Curso Análisis de datos ambientales en Phyton

Inscríbete

Información General

La Universidad Escuela Colombiana de Ingeniería Julio Garavito otorga certificado de asistencia
Título
32 horas Duración
remota Modalidad
diurna Jornada
Redes sociales
- Twitter
- Facebook
- Instagram
- Linkedin

Este programa propone abordar las ciencias de datos ambientales como un campo innovador, en el que el desarrollo de métodos de análisis de datos está guiado por la complejidad de los sistemas ambientales

Los datos en ciencias ambientales se caracterizan por provenir de sistemas donde coexisten múltiples procesos a distintas escalas espaciales y temporales, junto con una alta variabilidad y diversas fuentes de incertidumbre. Con frecuencia se trata de datos escasos o incompletos, afectados por alto ruido experimental, así como por estructuras de error y dependencias que varían en el tiempo y el espacio. Estas propiedades hacen que su análisis requiera enfoques capaces de adaptarse a esta complejidad inherente, desafiando los métodos de análisis convencionales.

“Los datos ambientales no son simples observaciones: son manifestaciones parciales de sistemas complejos, observados bajo incertidumbre.”

Keith Beven, Profesor de Hidrología, Lancaster University

El curso tiene como objetivo contribuir al desarrollo y la consolidación de las ciencias de datos ambientales, un campo innovador orientado al desarrollo de métodos de análisis de datos adaptados a la complejidad de los sistemas ambientales. A través de un curso teórico-práctico en lenguaje de programación Python, los participantes trabajarán con datos reales para explorar métodos de actualidad en este contexto, incluyendo, por ejemplo: análisis multivariable, tratamiento de incertidumbre y modelización estadística y basada en inteligencia artificial. Los contenidos se ilustrarán a partir de problemáticas ambientales de alta relevancia, tales como el cambio climático y el monitoreo de contaminantes emergentes. El objetivo va más allá de aplicar técnicas matemáticas de forma automática: se busca aprender a elegir, adaptar e interpretar métodos de manera crítica, manteniendo control sobre sus supuestos, alcances, fortalezas y limitaciones. Se propone igualmente brindar un acompañamiento cercano a través del lenguaje de programación Python, con el fin de poder aplicar estos conceptos de manera práctica.

Por qué estudiar con nosotros

Desarrollar una comprensión sólida y crítica de cómo analizar datos ambientales reales, incorporando explícitamente la incertidumbre, la heterogeneidad y la complejidad de los sistemas que los generan.

Otros beneficios relevantes que brinda el programa al participante

Comprensión de las ciencias de datos ambientales como campo disciplinar, no solo como aplicación de técnicas.
Capacidad para seleccionar y adaptar métodos en función de la naturaleza de los datos.
Experiencia práctica con datos ambientales reales, no datasets artificiales o idealizados.
Desarrollo de una mirada crítica sobre supuestos, alcances y limitaciones de métodos estadísticos y de IA.
Aplicación de los conceptos a problemáticas ambientales actuales, relevantes a nivel científico y social.

Metodología

El programa se desarrollará mediante una metodología teórico-práctica, combinando exposiciones conceptuales con análisis guiados de datos reales en un software (Python). Cada módulo integrará fundamentos teóricos, discusión crítica de métodos y ejercicios prácticos orientados a la exploración, análisis e interpretación de datos ambientales.

Se promoverá una participación activa de los asistentes a través de estudios de caso, análisis colectivo de resultados y discusión de decisiones metodológicas. El énfasis estará puesto en comprender por qué y cuándo aplicar un método, más que en su implementación mecánica.

Utilización de software

Se utlizará Python para la exploración, visualización, análisis y modelización de datos ambientales reales, incluyendo tratamiento de incertidumbre, análisis multivariable y modelos estadísticos y de aprendizaje automático.

Contar con conexión a internet de banda ancha.
Disponer de audífonos o manos libres para reducir ruido externo.
Contar con un equipo de cómputo con permisos para instalar software o acceder a entornos virtuales.
Verificar el correcto acceso a Microsoft Teams u otra plataforma definida.
Conectarse a las sesiones al menos diez minutos antes del inicio.
Preparar materiales para tomar apuntes.
Se recomienda contar con nociones básicas de análisis de datos o programación (R, Python, Matlab) (no excluyente, ya que las bases serán tratadas en el curso).
En caso de requerir homologación del curso en un programa de pregrado o posgrado, el estudiante deberá obtener una calificación mínima en el curso de 3.0 para pregrado y de 3.5 para posgrado.

La Universidad Escuela Colombiana de Ingeniería Julio Garavito otorgará el certificado de asistencia a quienes participen activa y cumplidamente como mínimo en el 80 % las sesiones programadas.

Perfil del aspirante

El programa está dirigido a profesionales con formación de pregrado o maestría en Ingeniería Ambiental, Ingeniería Civil, Geociencias o disciplinas afines, preferiblemente con enfoques cuantitativos o numéricos. Está orientado a personas que se desempeñen en consultorías, academia o sector público, en cargos como analistas o especialistas que participen en el análisis, modelación y gestión de información ambiental.
Se recomienda que los participantes cuenten con al menos cinco años de experiencia en temas numéricos (incluyendo la formación de pregrado) y que tengan interés en el uso de herramientas de modelación, métodos numéricos y aplicaciones de inteligencia artificial para el análisis y la solución de problemáticas ambientales actuales.

Contenido temático

Naturaleza de los datos ambientales
Incertidumbre, variabilidad y dependencia
Escalas espaciales y temporales
Introducción a las ciencias de datos ambientales como campo
Nociones de programación aplicadas (lenguaje de programación Python)

Exploración y visualización de datos ambientales
Análisis multivariable
Dependencias y estructuras de correlación
Casos prácticos con datos reales (Python)

Fuentes de incertidumbre en datos ambientales
Tratamiento de datos incompletos y ruidosos
Introducción a la modelización estadística
Ejemplos aplicados (Python)

Introducción al aprendizaje automático en contextos ambientales
Ventajas y limitaciones de enfoques basados en IA
Casos de estudio: cambio climático y contaminantes emergentes (Python)
Interpretación crítica de resultados

El curso se desarrollará entre el 6 de junio y el 18 de julio de 2026, los sábados de 7:00 a.m. a 12:00 p.m., vía Streaming a través de la herramienta Microsoft Teams.

Nota: el sábado 11 julio la sesión de clase será de 7:00 a.m. a 11:00 a.m. y el sábado 18 de julio, la sesión de clase será de 7:00 a.m. a 10:00 a.m.

La Universidad Escuela Colombiana de Ingeniería Julio Garavito en sus programas de Educación Continuada, se reserva el derecho de cambiar sus conferencistas y fechas de realización, o cancelarlos si no cuenta con el número de personas requerido. Lo anterior se informará a los interesados con antelación.

Objetivos alcanzables

Objetivo general:

Contribuir a la formación de profesionales capaces de analizar datos ambientales complejos, incorporando la incertidumbre y la naturaleza de los sistemas ambientales en la selección e interpretación de métodos de ciencia de datos