No hay comentarios.

CURSO:APLICACIONES DE MACHINE LEARNING EN ECONOMIA
TRADUCCION:MACHINE LEARNING APPLICATIONS IN ECONOMICS
SIGLA:EAE3709
CREDITOS:10
MODULOS:03
CARACTER:OPTATIVO
TIPO:CATEDRA
CALIFICACION:ESTANDAR
PALABRAS CLAVE:DATA SCIENCE,DATA MINING,ANALISIS DE DATOS, PREDICCION
NIVEL FORMATIVO:MAGISTER


I.DESCRIPCIÓN DEL CURSO

En este curso, los estudiantes aplicaran los principales conceptos y metodologias empleadas en el analisis de machine learning. Ademas, podran evaluar desde una vision integral, los principales usos, fortalezas y debilidades de estas herramientas, asi como la capacidad de aplicacion practica en ambitos de la macroeconomia, microeconomia, economia financiera y politicas publicas. La modalidad del curso consiste en catedras, aprendizaje basado en proyectos y laboratorios practicos, entre otros. El aprendizaje sera evaluado mediante tareas practicas, controles escritos, exposiciones orales y proyecto.


II.RESULTADOS DE APRENDIZAJE

1.Planificar una linea de trabajo de analisis de datos considerando objetivos claros de trabajo, ademas de los desafios y potenciales resultados en cada escenario.

2.Aplicar distintos modelos de machine learning considerando diferentes escenarios, objetivos y disponibilidad de datos para realizar predicciones.

3.Interpretar predicciones de los modelos aplicados buscando una utilidad practica.

4.Evaluar el desempe?o de modelos aplicados incorporando posibles ideas de mejora y determinando condiciones suficientes para su uso.

5.Aplicar machine learning para analisis causal considerando los aportes y limitaciones que herramientas de data science pueden aportar a la econometria.


III.CONTENIDOS

1.Introduccion y contexto
1.1.La revolucion de los datos
1.2.Analisis de datos: Tipos de datos, Integracion, tablas y bases de datos relacionales, Depuracion de datos

2.Data Science:
2.1.Data science workflow
2.2.Visualizacion de datos
2.3.Repositorios de codigo y practicas de git flow

3.Introduccion a Machine Learning:
3.1.?Que es ML y para que se usa? (ML vs. Econometria: prediccion vs. causalidad)
3.2.Tipos de aprendizaje: supervisado, no supervisado y reinforcement learning
3.3.El proceso de aprendizaje: entrenamiento?testeo?prediccion. Cross-validation, overfitting y performance de los modelos (learning curve, precision, recall, F1 score, ROC curve)

4.Modelos basados en arboles
4.1.Arboles de decision
4.2.Random forest
4.3.XGBoost

5.Modelos no supervisados:
5.1.Clustering
5.2.Gaussian mixture models

6.Modelos bayesianos:
6.1.Naive Bayes

7.Modelos de redes neuronales y SVM
7.1.Support Vector Machines (SVM)
7.2.Perceptrones, redes neuronales y deep learning

8.Modelos de inferencia causal
8.1.Causal tree
8.2.Diferencias con respecto al enfoque econometrico

9.Interpretabilidad y explicabilidad en machine learning
9.1.Feature importance
9.2.Shap values

10.Casos aplicados en distintas areas y charlas de expositores invitados


IV.ESTRATEGIAS METODOLOGICAS

-Catedra.

-Laboratorios practicos.

-Aprendizaje entre pares.

-Aprendizaje basado en proyectos.


V.ESTRATEGIAS EVALUATIVAS

-Exposicion oral grupal: 20%

-Aplicacion: 25%

-Controles escritos: 15%

-Proyecto final: 40%


VI.BIBLIOGRAFIA

Minima

Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython. W. McKinney. O'Reilly Media, 1 edition,Feb 5,2013.

J. Leskovec, A. Rajaraman, and J. Ullman. Mining of Massive Datasets. Cambridge University Press, Second edition,2014.

Bishop, Christopher M. Pattern Recognition and Machine Learning. New York: Springer,2006.

Gregoire Montavon, Genevieve B. Orr, Klaus-Robert Muller. Neural Networks: Tricks of the Trade. Springer,2012.

Athey(2017). Beyond prediction: Using big data for policy problems. Science

Bardoscia, Bianconi, Ferrara(2019). Multiplex network analysis of the UK over the counter derivatives market.International Journal of Finance and Economics


Complementaria

Blumenstock, Cadamuro, On(2015). Predicting poverty and wealth from mobile phone metadata. Science

Caballo and Rigobon(2016). The Billion Prices Project: Using Online Prices for Measurement and Research. Journal of Economic Perspectives

Donaldson and Storeygard(2016). The View from Above: Applications of Satellite Data in Economics. Journal of Economic Perspectives

Galbraith and Tkacz(2015). Nowcasting GDP with electronic payments data. ECB?s Statistics Paper Series

Henderson, Storeygard and Weil(2009). Measuring Economic Growth from Outer Space. American Economic Review

McBride and Nichols(2018). Retooling Poverty Targeting Using Out-of-Sample Validation and Machine Learning. World Bank Economic Review.

Mullainathan and Spiess(2017). Machine Learning: An Applied Econometric Approach. Journal of Economic Perspectives

Murphy, K.(2012) Machine Learning: A Probabilistic Perspective. MIT Press.

Witten, Frank, Hall.(2011) Data Mining: Practical Machine Learning Tools and Techniques. MK Series.


PONTIFICIA UNIVERSIDAD CATOLICA DE CHILE
FACULTAD DE ECONOMIA Y ADMINISTRACION / NOVIEMBRE 2022