Acerca del curso
Este tipo de análisis fue impulsado enormemente por el uso de machine learning. Los modelos de machine learning aprenden en función de la información proporcionada y proyectan el resultado. Los modelos con los cuales siempre se comparan con LOGIT y PROBIT que pueden o no tener mejor desempeño dependiendo del análisis.
Los modelos de probabilidad permiten determinar un valor numérico sobre si puede o no pasar un evento en función de otras variables. Por ejemplo, la probabilidad que alguien que pidió un crédito no pueda pagarlo, la probabilidad que un cliente deje de comprar nuestros productos, la probabilidad que un empleado renuncie a la empresa, etc. Por otro lado, los modelos de clasificación determinan un valor categórico. Por ejemplo, la probabilidad que una persona vote por un candidato presidencial, la probabilidad que una persona resida en un cantón, la probabilidad que una persona cambie su estado civil, etc.
En este curso aprenderás los modelos benchmark y los modelos machine learning. Te enseñaremos como compararlos y como determinar su efectividad. Los temas que veremos son:
- GLM Binomial
- LOGIT y PROBIT
- KNN
- Tree based method
- Bagging and Random Forest
- boosting GBM
- SVM
- ROC Curves
- Cross Validation
- MSE
Al final del curso podrás realizar varios modelos de probabilidad o de clasificación, determinar el que presenta mejor ajuste y comparar con los modelos benchmark.
Requerimientos
- Es recomendable que tengas tu propia computadora.
- Es recomendable que hayas tomado nuestro curso de “Econometría I”.
Obtienes
- Cuaderno de trabajo con todo lo que veremos en el curso, incluidos ejemplos
- Bibliografía adicional para complementar el curso
- Suscripción por tres meses al reporte económico mensual
- Descuento si continuas con el siguiente curso
- Certificado de participación
Inversión
Por persona tiene un valor de 40 USD. Si te acompañan más de dos personas se realiza un descuento grupal.
Horarios
- Lunes y Miércoles de 6 PM a 8 PM
- Martes y Jueves de 8 PM a 10 PM
- Sábado de 9 AM a 1 PM
