CURSO:CIENCIA DE DATOS RESPONSABLE TRADUCCION:RESPONSIBLE DATA SCIENCE SIGLA:IMT2240 CREDITOS:10 MODULOS:02 CARACTER:MINIMO TIPO:CATEDRA Y LABORATORIO CALIFICACION:ESTANDAR DISCIPLINA:CIENCIA DE DATOS PALABRAS CLAVE:TRANSPARENCIA, INTERPRETABILIDAD, PRIVACIDAD, SESGO, CALIDAD NIVEL FORMATIVO:PREGRADO I.DESCRIPCIÓN DEL CURSO En este curso los estudiantes aprenderan tanto los fundamentos eticos como las herramientas y metodologias basicas que cimentan el uso responsable de los datos en distintos contextos. Se combinara una serie de lecturas con laboratorios, tareas, y proyectos practicos que permitan a los estudiantes entender tanto la critica como la solucion a problemas relacionados con transparencia, interpretabilidad, privacidad, y sesgo, entre otros. II.RESULTADOS DE APRENDIZAJE 1.Analizar las falencias eticas que puede presentar un proceso de analisis de datos identificando los componentes y tecnicas de las ciencias sociales que se pueden utilizar para paliarlas. 2.Utilizar herramientas matematicas y computacionales que garanticen un uso responsable de los datos. 3.Construir modelos que faciliten la interpretabilidad de los resultados obtenidos para poder justificar eticamente las decisiones tomadas. 4.Evaluar la factibilidad de las soluciones propuestas en base a los codigos vigentes para asegurar su pertinencia legal. III.CONTENIDOS 1.Introduccion 1.1.Ejemplos de temas eticos en ciencia de datos 1.2.Imparcialidad y diversidad, imposibilidad teorica 1.3.Transparencia y gobernanza 1.4.Privacidad 2.Ciclo de vida de los datos 2.1.Perfiles de datos 2.2.Limpieza de datos 2.3.Calidad de datos vs imparcialidad y transparencia 3.Imparcialidad y diversidad 3.1.Definiciones de imparcialidad 3.2.La necesidad de una mirada socio-tecnologica 3.3.Diversidad, regla de Rooney 4.Transparencia e interpretabilidad 4.1.Necesidad de la transparencia e interpretabilidad 4.2.Explicaciones locales 4.3.Influencia causal 5.Privacidad y proteccion de datos 5.1.Transferencia responsable de datos 5.2.Anonimizacion y sus limites 5.3.Privacidad diferencial 6.Codigos legales y de conducta 6.1.Principios eticos y normativas legales 6.2.Regulaciones sobre proteccion general de datos IV.ESTRATEGIAS METODOLOGICAS -Catedras -Estudio de casos -Discusion en equipos -Laboratorios -Expertos invitados V.ESTRATEGIAS EVALUATIVAS -Laboratorios: 30% -Tareas: 30% -Proyecto final: 40% VI.BIBLIOGRAFIA Minimo Julia Stoyanovich, Armanda Lewis. Teaching Responsible Data Science: Charting New Pedagogical Territory. CoRR abs/1912.10564 (2019) Complementarias Julia Angwin, Jeff Larson, Surya Mattu, and Lauren Kirchner. 2016. Machine bias: There's software used across the country to predict future criminals. And it's biased against blacks. (ProPublica). https://www.propublica.org/article/ machine-bias-risk-assessments-in-criminal-sentencing Danah boyd. 2010. Privacy and Publicity in the Context of Big Data. https: //www.danah.org/papers/talks/2010/WWW2010.html Meredith Broussard. 2018. Artificial Unintelligence: How Computers Misunderstand the World. MIT Press, Cambridge, Massachusetts. Alexandra Chouldechova. 2017. Fair prediction with disparate impact: A study of bias in recidivism prediction instruments. CoRR abs/1703.00056 (2017). arXiv:1703.00056 http://arxiv.org/abs/1703.00056 Tschantz. 2018. Discrimination in Online Personalization: A Multidisciplinary Inquiry. In Conference on Fairness, Accountability and Transparency, FAT 2018, 23-24 February 2018, New York, NY, USA. 20-34. http://proceedings.mlr.press/ v81/datta18a.html PONTIFICIA UNIVERSIDAD CATOLICA DE CHILE INSTITUTO DE INGENIERIA MATEMATICA Y COMPUTACIONAL / SEPTIEMBRE 2020