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, tidymodels

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 para todos los ejercicios prácticos.

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, tareas y lecturas complementarias se encuentran en las pestañas Laboratorios y Lecturas. El Programa contiene la descripción completa del curso, los objetivos de aprendizaje y los requisitos de software.

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

Texto y aprendizaje no supervisado

Sesión 3.1: Clustering y PCA (versión express).

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

Sesión 3.1: Clustering y PCA | Sesión 3.2: 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

Día 5

Ética, sesgo algorítmico y cierre

Sesión 5.1: Ética y sesgo. Métricas de equidad, regulación.

Sesión 5.2: Mini-propuestas de investigación y presentaciones.

Sesión 5.1: Ética y sesgo | Sesión 5.2: Propuestas y cierre

Contacto

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