Big data y Machine learning para economía aplicada
Curso
En Bogotá, D.C.
¿Necesitas un coach de formación?
Te ayudará a comparar y elegir el mejor curso para ti y a financiarlo en cómodas cuotas mensuales.
Descripción
-
Tipología
Curso
-
Lugar
Bogotá, d.c.
-
Horas lectivas
72h
Esta microcredencial introduce las herramientas provenientes del Big Data y el Machine Learning para el uso en las ciencias sociales. Está dirigida a personas interesadas en la aplicación de estas herramientas para el análisis de datos grandes y no estructurados, y a aquellos interesados en la investigación aplicada.
A partir de la comprensión conceptual y la experiencia práctica, los estudiantes serán capaces de responder preguntas predictivas y causales en las ciencias sociales, con especial énfasis en la economía. A lo largo de la microcredencial los estudiantes ponen en práctica los conceptos teóricos adquiridos en aplicaciones sobre problemas reales utilizando encuestas de hogares, precios de propiedades, redes sociales, entre otras.
Al finalizar este proceso, obtendrás una Insignia digital que es una representación digital que se puede mostrar, acceder y verificar en línea. Incluye metadatos que brindan información detallada sobre la certificación que se otorga y que puede publicarse en redes sociales, plataformas profesionales de reclutamiento y empleos.
Sedes y fechas disponibles
Ubicación
Inicio
Inicio
A tener en cuenta
La microcredencial busca que los estudiantes sean capaces de organizar, relacionar, y analizar datos anárquicos y espontáneos de gran escala, tipo, y calidad para responder preguntas económicas y sociales, con especial énfasis en tareas predictivas.
1. Comprender las técnicas provenientes de la ciencia de datos, la ciencia computacional, y la estadística desde una visión de economistas.
2. Ser capaz de contrastar distintas técnicas econométricas y su conveniencia para contestar preguntas sociales y económicas.
3. Desarrollar habilidades técnicas para el manejo cuantitativo de datos que surgen de distintas fuentes: páginas web, encuestas, geoespaciales, texto, etc.
4. Desarrollar la capacidad manejar, analizar y sintetizar bases de datos con gran número de observaciones y variables para generar conclusiones y recomendaciones sobre preguntas relevantes a las ciencias sociales.
5. Aprender a manejar con fluidez distintas herramientas computacionales.
6. Capacidad de analizar críticamente los datos presentados, ya sean provenientes de textos académicos o de los ejercicios presentados en el cursado.
7. Trabajar y resolver situaciones en grupo.
8. Habilidad de exponer y defender el trabajo realizado.
Esta microcredencial está dirigida a profesionales de programas cuantitativos (ingenierías, economía, matemáticas, administración, gobierno, entre otras), analistas de datos, y profesionales de cualquier disciplina que se encuentren interesados en el uso de herramientas de las herramientas de Big Data y Machine Learning para la solución de problemas de ciencias sociales y economía.
Se necesita experiencia en manejo de datos y en el software “R”. El curso se basará principalmente en “R”. Aquellos estudiantes sin experiencia en este software y con ganas y voluntad de aprender son bienvenidos a esta microcredencial previa consulta con el docente. ¡Estos programas (y todos) se aprenden utilizándolos!
Es necesario también contar conocimientos de grado de cálculo, estadística, álgebra lineal y econometría.
Visitar web
Opiniones
Logros de este Centro
Todos los cursos están actualizados
La valoración media es superior a 3,7
Más de 50 opiniones en los últimos 12 meses
Este centro lleva 14 años en Emagister.
Materias
- Análisis de datos
- E learning
- Ciencias sociales
- Aprendizaje estadístico
- Aprendizaje supervisado
Programa académico
2. Regresión lineal. MCO. Propiedades numéricas. Teorema FWL. Sobreajuste. Métodos de resampleo y validación cruzada. Optimización. Modelos lineales, linealizables, y no lineales. Vecinos cercanos. Obtención de datos de la web: scraping y APIs.
3. Selección de modelos y regularización. Lasso y Ridge. Aplicaciones en inferencia causal.
4. Clasificación. Análisis discriminante. Clasificador de Bayes. Máxima verosimilitud. Regresión logística. Aprendizaje no Balanceado.
5. Árboles de decisión (CARTs). Bosques, Bagging, y Boosting. XGBoost, LightGBM, y Super Learners. Aplicaciones en inferencia causal.
6. Datos espaciales. Modelado de dependencia espacial, métodos no paramétricos y econometría espacial.
7. Texto como datos y aprendizaje no supervisado. Modelos de categorización de tópicos. Word Embeddings.
8. Introducción a aprendizaje profundo. Redes neuronales. Imágenes como datos.
¿Necesitas un coach de formación?
Te ayudará a comparar y elegir el mejor curso para ti y a financiarlo en cómodas cuotas mensuales.
Big data y Machine learning para economía aplicada