Big data y machine learning en el mercado inmobiliario

Curso

Big data y machine learning en el mercado inmobiliario

Facultad de Economía
Inicio / Programas / Big data y machine learning en el mercado inmobiliario

Big data y machine learning en el mercado inmobiliario

Este curso busca introducir herramientas de Big Data y Machine Learning para estudiar las ciudades en las que vivimos y el mercado inmobiliario. Para esto, los estudiantes tendrán una combinación de clases teóricas y prácticas. En las clases teóricas se introducirán los conceptos teóricos fundamentales para las aproximaciones prácticas de los problemas. En las clases prácticas a su vez aprenderán herramientas de programación básicas en Python y R.


Al finalizar el curso el estudiante, habrá adquirido conocimientos en los modelos teóricos básicos que explican la configuración de las ciudades y los precios de las propiedades en el mercado inmobiliario. También estará en condiciones de obtener datos desde la web (webscraping, APIs), manejar datos espaciales, y usar algoritmos de Machine Learning para la tarea de predecir.

Nota: se sugiere que el estudiante interesado en el curso cuente con un computador de 4GB de RAM pero preferiblemente 8GB en adelante. 

Las instrucciones de instalación de los software que usará serán remitidas al inicio del curso.

Dirigido a

Este curso está dirigido a profesionales de cualquier disciplina que se encuentren interesados en el uso de herramientas de Big Data y Machine Learning aplicadas a la vida urbana y el precio de las propiedades en el mercado inmobiliario.

Se necesita experiencia básica en manejo de datos (por ejemplo, Excel, STATA, etc.) y conocimientos básicos en Python y R. Es recomendable también que los estudiantes tengan conocimientos básicos de cálculo y estadística (por ejemplo, regresión lineal.

Objetivos

Al finalizar el curso el estudiante estará en capacidad de
•    Comprender los modelos de equilibrio espacial dentro y entre ciudades, como los modelos hedónicos de valuación de propiedades
•    Reconocer, adquirir, y manejar distintas fuentes de datos 
•    Analizar y encontrar patrones en los datos recolectados
•    Contrastar las ventajas y limitaciones de los algoritmos
•    Adaptar datos y algoritmos para responder a problemas complejos / esenciales de la economía urbana
•    Evaluar la calidad del modelo en términos de métricas de error relevantes para cada tarea
•    Implementar estas técnicas en R o Python.
 

Metodología

El curso combina clases magistrales con talleres prácticos donde se aplicarán los conocimientos teóricos discutidos en la clase magistral. Las aplicaciones prácticas estarán hechas en R y en Python.

 

Contenido

1.    Introducción a la Economía Urbana y a la Programación (1 sesión)
Práctica:
  • Introducción a R 
  • Introducción a Python 
  • Introducción a Cloud Computing AWS

2.    Equilibrio Espacial dentro de las ciudades (1 sesión)
  • Teoría: Modelo Monocéntrico: Modelo Alonso-Muth-Mills
  • Práctica: Aplicación del modelo de Alonso-Muth-Mills usando APIs

3.    Equilibrio Espacial dentro de las ciudades (3 sesiones)

Teoría: Modelos de uso de la tierra
Práctica: 
  • Introducción a datos espaciales
  • Manejo de datos espaciales: Rasters, polígonos, líneas, y puntos
  • Medición y clasificación de uso de la tierra con datos espaciales

4.    Equilibrio Espacial entre ciudades (1 sesión)
  • Teoría:  Modelo de Rosen-Roback: el rol de las amenidades
Práctica: 
  • Extracción, webscraping, y procesamiento de datos de diversas fuentes: Wikipedia, Openstreetmaps, DANE, etc.
5.    Mercado Inmobiliario (4 sesiones)
Teoría: 
  • Modelo de disposición a pagar de Rosen
  • Introducción a Machine Learning. Predicción versus Inferencia. Dilema Sesgo-Varianza
  • Modelos lineales y modelos semi-paramétricos
  • Modelos de aprendizaje de máquinas
  • CARTs
  • Modelos basados en gradientes: XGBoost, LightGBM
Práctica: 
  • Extracción de características de propiedades. Datos geográficos disponibles públicamente: calles, parques, cines, etc. Expresiones regulares e interpretación de texto
  • Predicción de precios de propiedades en Bogotá.

Profesores

Ignacio Sarmiento-Barbieri

PhD en Economía de la Universidad de Illinois con especialización en Economía Urbana y Econometría. Realizó su postdoctorado en ciencia de datos en microeconomía aplicada en el Centro Nacional de Aplicaciones de Supercomputadoras (NCSA) de Estados Unidos. Actualmente es Profesor Asistente de la Facultad de Economía donde dicta Big Data and Machine Learning for Applied Economics. Sus principales intereses en investigación se centran en entender la vida en la ciudad y las políticas públicas que le dan forma. Particularmente le interesa entender el efecto de la discriminación y el crimen sobre las decisiones de vivienda. Para ello utiliza herramientas tradicionales de econometría y las combina y amplia con Big Data y Machine Learning.

Eduard Martinez Gonzalez

Economista y Doctorando en Economía de la Universidad de los Andes. Sus intereses en investigación se centran en el uso de econometría, Big Data, datos espaciales y Machine Learning para estudiar la economía del crimen, de la educación y urbana.

Rafael Cano Polania

Economista y Maestrando en Economía de la Universidad de Los Andes. Actualmente hace parte de un equipo de datos de un emprendimiento relacionado a temas de finca raíz y mercado inmobiliario. Tiene experiencia en manejo de programas como Python y R, y en metodologías como Web Scraping.

Condiciones

Eventualmente la Universidad puede verse obligada, por causas de fuerza mayor a cambiar sus profesores o cancelar el programa. En este caso el participante podrá optar por la devolución de su dinero o reinvertirlo en otro curso de Educación Continua que se ofrezca en ese momento, asumiendo la diferencia si la hubiere.

La apertura y desarrollo del programa estará sujeto al número de inscritos. El Departamento/Facultad (Unidad académica que ofrece el curso) de la Universidad de los Andes se reserva el derecho de admisión dependiendo del perfil académico de los aspirantes.