Introducción a la IA para Científicos Sociales

Docente Danilo Freire

Institución Universidad Católica del Uruguay

Modalidad Presencial, 5 días (20 horas)

Programa Escuela en Métodos, Centro Hodos

Idioma Español

Herramientas R, RStudio, tidyverse, tidymodels, ollama

Bienvenidos

Este curso introduce a estudiantes de ciencias sociales en los fundamentos de la Inteligencia Artificial y el Machine Learning usando R. Se cubren conceptos básicos de IA, aprendizaje supervisado y no supervisado, análisis de texto y modelos de lenguaje extensos (LLMs).

El enfoque es aplicado: priorizamos la intuición y el uso de herramientas computacionales sobre la teoría matemática. Usaremos RStudio como entorno de desarrollo y los ecosistemas tidyverse y tidymodels como base, junto con otros paquetes especializados según el tema de cada sesión (clustering, análisis de texto, LLMs). La lista completa está en el Programa.

El curso está diseñado para quienes ya tienen una base en R y buscan expandir sus capacidades analíticas hacia métodos computacionales modernos.

Diapositivas y materiales

Cada jornada combina exposición teórica con laboratorios prácticos en R. Las diapositivas de cada sesión están disponibles abajo. Los ejercicios de laboratorio y las tareas están en la pestaña Laboratorios y Tareas, y las lecturas complementarias en Lecturas. El Programa contiene la descripción completa del curso, los objetivos de aprendizaje y los requisitos de software. Las páginas de Referencia R (supervisado, no supervisado, análisis de texto y LLMs) resumen las funciones principales de cada tema para consulta rápida.

Día 1

Fundamentos de IA y Machine Learning

Sesión 1.1: ¿Qué es la Inteligencia Artificial? Historia, tipos de aprendizaje, ética básica.

Sesión 1.2: Fundamentos de ML. Flujo de trabajo, train/test, sesgo-varianza, métricas.

Sesión 1.1: ¿Qué es la IA? | Sesión 1.2: Fundamentos de ML | Lab 1: tidymodels | Lab 2: Exploración y modelos

Día 2

Aprendizaje supervisado

Sesión 2.1: Clasificación. Regresión logística, árboles de decisión, Random Forest.

Sesión 2.2: Regresión y predicción. LASSO, Ridge, Elastic Net.

Sesión 2.1: Clasificación | Sesión 2.2: Regresión y predicción | Lab 3: Clasificación avanzada | Lab 4: Regresión y regularización

Día 3

Aprendizaje no supervisado y análisis de texto

Sesión 3.1: Clustering y reducción de dimensionalidad. K-means, jerárquico, PCA.

Sesión 3.2: Análisis de texto. Tokenización, TF-IDF, sentimiento, LDA.

Sesión 3.1: Clustering y PCA | Sesión 3.2: Análisis de texto | Lab 5: Clustering y PCA | Lab 6: Análisis de texto

Día 4

LLMs y aplicaciones

Sesión 4.1: Entendiendo los LLMs. Transformers, prompting, capacidades.

Sesión 4.2: LLMs como herramientas de investigación. Anotación, datos sintéticos, APIs.

Sesión 4.1: Entendiendo los LLMs | Sesión 4.2: LLMs como herramientas | Lab 7: Primeros pasos con ellmer | Lab 8: Codificación y confiabilidad

Día 5

Modelos locales, ética y cierre

Sesión 5.1: Modelos locales. Pesos abiertos, cuantización, Ollama, datos sensibles.

Sesión 5.2: Ética y regulación. Sesgo algorítmico, equidad, privacidad.

Sesión 5.4: Mini-propuestas de investigación y cierre del curso.

Sesión 5.1: Modelos locales | Sesión 5.2: Ética y regulación | Lab 9: Modelos locales y equidad | Sesión 5.4: Propuestas y cierre

Contacto

Para preguntas sobre el curso, escribir a danilofreire@gmail.com.