Es un curso teórico-práctico que aporta al dominio de métodos cuantitativos, de gestión e intermediación financiera y de riesgos. Brinda al alumno herramientas para comprender y aplicar algoritmos de Machine Learning: i) Data sampling, data analysis, data pre-processing y feature engineering; ii) ML y Statistical Learning: Error Metrics, Error Reducible-Irreducible, Bias vs Variance, Overfit vs Underfit, Paramétrico vs No paramétrico; iii) Train, Test, Validations, Cross-Validation, Resampling, Bootstrapping; iv) Tipos de aprendizaje: Supervised, Unsupervised, Reinforcement, Semi-supervised, Self-supervised Learning; v) Métricas de clasificación y orden (precision, recall, specificity, accuracy,f1, ROC, AUC, MAP@K) y métricas de regresion (R^2, MAE, RMSE, AIC, BIC); vi) Modelos: Logistic, Random Forest, Gradient Boosting, Support Vector Machine; vii) Métricas de distancia: Euclidea, Manhattan, etc.; viii) Reducción de dimensionalidad: Mediante descomposición lineal (PCA y SVD); ix) Clustering: Flat (k-Means) y jerárquico (con distintos tipos de linkage); x) Modelos: Neural Networks.
