Al finalizar, la/el estudiante será capaz de:
- Identificar y comparar fuentes de datos oceanográficos (in situ, satélite, reanálisis) y sus metadatos, formatos (NetCDF/GRIB/CSV) y limitaciones.
- Formular preguntas de investigación y traducirlas en hipótesis y variables observables con criterios de muestreo y validación.
- Diseñar y ejecutar un flujo reproducible de análisis (ingesta, QC, EDA, modelado, visualización) en notebooks de Python o R.
- Aplicar transformadas (Fourier, wavelet) y técnicas espectrales para estudiar periodicidades, filtrado y coherencias en series de tiempo y campos espaciales.
- Implementar modelos estadísticos y de ML (regresión, clasificación, clustering, reducción de dimensionalidad; nociones de LSTM/CNN para series espaciales–temporales) y evaluarlos con métricas apropiadas.
- Utilizar LLMs de forma responsable (ChatGPT/Claude/DeepSeek en Colab) para generar y depurar código, documentar procedimientos y explorar alternativas metodológicas, dejando traza y justificación científica.
- Comunicar resultados en reportes técnicos reproducibles (notebook + repositorio) y defender decisiones metodológicas ante pares.
Lista de contenidos fundamentales de la asignatura. Corresponden a los conceptos básicos de la disciplina de la que se hace cargo la asignatura y que son necesarios y suficientes para el logro de los resultados de aprendizaje comprometidos en la sección II.
- Panorama de datos en oceanografía
- Tipos y fuentes: in situ (boyas, ADCP, CTD, mareógrafos), satelital (SST, SSH, color del océano), reanálisis/modelos (p. ej., productos globales y regionales).
- Formatos y metadatos (NetCDF, GRIB, HDF5), proyecciones y sistemas de referencia.
- Principios FAIR, licencias y gobernanza de datos.
2. De la pregunta a la estrategia de análisis
- Marco lógico: pregunta → hipótesis → variables/indicadores → validación.
- Muestreo, escalas espacio–temporales, incertidumbre y sesgos.
3. Ingesta, control de calidad y EDA
- Carga eficiente (xarray/pandas/data.table), manejo de faltantes/outliers.
- Gráficos exploratorios, climatologías, anomalías, mapas, Hovmöller, secciones.
4. Transformadas y análisis espectral
- Transformada de Fourier, densidad espectral de potencia, filtrado.
- Waveletsy coherencia; nociones de Hilbert–Huang/EMD.
5. Modelado estadístico y ML/DL
- Modelos lineales y no lineales, ARIMA/GAM; validación cruzada.
- ML: árboles, random forest, SVM, clustering (K-means/DBSCAN), PCA/UMAP.
- DL(nociones): LSTM/CNN para series/espaciotemporal; overfitting y regularización.
- Interpretabilidad básica (feature importance, saliencia).
6. Asistentes de IA en el flujo científico
- ChatGPT/Claude/DeepSeek para: explorar métodos, pedir/depurar código, generar tests y documentación.
- Buenas prácticas: seguridad, privacidad, citación, verificación y control de alucinaciones.
7. Reproducibilidad y entrega
- Notebooks ejecutables, requirements, control de versiones (Git/GitHub), data folders.
- Estructura de reporte técnico y checklist de validación.
Herramientas sugeridas: Python (NumPy, pandas, xarray, netCDF4, matplotlib, cartopy, cmocean, scipy, statsmodels, scikit-learn), R (tidyverse, sf, terra, tsibble, forecast), Google Colab/Jupyter, Git/GitHub.
Thomson RE & Emery WJ (2014) Data Analysis Methods in Physical Oceanography. Link
VanderPlas J (2016) Python Data Science Handbook. Link
Wickham H, Çetinkaya-Rundel M & G Grolemund (2023) R for Data Science (2nd ed.) Link
