[Pri-2019] BI para las Finanzas
ESP PythonDescripción del Curso
Acá podrás encontrar las ayudantías computacionales del curso Business Intelligence para las Finanzas dictado al programa de Magister en Finanzas en la Universidad de Chile. Las clases van desde tópicos sencillos, como manejo de bases de datos mediante Pandas, hasta desarrollo de algotirmos complejos como Redes Neuronales con Scikit-Learn.
Descripción del Curso
Acá podrás encontrar las ayudantías computacionales del curso Business Intelligence para las Finanzas dictado al programa de Magister en Finanzas en la Universidad de Chile. Las clases van desde tópicos sencillos, como manejo de bases de datos mediante Pandas, hasta desarrollo de algoritmos complejos como Redes Neuronales con Scikit-Learn.
Sesión #1: Numpy (Numerical Python)
En esta sesión aprenderemos cómo ejecutar operaciones básicas del Álgebra Lineal, haciendo uso de la librería Numpy. Aprenderemos la diferencia entre los objetos plain python y Numpy. De este modo, haciendo uso de operaciones matriciales podremos empezar a trabajar con cálculos numéricos. Al final de la sesión replicaremos la multiplicación matricial haciendo uso de loop anidados.
Sesión #2: Pandas - Uso del DataFrame
En esta sesión aprenderemos como ejecutar operaciones básicas de Pandas, y su objeto estrella, el DataFrame. Aprenderemos por qué es uno de las objetos preferidos a la hora de programar por los usuarios de python así como la forma más eficiente de llamar celas, filas o columnas específicas. También ocuparemos visualización de data mediante gráficos simples y prepararemos estadística descriptiva básica.
Sesión #3: Pandas - Multibase de Datos
En esta sesión aprenderemos a manejar múltiples bases de datos haciendo uso de los comandos concat y merge. También trabajaremos con data jerarquizada haciendo uso de la herramienta group_by.
Sesión #4: Aplicaciones Misceláneas
En esta sesión veremos un par de aplicaciones haciendo uso de lo aprendido en las sesiones anteriores. Partiremos con cálculos de complejidad computacional, recuperando el tiempo que le toma a nuestro computador realizar ciertas operaciones recursivas. Luego veremos una aplicación financiera usando el comando shift. Finalmente reclasificaremos una variable continua utilizando bins y la función pd_cut.
Sesión #5: Gradiente Descendiente
En este apartado, se discutirán tres sabores distintos del algoritmo de Gradiente Descendiente. Los cuales, desde el más complejo al más simple, en términos computacionales, van en el siguiente orden: Batch Gradient Descent, Mini-Batch Gradient Descent y Stochastic Gradient Descent. Veremos ventajas y desventajas de cada uno de estos y también veremos la implementación de estos en la librería sklearn.
Sesión #6: Métricas de Acierto
En este apartado, se discuten las principales métricas de acierto para los modelos de clasificación.
Sesión #7: Modelos Lineales Regularizados
En esta sesión, aprenderemos como, haciendo uso de sklearn, estimar modelos de regresión lineal regulariazados (e.g Lasso, Ridge, ElasticNet). Adicional a esto, declararemos una serie de funciones que serán de utilidad en la generación de rezagos en la data (crealags), para generar listas ordenadas con todos los modelos que queramos estimar (creamodelos), y finalmente otra que será útil para la presentación de las métricas de desempeño de dichos modelos en cada una de las muestras (metricas).
Sesión #8: Modelos Multinomiales
En esta sesión, veremos como aplicar modelos de clasificación multinomiales usando sklearn.
Sesión #9: Support Vector Machine
En esta sesión, utilizaremos Support Vector Machine, como clasificador y como predictor lineal.
Sesión #10: Artificial Neural Network (ANN para los amigos)
En esta sesión tiene por propósito mostrar cómo se construye una red neuronal y luego cómo se implementa en Sklearn.