El curso está pensado para público profesional que esté interesado en la materia.  No obstante, para un buen aprovechamiento del curso se  recomienda tener conocimientos de programación, en particular en el lenguaje Python. 

El curso incluye casos y ejemplos de diversas aplicaciones del entorno económico y financiero.  Por eso, se recomienda que los asistentes estén familiarizados con los conocimientos básicos de este entorno.

El curso tiene un enfoque principalmente práctico con el objetivo que los asistentes puedan:

• Identificar el tipo de problemas que pueden resolverse con técnicas de machine learning
• Conocer de forma intuitiva los principales algoritmos de aprendizaje
• Conocer las buenas prácticas en la definición y transformación de  características
• Ser capaces de plantear tareas de aprendizaje y definir de forma adecuada los procesos de etiquetado, modelado y evaluación de modelos de machine learning
• Conocer librerías de machine learning en Python

1. Introducción al Machine Learning

• Motivación ¿Para qué las máquinas aprenden?
• Conceptos básicos y procesos de minería de datos
• Herramientas y librerías populares

 2. Técnicas de Clasificación

• Arboles y reglas de decisión
• Aprendizaje basado en instancias
• Evaluación de clasificadores
• Otros algoritmos de clasificación

 3. Técnicas de Regresión

• Regresión lineal
• Descenso del gradiente
• Evaluación de modelos
• Redes de neuronas artificiales

 4. Ingeniería de Características

• Limpieza y preparación de datos
• Principales transformaciones
• Evaluación de importancia de características

 5. Meta-clasificadores y Machine Learning en Finanzas

• Meta-clasificadores, Bagging y Random Forest
• Aprendizaje semi-supervisado
• Técnicas clásicas de Series Temporales
• Transformaciones y generación de características
• Backtesting y overfitting en finanzas

 6. Técnicas de Clustering

• Algoritmos de particionado
• Algoritmos de agrupación jerárquica
• Reducción de dimensionalidad

 7. Otros Temas de Machine Learning

• Reglas de asociación
• Aprendizaje relacional
• Pre-procesado para text-mining
• Introducción al graph-mining

El curso tiene una duración de 21 horas. Se imparte en sesiones de 3 horas donde el profesor expondrá los conocimientos teóricos necesarios y luego presentará los ejemplos prácticos implementados en notebooks de Python. 

Por esta razón se recomienda que los asistentes tengan conocimientos de programación, y que preferiblemente estén familiarizados con el lenguaje de programación Python.

También se presentarán y discutirán ejercicios no resueltos para que el alumno pueda desarrollar sus habilidades con la práctica de diferentes problemas.

Al finalizar el curso, se entregará un certificado de asistencia a aquellos alumnos que acudan a más del 75% de las sesiones.

Tomás de la Rosa Turbides

Doctor en Ciencia y Tecnología Informática por la Universidad Carlos III de Madrid.  Más de 10 años de experiencia como investigador y profesor en diferentes campos de la Inteligencia Artificial. 

Experto en machine learning aplicado a la planificación automática con más de 15 publicaciones científicas en diferentes congresos y revistas internacionales.  Actualmente es miembro del proyecto SofIA en el Innovation Labs de BME Inntech.