AIB ANALYSIC, S.C. tiene el gusto de invitarles a participar en el curso abierto:

Para mayores informes contactar a: mail@analysic.com O: 55 6723 9184

Requisitos: Indispensable que el alumno cuente con laptop

(procesador al menos i5 o equivalente) Tener conocimientos de Python Conocimientos estadísticos (Medidas de Dispersión,

Medidas de Tendencia Central, Funciones dedensidad, Funciones de Distribución)

Álgebra Lineal (Matrices, Vectores y Escalares,Operaciones Matriciales)

www.analysic.com

Introducción a Machine Learning

(30 hrs)

Fechas:7, 9, 14, 16, 21, 23, 28, 30 de enero, 4 y 6 de febrero de 2020. Horario:Los días martes y jueves de 18:00 a 21:00 hrs. Sede: Polanco

Costo: $26,100.00 mxn (Veintiseis mil cien pesos 00/100 mn) (I.V.A. incluido) por persona, a pagar en una sola exhibición (cupo limitado) Cuenta: AIB Analysic, S.C.BBVA Bancomer, cuenta: 0111671723 CLABE: 01218001116717233

1. Minería de datos (Data Mining)a) Introducciónb) Bases de datosc) Procesamiento de datosd) Modelos de clasificacióne) Reducción de dimensionesf) Extrayendo información desde textosg) Machine Learningh) Análisis de grafos

2. Introducción a Machine Learning

2.1. Introducción a Machine Learning

a) Nociones básicasi. Definición y motivación para métodos de aprendizajeii. Modelos Supervisadosiii. Modelos No supervisados

b) La regresión linealc) Overfitting, Underfitting

2.2. Selección y entrenamiento de Modelosa) Cross-Validationb) Regularización

i. Ridge Regressionii. Lasso

c) El método de gradient descentd) Normalización

www.analysic.com

Objetivo del Curso:Introducir al alumno a los modelos clásicos de Machine Learning bajo una perspectiva algorítmica. Al finalizar el curso, el estudiante entenderá la maquinaria detrás de estos modelos, así como su aplicación por medio del lenguaje de programación Python.

Temario:

3. Modelos Supervisados 3.1. La regresión logística a) Análisis de errores i. Confusion matrix ii. precision iii. Recall 3.2. Decision Trees 3.3. Support Vector Machines 3.4. Feedforward neural networks 3.5. Ensemble learning a) Random Forests b) Voto de clasificadores c) Bagging d) Boosting

4. Modelos No Supervisados 4.1. Modelos no-paramétricos a) K-Nearest Neighbors b) K-Means c) Kernel Density Estimation 4.2. Reducción de Dimensiones a) PCA b) T-SNE c) Autoencoders

5. Aplicaciones en NLP 5.1. Tooling a) Regex b) Counting words c) Frequencies d) Word Removal e) Stemming and Lemmatization 5.2. Naïve Bayes 5.3. Ngram model

www.analysic.com

www.analysic.com

AIB Analysic es una empresa enfocada en brindar servicios de asesoría y capacitación �nanciera de alto nivel de especialización. Es un Instituto acreditado por la AMIB para impartir cursos con validez para efec-tos de la Revalidación de la Certi�cación de Promotores y Operadores del Mercado de Valores.

EXPOSITOR

Act. Gerardo Durán Martín

Egresado de la carrera de Actuaría por parte de la Universidad Marista, con especialización en Ciencia de Datos, Gerardo Durán cuenta además con diversas certificaciones en temas de Estadística, Deep Learning y Machine Learning.

Actualmente se desempeña en Analysic Nabla desarrollando soluciones en al área de la ciencia de datos, en donde ha creado modelos de optimización de portafolios, análisis del sentimiento de mercado y forecasting. Anteriormente trabajó en el sector financiero como Gerente de Riesgos en Banco Santander en dónde era responsable de la evaluación y réplica de modelos para instrumentos financieros derivados, así como del análisis e interpretación de datos.

Ha impartido cursos de Machine Learning y Programación a nivel Licenciatura en la Universidad Marista, introduciendo conceptos básicos de cross-validation y los detalles matemáticos con los que cuentan los modelos de clasificación y regresión. De igual manera ha impartido cursos de introducción a Machine Learning con aplicaciones en Python en DataVision.