INTRODUCCIÓN MACHINE LEARNING APLICADO A BANCOS

OBJETIVO

Describir las principales herramientas del análisis de datos, utilizando métodos estadísticos tradicionales y técnicas recientes de aprendizaje automático supervisado y no supervisado, de manera que el participante pueda detectar oportunidades de aplicación en sus tareas diarias, pudiendo participar en el armado y la solución de las mismas.  

La adaptación de breves casos reales evaluados con el software libre R_Studio también permitirá conocer cómo se pueden implementar estas técnicas.

CONTENIDOS

• Descripción general del Aprendizaje Automático y sus técnicas.  Introducción a R-Studio
• Cómo aprender de los datos: Predicción y selección. Modelo de regresión lineal y general.
• Clasificar una base de datos: Regresión Logística y Análisis Discriminante.  Método de K-Nearest Neighbors.  Comparación de resultados.
• Mejorar el método de estimación (aprendizaje): Cross-Validation y Bootstrap.  
• Aprendizaje No Supervisado: ordenar datos generales.  Árboles y Componentes Principales.

TEMA CENTRAL A DESARROLLAR EN CADA CLASE

1. Descripción general: nociones estadísticas y de R Studio. Calidad del Ajuste y Trade-off sesgo-varianza. PRÁCTICO: Introducción a R Studio: gráficos, carga de datos, tablas, matrices y funciones.
2. Aprender de los Datos: Predicción e Inferencia. Regresión Lineal y General. PRÁCTICO: estimación del valor de mercado de un bien tomado en garantía.
3. Clasificación: Evaluar si un deudor pagará o no el crédito. Regresión Logística y Análisis Discriminante lineal y cuadrático.  K-Nearest Neighbors.  Comparación de Métodos. PRÁCTICO: estimación de la suba o baja del mercado bursátil.
4. Elección del Modelo: comparación de alternativas y resultados: LOOCV y K-Folds.  Cross-Validation y Bootstrap. PRÁCTICO: validación cruzada con tarjetas de crédito.
5. Aprendizaje No Supervisado: cómo ordenar una base de datos. Árboles y análisis de Componentes Principales.

Bases de datos a utilizar (serán dadas en el seminario):

Bienes: 506 datos habitaciones, m2, polución, seguridad, escuelas, etc sobre viviendas de una ciudad

Tarjetas de crédito: 400 registros con ingreso, límite de crédito, clasificación, plásticos, edad, educación, estudiante, etc.

Producto: 400 datos de venta de un producto bancario en sucursales de diferentes bancos, con unidades vendidas, precio del competidor, ingreso del comprador, publicidad, población de la ciudad, precio propio del producto, ubicación en la web, edad del comprador, zona rural y dentro del país.

Default: 1000 clientes con identificación de pagadores o no y datos de saldo de deuda, ingresos y si son estudiantes

Mercado: cierre diario de mercado en 1250 días con hasta cinco rezagos, volumen y suba o baja del índice de bolsa

Mercado2: Ídem “Mercado” pero con promedios semanales

Publicidad: resultado en ventas por publicidad en TV, radio y diarios

BIBLIOGRAFÍA: 

• James G., Witten D., Hastie T. and Tibshirani,R (2013).  An Introduction to Statistical Learning whit Applications in R.  Springer Science, New York.
• Kabacoff, Robert (2015).  R in Action – Data Analysis and Graphics with R.  Manning Publications, New York, Second Edition.
• Sosa Escudero, Walter (2019).  Big Data.  Siglo XXI Editores Argentina, Buenos Aires.

ARANCELES

Valor asociados $18550

Valor No asociados $ 21500