El objetivo de esta materia es presentar a los estudiantes los aspectos generales de las distintas técnicas de Machine learning e introducir a los estudiantes a los principales conceptos de esta área de conocimiento.  Se presentarán las diferencias entre las técnicas de machine learning y la econometría, la importancia del tamaño de la base de datos, las técnicas de segmentación de la base de datos y los métodos que existen para evaluar las predicciones fuera de la muestra cross-validation y k-folds.

Adicionalmente se presentan las diferencias entre los problemas de clasificación y regresión y entre el aprendizaje supervisado y no supervisado. Se discuten los aspectos a considerar a la hora de elegir los algoritmos o métodos a aplicar en base a la pregunta y los datos disponibles. Finalmente se presentan las formas de evaluar la performance predictiva del modelo y el concepto de tuning de parámetros.

El objetivo de esta materia es introducir a los estudiantes los distintos algoritmos de machine learning en base a las técnicas comúnmente utilizadas en aprendizaje supervisado y no supervisado.  El enfoque adoptado es práctico. Cada uno de los algoritmos presentados será implementado por parte de los estudiantes a un conjunto de datos reales para responder a un problema de clasificación o regresión utilizando Python (y alternativamente se brindarán los códigos en R).

El objetivo de esta materia es introducir a los estudiantes a las redes neuronales y presentar los principales tipos de redes y su implementación con python.  El curso será aplicado y cada una de las redes neuronales presentadas será implementada por parte de los estudiantes a un conjunto de datos reales.

El objetivo de esta materia es introducir a los estudiantes al análisis de redes. En particular se presentarán los principales tipos de redes, los gráficos de redes, las medidas y topologías de redes y los métodos de imputación en la construcción de redes con datos faltantes. Se realizará una aplicación práctica con redes sociales.