Introducción a Machine Learning

Estructura del curso

1. Introducción a Python

Comenzaremos con los fundamentos de la programación en Python, incluyendo tipos de datos, variables, y estructuras básicas de control. Este módulo asegurará que todos los participantes, independientemente de su nivel previo de conocimiento, puedan seguir el curso con fluidez.

1.1 Introducción a Python y a la programación de computadora

1.2 Tipos de datos, variables, operaciones básicas de entrada y salida, y operadores básicos

1.3 Valores booleanos, ejecución condicional, bucles, listas y su procesamiento, operaciones lógicas y de bit a bit

1.4 Funciones, tuplas, diccionarios y procesamiento de datos

2. Estadística y probabilidad con Python

La segunda parte del curso se centrará en conceptos clave de álgebra lineal, teoría de la información, y probabilidad, que son esenciales para la construcción de modelos predictivos. Se explorará tanto la estadística inferencial como la bayesiana, lo cual es crucial para la interpretación de datos en finanzas. También se realizarán simulaciones para modelar escenarios y tomar decisiones informadas.

2.1 Álgebra lineal

2.2 Teoría de la información

2.3 Probabilidad

2.4 Estadística inferencial

2.5 Estadística bayesiana

2.6 Simulaciones

3. Ciencia de datos

En este módulo, los participantes aprenderán a manejar bases de datos y a utilizar herramientas científicas de Python para el análisis de datos financieros. Se explorarán técnicas de análisis y construcción de portafolios, así como el análisis del lenguaje natural, lo cual es especialmente útil en la extracción de información valiosa de noticias y reportes financieros.

3.1 Bases de datos y SQL

3.2 Python científico

3.3 Introducción al análisis de datos

3.4 Análisis de datos financieros

3.5 Análisis y construcción de portafolios

3.6 Análisis del lenguaje natural

3.7 Detección de oportunidades de inversión

4. Machine Learning

Este módulo constituye el núcleo del curso. Comenzaremos con una introducción al lenguaje de máquina y pasaremos a la selección y entrenamiento de modelos. Los participantes aprenderán a implementar modelos supervisados, como regresiones y redes neuronales, así como técnicas avanzadas como Ensemble Learning y aprendizaje no supervisado. También se explorarán aplicaciones específicas para series de tiempo y la optimización de portafolios, áreas de gran relevancia en finanzas cuantitativas.

4.1 Introducción al lenguaje máquina

4.2 Selección y entrenamiento de modelos

4.3 Modelos supervisados

4.4 Ensemble Learning

4.5 Modelos no supervisados

4.6 Aprenizaje de máquina para series de tiempo

5. Deep Learning

Finalmente, nos adentraremos en el deep learning utilizando TensorFlow y Keras, dos de las bibliotecas más poderosas en este campo. Los participantes aprenderán a construir redes neuronales FeedForward y a aplicar métodos avanzados de aprendizaje para resolver problemas complejos en finanzas.

5.1 Tensorflow y Keras

5.2 Redes FeedForward

5.3 Métodos de aprendizaje

Requisitos

Para avanzar en las sesiones de manera fluida, se recomienda que los participantes tengan conocimientos previos de programación, matemáticas financieras, álgebra lineal, cálculo y estadística. Además, es imprescindible que cada asistente utilice una computadora, equipada con un procesador i5 o equivalente, la instalación de Anaconda, Jupyter Notebook y (deseable) MySQL.

Para más información haz clic en la siguiente guía de instalación MySQL.