Introducción a Machine Learning para las políticas públicas
El objetivo general del curso es proporcionar una introducción al Machine Learning (supervisado) y cómo se puede aplicar a problemas de políticas públicas. Está dirigido a estudiantes interesados en aprender a utilizar métodos y herramientas modernos y escalables de análisis de datos computacionales para problemas de impacto social y políticas públicas. Se tomará para ello una óptica aplicada con ejercicios prácticos en Python.
Inicio: 1 de octubre
Más información del curso
- Estudios de pregrado en ciencias sociales, políticas públicas, economía y/o tener interés en la investigación económica y social
- Conocimientos básicos de estadística
- Conocimientos intermedios de Python, Office y herramientas de ofimática
- Disponibilidad de tiempo para capacitarse online
- Tener instalado Python (Anaconda) en sus computadoras
- Tener acceso a Google Colab.
Introducción al Machine Learning
Breiman two cultures. Predicción versus causalidad
Modelos lineales:
- OLS, LASSO, Ridge, Elastic Net. Extensiones de LASSOs
Machine Learning pipeline:
- Train test splitting, measures of fit, Hyperparameters tunning cross validation
Modelos no lineales:
- Árboles de decisión y regresión, forests, boosted trees, conditional forest
Introducción al ML causal:
- Causal Trees y Causal Forest
Arquitectura del ML
Talleres:
- Asesoría de proyecto final
Horario:
-
Martes y jueves, de 18:30 a 20:00 p.m.
- Sábados: 11:00 – 12:00
Evaluación:
-
Evaluación de entrada: 0%
-
Asistencia y participación: 30%
-
Entrega final grupal: 70%
- Angelo Cozzubo, Magíster con honores en Análisis Computacional y Políticas Públicas por University of Chicago. Bachiller summa cum laude y licenciado en Economía por PUCP. En 2019, obtuvo las becas Presidente de la República, Fulbright y Chevening para posgrados en el extranjero. Cuenta con publicaciones en journals y capítulos en libros sobre economía y políticas públicas.
- Alexander Quispe, Consultor del Banco Mundial y Profesor en la PUCP con una Maestría en Quantitative Economics de la Universidad de Múnich. Con roles de investigación en Harvard, MIT Sloan, Yale y el Max Planck Institute y experiencia docente en temas de Inteligencia Artificial e Inferencia Causal.
- Rodrigo Grijalba, Licenciado en Economía de la Pontificia Universidad Católica del Perú. Especializado en IA, Inferencia Causal. Durante los últimos años ha trabajado en ciencia de datos y desarrollo de software. Especializado en Inferencia Causal, Economía, sistemas integrados de Inteligencia Artificial y sus intersecciones.