Omitir los comandos de cinta
Saltar al contenido principal
Inicio de sesión
Universidad EAFIT
Carrera 49 # 7 sur -50 Medellín Antioquia Colombia
Carrera 12 # 96-23, oficina 304 Bogotá Cundinamarca Colombia
(57)(4) 2619500 contacto@eafit.edu.co

 


​​​​Cursos de Verano 2022-1

​Maestría en Ciencias

Escuela de Finanzas, Economía y Gobierno


​Curso: Machine Learning para la toma de decisiones financieras

Fechas y horarios: 18 de julio al 17 de agosto - Lunes y miércoles de 6:00 a 9:00 p.m.
​Modalidad: presencial - Duración: 3​0 horas

Inscripción

Tipo de participante Inversión Inscripció​​n
Participantes externos con conocimientos previos ​en finanzas
COP $2´704.191
Inscripción
Egresados Especialización en Finanzas y Maestría en Ciencias en Finanzas Universidad EAFIT

COP $1´75​7.724
Inscripción
​Estudiantes Activos MCF con Proyecto de Grado matriculado​
​sin costo
Inscripción

*Cupos limitados

Objetivo:

El curso de Machine Learning para las finanzas brindaría la posibilidad a sus estudiantes de desarrollar las competencias básicas que las empresas, inmersas en la era digital demandan, específicamente aquellas relacionadas con el manejo de nuevos modelos y herramientas para el tratamiento de datos, orientados a la creación de valor para las empresas.

Por tanto, con este curso se pretende como objetivo general utilizar los principios fundamentales de las ciencias de los datos, mediante un pensamiento data-analítico que permita extraer el conocimiento necesario a partir de los datos de un negocio o fenómeno económico, para generar valor a la empresa y la sociedad.


Docentes:

Tomás Olarte : Magíster en Inteligencia Artificial, Ingeniería informática de la Universidad de Southampton. Trabaja actualmente como director de analítica en PROTECCIÓN S.A y como profesor de cátedra de la Maestría en ciencias de los datos de la Universidad EAFIT. Anteriormente se desempeñó como Tech Lead & Machine Learning Engineer en Factored y como director de tecnología en Big Band Data S.A.S, entre otros cargos​ 

Paula María Almonacid: Doctora en Ciencias-Estadística  en la Universidad Nacional, Magíster en Ciencias Económicas de la Universidad Montreal.  Trabaja como profesora asociada en el Departamento de Finanzas. Anteriormente, se desempeñó como investigadora en el área de Investigaciones de la Oficina de Planeación y como profesora de cátedra en Estadística en la Universidad EAFIT. 


Contenido

Clase 1 Introducción al Machine Learning

  • Conceptos básicos
  • Metodología de trabajo 

Clase 2 –Análisis supervisado parte 1

  • Regresión lineal
  • Regresión logística 

Clase 3 –Análisis supervisado parte 2

  • Máquinas de soporte vectorial
  • Árboles decisión
  • Algoritmos de ensamble 

Clase 4 –Análisis no supervisado parte 1

  • Análisis de componentes principales
  • Algoritmos para detección de anomalías

Clase 5 –Análisis no supervisado parte 2

  • K-means
  • Clustering jerárquico

Clase 6 –Deep Learning

  • Redes neuronales
  • Redes neuronales convolucionales
  • Redes recurrentes

Clase 7 –Análisis de series de tiempo con ML y redes neuronales

  • Algoritmos de ML para series de tiempo
  • Aplicaciones de redes neuronales a series de tiempo

 

Clase 8 –Presentación de proyectos del curso

  • Presentación de los proyectos de investigación realizados por los estudiantes utilizando las herramientas y competencias desarrollados durante el curso.

Conocimientos Previos

Se requieren conocimientos básicos de programación, preferiblemente utilizando el lenguaje Python, así como conocimientos básicos en estadística y matemáticas.

 

Proyecto del curso

Los estudiantes tendrán la oportunidad de demostrar los aprendizajes logrados en el curso mediante la realización de un trabajo final, el cual será presentado de forma oral. Dicha presentación estaría abierta a todos los estudiantes de la asignatura.

Puntos guía de la presentación:

La exposición deberá tener una duración de entre 20 y 30 minutos, con 5 minutos adicionales para preguntas. Los estudiantes deberán explicar por lo menos los siguientes puntos: 

1. Descripción del problema de investigación. 

2. Presentación y justificación de la selección de los datos obtenidos. 

3. Explicación y justificación del modelo utilizado para resolver el problema. 

4. Análisis de los resultados obtenidos. 

5. Presentación y argumentación de las conclusiones.


Cursos de Verano Maestría en Ciencias en Finanzas