Economía en la Era de Big Data: Retos Empíricos
Tarifas:
Con créditos académicos:
*El valor del curso es de $3.167.000 si te encuentras en Colombia
*El valor del curso es de USD 856 si te encuentras en el exterior
Para realizar el pago ingresa aquí
Sin créditos académicos:
*El valor del curso es de $1.569.000 si te encuentras en Colombia
*El valor del curso es de USD 430 si te encuentras en el exterior
Para realizar el pago ingresa aquí
Conoce como realizar tu pago aquí
Nota: Si estás interesado en inscribir un grupo de 3 o más personas, deja tus datos en el formulario y un asesor se contactará contigo.
Horario*: lunes, martes, miércoles, jueves, viernes y sábado de 2:00p.m. a 5:00p.m. / Seguido por una sesión práctica de 5:00p.m. a 6:00p.m.
*Los horarios y modalidad (virtual o semipresencial) de los cursos están sujetos a modificaciones de acuerdo a las disposiciones del Gobierno Nacional y Distrital para el manejo del COVID 19. Las fechas y horarios de las sesiones podrán ser consultados en mibanner.uniandes.edu.co
Este curso introduce a los estudiantes a algunas de las aplicaciones más importantes de la minería de datos y el aprendizaje de máquinas (Big Data) a problemas empresariales y económicos. En particular, haremos bastante énfasis en los problemas empíricos que se enfrentan: La diferenciación entre predicción y causalidad y las implicaciones que esto tiene sobre la toma de decisiones, el problema de privacidad en la era de la información, los sesgos algorítmicos, discriminación, etc.
Para esto los estudiantes serán introducidos muy rápidamente a los elementos más básicos del aprendizaje estadístico (i.e. riesgo, el problema de aprendizaje de máquinas, error de estimación y aproximación) y las principales técnicas: el modelo de regresión lineal, vecinos más cercanos, el modelo logístico, arboles y bosques aleatorios. Con este conjunto mínimo de herramientas tendremos los elementos necesarios para entender los problemas de predicción, causalidad, privacidad, sesgos algorítmicos y discriminación desde un punto de vista formal y aplicado a problemas reales.
Además de aprender los fundamentos teóricos, los estudiantes aprenderán herramientas básicas de programación en Python, lo que les permitirá una vez finalizado el curso, hacer un trabajo final en el que se plantee un problema que utilice diversas fuentes de datos, aplicar las técnicas aprendidas en clase y ofrecer una solución novedosa. Este trabajo final podrá estar basado en problemas específicos del lugar de trabajo de los estudiantes, tesis o intereses particulares.
Requisitos: Ser profesional y haber visto el curso de Econometría 2.
Idioma: Español
Este curso hace parte del portafolio de materias de pregrado y posgrado de la Universidad abiertas a todo público.
Al participar en este curso podrás vivir la experiencia Uniandina, acceder a contenidos de calidad, tomar clases con estudiantes regulares, acceder al sistema de bibliotecas de Uniandes y participar en las actividades culturales que esta Universidad te ofrece.
Contenido
1. Teoría:
Fundamentación estadística del aprendizaje de máquinas y la minería de datos.
Métodos Lineales de clasificación (regresión lineal, modelo logístico).
Aplicación: Breve introducción al Aprendizaje de máquinas en economía: predicción vs. causalidad.
Práctica:
Introducción a Python I
2. Teoría:
Selección y validación de modelos: Regularización, validación cruzada, (sub) bagging, boosting, curva ROC.
Métodos no lineales: árboles, bosques aleatorios, kernels.
Aplicación: Discriminación, riesgo de crédito y riesgo moral
Práctica:
Introducción a Python II
3. Teoría
Predicción, Causalidad y toma de decisiones
Aplicación:
Predicción del gasto público en salud y toma de decisiones al interior de una empresa de servicios públicos domiciliarios
Práctica:
Ejemplos de estimación de efectos causales en Python (A/B testing)
4. Teoría:
Definiciones formales de discriminación algorítmica y como mitigarla
Aplicación:
Predicción de crimen
Práctica:
Prueba de calibración y mitigación de discriminación algorítmica en Python
5. Teoría:
Definiciones formales de privacidad: differential privacy
Aplicación:
Entrenando un modelo con descenso del gradiente y local differential privacy
6. Teoría:
Medición, Macroeconomía y las grandes oportunidades de BigData
-Data Diseñada y Data Orgánica
-Pilares de las mediciones futuras
-Debilidades y retos de Big Data
7. Teoría:
Problemas de Identificación en Macroeconomía: Soluciones Preliminares
8. Teoría:
Soluciones Parte II. Aplicaciones: Problema de atribución y Problema de Contagio
9. Teoría:
Uniendo Big Data y Econometría. ¿Qué puede aprender cada uno del otro?
10. Aplicaciones:
Medición de Estrés, Discriminación, Tráfico Humano, Consumo de Drogas, e Impacto Ambiental
Metodología: Este curso es muy práctico y requiere de la participación intensa de los estudiantes para su desarrollo. Las clases magistrales tendrán una duración de tres horas complementadas con una hora adicional de programación en Python. No es necesario saber de programación en estos lenguajes aunque es muy deseable haber estado expuesto a un nivel introductorio cualquier software estadístico (Stata, SPSS, EViews,etc) o lenguaje de programación (Matlab, Mathematica, etc).
Los estudiantes tendrán que formar grupos (de mínimo dos personas a máximo cuatro personas) para hacer las siguientes entregas:
- Taller 1 (30% de la nota)
- Taller 2 (30% de la nota)
- Prepropuesta de proyecto final (10% de la nota)
- Proyecto final (30% de la nota)
Profesores
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.
