descripción de datasets
iniciales
- Aplicar principios de documentación y reproducibilidad en
código
Bibliografía Específica
- McKinney, W. (2022). Python for Data Analysis, 3rd Edition.
O’Reilly Media.
- VanderPlas, J. (2023). Python Data Science Handbook, 2nd
Edition. O’Reilly Media.
Módulo 2 – Naturaleza de los Datos y Mirada Holística
Científica
Duración: 2 semanas | Horas: 15
horas académicas
Contenidos Temáticos
- Taxonomía de datos ambientales y sociales
- Fundamentos de econometría aplicada a sustentabilidad
- Indicadores clave de sustentabilidad:
- Huella de carbono: metodologías y cálculo
- Huella hídrica: conceptos y aplicaciones
- Huella ecológica: medición y análisis
- Limitaciones, incertidumbre y sesgos en datos ambientales
- Modelos de sistemas complejos y pensamiento holístico
- Teoría de sistemas aplicada a problemáticas ambientales
Actividades Prácticas
- Análisis de series temporales de concentraciones de CO₂
atmosférico
- Calculadora de huella de carbono personal con Python/R
- Estudio de caso comparativo: huella hídrica en diferentes sistemas
agrícolas
- Modelado de sistemas: interacciones clima-agricultura-sociedad
Competencias Adquiridas
- Identificar y clasificar diferentes tipos de datos ambientales y
sociales
- Aplicar conceptos econométricos básicos en contextos de
sustentabilidad
- Calcular y interpretar indicadores de huella ambiental
- Desarrollar pensamiento sistémico e interdisciplinario
- Evaluar críticamente limitaciones y sesgos en datos ambientales
Bibliografía Específica
- Hoekstra, A. Y. (2019). Water Footprint Assessment: Evolving Towards
Ecological Realism. Water Resources Management, 33(4).
- Carbon Trust. (2022). Carbon Footprinting: The Step-by-Step
Guide to Measuring and Managing Carbon Footprints.
Módulo 3 – Visualización y Storytelling de Datos
Duración: 2 semanas | Horas: 15
horas académicas
Contenidos Temáticos
- Principios de visualización de datos científicos
- Teoría del color y percepción visual
- Librerías avanzadas: matplotlib, seaborn, plotly,
ggplot2 (R)
- Visualizaciones interactivas y dashboards
- Storytelling con datos: narrativa científica
- Comunicación a audiencias diversas
Actividades Prácticas
- Creación de gráficas sobre emisiones de CO₂ por país y sector
- Dashboard interactivo de indicadores de sustentabilidad
- Mapas de calor de calidad del aire urbano
- Presentación de resultados para audiencias no técnicas
Competencias Adquiridas
- Crear visualizaciones efectivas y científicamente rigurosas
- Comunicar resultados complejos a públicos no especializados
- Construir narrativas convincentes con base en datos
- Desarrollar dashboards interactivos para monitoreo ambiental
Módulo 4 – Machine Learning aplicado a Sustentabilidad
Duración: 2 semanas | Horas: 15
horas académicas
Contenidos Temáticos
- Fundamentos teóricos del aprendizaje automático
- Aprendizaje supervisado vs. no supervisado
- Algoritmos fundamentales:
- Regresión lineal y logística
- Árboles de decisión y Random Forest
- Clustering (K-means, jerárquico)
- Support Vector Machines
- Métricas de evaluación y validación cruzada
- Overfitting y técnicas de regularización
Actividades Prácticas
- Predicción de calidad del aire basada en variables climáticas
- Clasificación de zonas de riesgo ambiental
- Clustering de países según indicadores de sustentabilidad
- Optimización de modelos con scikit-learn y caret (R)
Competencias Adquiridas
- Comprender fundamentos matemáticos del machine learning
- Implementar algoritmos básicos en datasets ambientales
- Evaluar y validar modelos predictivos
- Interpretar métricas de desempeño en contexto científico
Módulo 5 – Fuentes de Datos y Open Data Ambiental
Duración: 2 semanas | Horas: 15
horas académicas
Contenidos Temáticos
- Ecosistema de datos abiertos ambientales
- Fuentes institucionales: FAO, NASA, NOAA, World
Bank
- Plataformas especializadas: Our World in Data,
Global Carbon Atlas
- APIs y web scraping ético
- Datos de sensores IoT y monitoreo en tiempo real
- Integración y limpieza de múltiples fuentes
Actividades Prácticas
- Pipeline automatizado con datos de calidad de agua
- Integración de datos satelitales y terrestres
- Creación de base de datos unificada de indicadores ambientales
- Automatización de recolección con Python/R
Competencias Adquiridas
- Identificar y acceder fuentes de datos ambientales confiables
- Integrar datos de múltiples fuentes y formatos
- Construir pipelines robustos de recolección y procesamiento
- Implementar procesos de limpieza y validación de datos
Módulo 6 – Deep Learning y Predicciones Ambientales
Duración: 2 semanas | Horas: 15
horas académicas
Contenidos Temáticos
- Fundamentos de redes neuronales artificiales
- Arquitecturas para datos ambientales:
- Redes convolucionales (CNN) para imágenes satelitales
- Redes recurrentes (LSTM) para series temporales
- Transfer learning en aplicaciones ambientales
- Agricultura de precisión y monitoreo satelital
- Detección de cambios en uso de suelo
Actividades Prácticas
- Clasificación de imágenes satelitales para detección de
deforestación
- Predicción de rendimiento agrícola con datos multiespectrales
- Monitoreo de cambios en glaciares mediante CNN
- Implementación con TensorFlow/Keras y torch (R)
Competencias Adquiridas
- Comprender arquitecturas básicas de redes neuronales
- Aplicar deep learning a imágenes satelitales y series
temporales
- Relacionar predicciones con problemáticas ambientales reales
- Evaluar limitaciones computacionales y energéticas
Bibliografía Específica
- Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep
Learning. MIT Press.
- Reichstein, M. et al. (2019). Deep learning and process
understanding for data-driven Earth system science. Nature,
566(7743).
Módulo 7 – Ética, Energía y Responsabilidad en la IA
Duración: 2 semanas | Horas: 15
horas académicas
Contenidos Temáticos
- Fundamentos de ética en inteligencia artificial aplicada
- Identificación y mitigación de sesgos algorítmicos
- Análisis del impacto energético del machine learning
- Green AI: desarrollo de algoritmos eficientes
energéticamente
- Responsabilidad social del científico de datos en
sustentabilidad
- Dilemas éticos entre innovación tecnológica y conservación
ambiental
- Marco regulatorio y gobernanza de la IA ambiental
Actividades Prácticas
- Auditoría de sesgos en datasets ambientales
- Calculadora de huella de carbono de modelos ML
- Debate estructurado: “Inteligencia Artificial
vs. Sustentabilidad”
- Propuesta de código de ética para científicos de datos
ambientales
- Análisis de casos: controversias en IA y medio ambiente
Competencias Adquiridas
- Identificar y evaluar riesgos éticos en IA aplicada a
sustentabilidad
- Calcular y minimizar impacto energético de modelos
computacionales
- Argumentar posiciones fundamentadas en debates
científico-éticos
- Proponer alternativas tecnológicamente responsables
- Desarrollar pensamiento crítico sobre innovación y
sustentabilidad
Bibliografía Específica
- Strubell, E., Ganesh, A., & McCallum, A. (2019). Energy and
Policy Considerations for Deep Learning in NLP. Proceedings of
ACL.
- O’Neil, C. (2016). Weapons of Math Destruction: How Big Data
Increases Inequality. Crown Publishing.
- Jobin, A., Ienca, M., & Vayena, E. (2019). The global landscape
of AI ethics guidelines. Nature Machine Intelligence,
1(9).
Módulo 8 – Proyecto Final Integrador
Duración: 2 semanas | Horas: 15
horas académicas
Descripción del Proyecto
El proyecto final integrador constituye la culminación académica del
programa, donde los estudiantes, organizados en equipos
interdisciplinarios de 3-4 integrantes, desarrollan una investigación
aplicada que demuestre el dominio de las competencias adquiridas a lo
largo del curso.
Líneas de Investigación Sugeridas
- Gestión Hídrica Inteligente: Predicción de consumo
de agua en comunidades rurales utilizando variables climáticas y
sociodemográficas
- Movilidad Sustentable: Análisis y optimización de
emisiones de CO₂ en sistemas de transporte público urbano
- Agricultura de Precisión: Optimización de cultivos
con menor impacto ambiental mediante análisis de suelos y clima
- Energías Renovables: Predicción de generación
eólica y solar para optimización de redes eléctricas
- Biodiversidad y Conservación: Monitoreo de especies
mediante análisis de imágenes y datos de sensores remotos
- Economía Circular: Optimización de cadenas de
reciclaje usando ML y análisis de flujos de materiales
Metodología de Desarrollo
Semana 2: Implementación técnica
- Recolección y procesamiento de datos
- Análisis exploratorio y visualización
- Implementación de modelos ML apropiados
- Validación y evaluación de resultados
Entregables del Proyecto
- Código documentado: Jupyter notebooks/R Markdown
con análisis completo y reproducible
- Informe técnico: Documento de 15-20 páginas
siguiendo estándares científicos
- Dashboard interactivo: Visualización web de
resultados principales
- Presentación oral: Defensa de 20 minutos + 10
minutos de preguntas
- Dataset procesado: Bases de datos limpias y
documentadas
Criterios de Evaluación
Rúbrica de Evaluación (100 puntos)
| Rigor técnico y metodológico |
25 |
Correcta aplicación de técnicas ML, validación estadística,
reproducibilidad |
| Relevancia e impacto ambiental |
20 |
Pertinencia del problema, potencial aplicación práctica,
contribución a sustentabilidad |
| Calidad del análisis de datos |
20 |
Exploración exhaustiva, limpieza apropiada, visualizaciones
informativas |
| Comunicación científica |
20 |
Claridad del informe, efectividad de presentación, terminología
técnica |
| Trabajo en equipo e innovación |
15 |
Distribución equitativa, originalidad, consideraciones éticas |
Ejemplos de Proyectos Exitosos
- “AquaPredict”: Sistema de predicción de
disponibilidad hídrica en cuencas andinas usando ML y datos
satelitales
- “CarbonTrace”: Plataforma de monitoreo de emisiones
urbanas integrando sensores IoT y modelos predictivos
- “EcoFarm Analytics”: Optimización de fertilización
agrícola mediante análisis de suelos y predicción climática
- “RenewableFlow”: Sistema de pronóstico de
generación eólica para integración a red eléctrica nacional
Cronograma de Entregas
| Día 3 |
Propuesta de proyecto (2 páginas máximo) |
| Día 7 |
Avance parcial - Análisis exploratorio de datos |
| Día 10 |
Primera versión de modelos ML |
| Día 14 |
Entrega final completa (código + informe + dashboard) |
| Día 15 |
Presentaciones orales y defensa de proyectos |
Contacto: | Oficina:
Horarios de consulta: