Machine Learning & Finanzas

Estado Actual
No inscripto
Precio
$7.000
Comienza Ahora

Objetivo

El curso está orientado tanto para el público en general como para perfiles más técnicos que quieran incorporar machine learning en las soluciones que desarrollan habitualmente. Al completar el curso el alumno tendrá una noción concreta de los elementos necesarios para obtener un modelo predictivo con machine learning. Para tal fin se propone un recorrido didáctico por los fundamentos básicos de machine learning, para reconocer cuáles son los pasos, las consideraciones conceptuales claves y los errores comunes al momento de abordar un problema con estas herramientas. El abordaje simultáneo de aspectos conceptuales e implementaciones prácticas con librerías de alto nivel para python está pensado para aportar elementos relevantes incluso para quienes no tienen experiencia previa con python. Los casos de uso mostrarán la aplicación de estas herramientas, tanto clásicas como de deep learning, a problemas comunes del sector financiero.

Contenidos

Clase 1. Fundamentos de machine learning

¿Qué significa que una computadora aprenda? Definición y alcance de machine learning. Diferencia entre aprender y memorizar (generalización y sobreajuste). Tipos de aprendizaje. ¿Cómo armar un dataset? ¿Cuántos datos necesito? Dificultades al armar un dataset. Hiperparámetros: ¿cómo determinarlos? Métricas y scoring.

Clase 2. Principales métodos de machine learning en scikit-learn

Repaso de los principales métodos de machine learning: Modelos lineales. Support vector machines. Nearest neighbors. Naive Bayes. Decision trees. Ensemble methods. Feature selection. Gaussian mixture models. Clustering. Novelty and outlier detection. Density Estimation

Clase 3. Introducción a deep learning con Keras

Perceptrón y regresión logística. Redes neuronales. Métodos de gradiente. Optimizadores. Regularización. Redes neuronales convolucionales. Redes neuronales recurrentes. Self attention. Transformers. Transfer learning.

Clases 4 y 5. Ejemplos de uso

Instructor

Dr. Lucas Uzal​

Físico egresado del Instituto Balseiro, fue Investigador Adjunto en CONICET y Profesor de la UNR, enseñando física durante 10 años para las carreras de ingeniería. Desde 2018 se desempeña en el sector privado, siendo Líder de Inteligencia Artificial en BLD y actualmente Científico de Datos en San Cristóbal. En el ámbito académico, sus principales líneas de investigación se han orientado al desarrollo y aplicación de técnicas de Deep Learning y ha sido pionero en el dictado de cursos de Deep Learning en Argentina: ECI 2014 (UBA), RIO 2016 (UNRC), Doctorado en Informática y Licenciatura en Cs. de la Computación (UNR) en 2016 y Polo Tecnológico Rosario en 2017. Lucas alcanzó su Doctorado en Física con una tesis sobre series temporales caóticas y su Maestría en Ciencias Físicas con una tesis en experimentos de cavitación y sonoluminiscencia.

WP Feedback

Dive straight into the feedback!
Login below and you can start commenting using your own user instantly

Ir arriba
Abrir chat
¿Necesitas Ayuda?
Hola, ¡Bienvenido a Matba Rofex School!