Herramientas avanzadas de machine learning para el análisis social y político | 2019

Herramientas avanzadas de machine learning para el análisis social y político | 2019

<< Ver cronograma de cursos >>

Descripción

En una era caracterizada por bases de datos cada vez más grandes y recursos computacionales sin precedentes, las técnicas de aprendizaje automático (machine learning) se están convirtiendo
en herramientas comunes para los científicos sociales. Estas herramientas están siendo utilizadas para una variedad de propósitos, incluyendo: clasificación de textos políticos y materiales audiovisuales; aprendizaje sobre la opinión de las élites y de la población en general en base a actividad en redes sociales; y detección del fraude electoral. El objetivo de este curso es presentar a los estudiantes varias técnicas de aprendizaje automático, comenzando con extensiones de análisis de regresión; pasando a métodos de clasificación, incluidos clasificadores de Bayes y de K vecinos más cercanos; evaluación de error de predicción usando métodos de remuestreo; métodos de árboles, incluidos bosques aleatorios y suma de árboles de regresión; máquinas de vectores de soporte; y finalmente redes neuronales artificiales.

Para facilitar la interpretación y comparación de las diferentes técnicas, la implementación de cada método se ilustrará a través de aplicaciones a en el área electoral, un campo emergente que se centra en el uso de técnicas estadísticas para detectar anomalías en los resultados electorales.

El curso enfatizará el aprendizaje activo y tendrá un fuerte componente aplicado.

>> Ver programa <<



Objetivos


El curso busca proveer a los estudiantes con las herramientas para poder implementar todas las técnicas de machine learning cubiertas en clase utilizando el entorno de software R. Adicionalmente, se busca que los estudiantes sean capaces de explicar la lógica subyacente a los diferentes procedimientos, interpretar resultados, y extraer conclusiones de sus análisis.



Pre-requisitos

Antes de tomar el curso, los participantes deben tener conocimientos de estadística básica (por ejemplo, haber tomado un curso de introducción a la probabilidad y estadística) y poder preparar y explorar datos utilizando el entorno estadístico R. También deberían tener una base sólida en el análisis de regresión (por ejemplo, la comprensión de los supuestos del teorema Gauss-Markov, ser capaces de interpretar los resultados de una regresión de mínimos cuadrados ordinarios (OLS), realizar diagnósticos de regresión, y ser capaces de implementar análisis de datos categóricos utilizando regresiones logísticas).


Bibliografía

Libro requerido:
"An introduction to statistical learning"
Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani. Springer.


Instructora

Inés Levin                    
Profesora asistente
Departamento de Ciencia Política
Universidad de California, Irvine
inelevin@uci.edu

 











Ines Levin obtuvo su Ph.D. en Ciencia Social en el California Institute of Technology (Caltech) en 2012. Actualmente es Profesora Asistente en el Departamento de Ciencia Política de la University of California en Irvine (UCI). Previamente fue Profesora Asistente en el Departamento de Ciencia Política de la University of Georgia (UGA) y Max Weber Fellow en Instituto Universitario Europeo. Su investigación se centra el desarrollo de métodos cuantitativos aplicados a las ciencias políticas y sociales, con enfoque especial en el análisis de opinión pública y evaluación de la integridad electoral. Su trabajo ha sido publicado en múltiples revistas científicas, incluidos Journal of Politics, Political Analysis, Political Behavior, Political Research Quarterly, and Political Science Research and Methods. Habitualmente enseña cursos de introducción a la investigación en Ciencias Sociales, estadística, y métodos computacionales para las Ciencias Sociales.