Este curso tiene como propósito entregar herramientas teóricas y prácticas para aprender a trabajar con datos y sacar valor a partir de ellos. Se enseña a manejar bases de datos tabulares y a usar técnicas de exploración de datos para encontrar patrones. Luego, se enseñan técnicas de aprendizaje automático. Para esto se expondrán los conceptos esenciales del campo y se mostrarán aplicaciones contingentes al mundo de las Fintech, como el análisis de series de tiempo, clustering y predicción.
Hoy en día, estos asuntos son de vital importancia tanto para personas naturales que se proponen comprender cómo las nuevas tendencias impulsadas por la tecnología cambian los modelos de negocios en finanzas, como para organizaciones y empresas que desean adaptarse a este cambio.
La metodología que se utiliza combina diferentes métodos de enseñanza, con el propósito de lograr un alto nivel de aprendizaje, para lo cual se contemplan exposiciones conceptuales y participativas apoyadas por material audiovisual, clases interactivas, actividades aplicadas de análisis, discusión de lecturas, análisis colectivos de casos y actividades prácticas.
Dirigido a:
Profesionales que buscan actualizar sus conocimientos en actividades financieras sustentadas en la tecnología, ya sea quienes ocupan cargos en áreas financieras y/o tecnológicas en organizaciones públicas o privadas, como quienes quieran mejorar sus conocimientos para sus propias inversiones o emprendimientos Fintech.
Objetivo de aprendizaje:
Realizar proyectos de ciencia de datos y aprendizaje automático en Fintech.
• ¿Por qué queremos trabajar con datos?
• Introducción a la ciencia de datos.
• Programación en Python.
• Introducción a las bases de datos.
• Bases de datos tabulares y sus operadores.
• Pandas.
• Herramientas estadísticas.
• Introducción a la visualización de datos.
• Caso: análisis de presupuestos comunales.
• Conceptos básicos.
• Modelos de clasificación.
• Evaluación de desempeño.
• Caso: análisis de churn con datos bancarios.
• Análisis de series de tiempo.
• Explicabilidad en modelos de aprendizaje automático.
• Proyectos de ciencia de datos en producción.
Ph.D. y M.Sc. en Administración de Negocios con concentración en Finanzas, Universidad de California, Berkeley, USA. Magíster en Ciencias de la Computación e Ingeniero Civil Industrial, UC. Profesor Asociado del Departamento de Ingeniería Industrial y de Sistemas de la Escuela de Ingeniería UC. Director Académico del Laboratorio de Finanzas Itaú UC. Especialista en Finanzas y Evaluación de Proyectos.
Revisa aquí el perfil de LinkedIn
Ph.D. University of Toronto. Magíster en Ciencia de la Computación e Ingeniero Civil de Industrias con mención en Computación y Licenciado en Matemáticas, UC. Profesor Titular del Departamento de Ciencia de la Computación y del Instituto de Ingeniería Matemática y Computacional UC. Miembro distinguido de la Association for Computing Machinery (ACM), Director del Instituto Milenio Fundamentos de los Datos, y exdirector del Centro de Investigación de la Web Semántica.
Ph.D. in Computer Science (March 2016 – January 2021) e Ingeniero de Software, UC. Científico de datos en Fintual, Santiago de Chile. Sus principales intereses de investigación son la ciencia de datos, el análisis de grafos, la gestión de datos, la implementación de DBMS y los algoritmos para el procesamiento eficiente de consultas. Disfruta mucho creando pipelines para resolver problemas de ciencia de datos y desarrollando herramientas para la gestión de datos.
¿Te gusta esta publicación?
Comparte esta publicación
