Aspirantes a la docencia para el Área de Estadística Multivariada y Ciencia de Datos
El Departamento de Ciencias Básicas de la Universidad Nacional de Luján invita a profesionales con vocación docente a sumarse a su Registro de Aspirantes a la Docencia. Esta convocatoria está dirigida a interesados en formar parte del Área Estadística Multivariada y Ciencia de Datos. El Registro de Aspirantes a la Docencia fue creado por Disposición del Departamento Nro. 172-23, como una manera de vincular al Departamento con potenciales docentes en las distintas áreas de incumbencia.
¿Cómo inscribirse?
La inscripción al registro de aspirantes es personal, y se puede hacer desde aquí:
Aspirantes a la Docencia | Departamento de Ciencias Básicas (unlu.edu.ar)
Aspirantes a la Docencia | Departamento de Ciencias Básicas (unlu.edu.ar)
Importante:
El acceso a la docencia en la Universidad Nacional de Luján siempre será a través de la participación en Concursos Ordinarios Públicos, según los reglamentos vigentes (Resoluciones HCS 141/91 y 151/91). Más información se puede consultar en:
Departamento de Concursos y Carrera Docente | UNLu
Departamento de Concursos y Carrera Docente | UNLu
Sobre el Área Estadística Multivariada y Ciencias de datos:
El área tiene la responsabilidad de dictar las asignaturas que demanden contenidos mínimos de Estadística y Ciencia de Datos para las carreras Ingeniería en Alimentos, Ingeniería Industrial, Licenciatura en Biología, Profesorado en Física y Tecnicatura en Ciencia de Datos.
Algunos contenidos que abordan las asignaturas del área:
Ciclo de vida de un proyecto de ciencias de datos. Exploración de datos: técnicas básicas y herramientas iniciales de exploración, procesamiento y visualización de los datos: limpieza, integración y preparación de los datos. Datos faltantes, datos incorrectos y outliers. Transformaciones de variables. Algoritmos clásicos de clasificación, regresión, clustering y reglas de asociación. Estrategias de entrenamiento y validación. Métricas de selección de modelos. Funcionamiento de los algoritmos de aprendizaje automático. Aprendizaje supervisado y no supervisado. Conjunto de datos de entrenamiento, validación y testeo. Introducción a las funciones de error y concepto de sobreajuste. Introducción al razonamiento aproximado. Agentes inteligentes. Aprendizaje conceptual, espacio de versiones. Árboles de decisión. Redes neuronales. Teoría computacional del aprendizaje. Algoritmos genéticos. Aprendizaje de conjuntos de reglas. Aprendizaje por refuerzo. Combinación de clasificadores: mayoría ponderada, bagging, boosting. Enfoques multiestratégicos.
