Semipresencial – Introducción al Machine Learning para las políticas públicas
Dirigido a: El curso está dirigido a estudiantes, profesionales y analistas interesados en aplicar técnicas de Machine Learning a problemas de impacto social y políticas públicas con un enfoque práctico en Python.
Este curso ofrece una inmersión aplicada en Machine Learning, diseñado especialmente para abordar problemas en el ámbito de las políticas públicas. A lo largo del curso, se utilizará herramientas y escalables de análisis de datos para generar valor e impactar positivamente en la toma de decisiones dentro de organizaciones gubernamentales, sociales y académicas.
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
Módulo 1: Fundamentos del Machine Learning
- Introducción al Machine Learning y su impacto en las políticas públicas.
- Breiman y las dos culturas: Predicción vs. causalidad.
- Modelos lineales: OLS, LASSO, Ridge, Elastic Net, y sus extensiones.
- Arquitectura del Machine Learning: Procesos y componentes clave.
Módulo 2: Pipeline y Modelos de Machine Learning
- Machine Learning Pipeline: División de datos (train/test), medidas de ajuste, tuning de hiperparámetros, y validación cruzada.
- Modelos no lineales: Árboles de decisión, bosques aleatorios, árboles y bosques aumentados, y bosques condicionales.
Módulo 3: Machine Learning Causal y Aplicaciones
- Introducción al Machine Learning causal: Causal Trees y Causal Forest.
- Talleres prácticos: Implementación de modelos en Python utilizando Google Colab.
Talleres:
- Asesoría de proyecto final
Horario:
Lunes, miércoles y sábados
18:00 – 20:00
Evaluación:
Evaluación de entrada 10%
Asistencia y participación 40%
Entrega final grupal 50%
- Angelo Cozzubo, Científico de Datos en National Opinion Research Center (NORC) de la Universidad de Chicago. Actualmente es alumno del Ph.D. en Survey y Data Science en la Universidad de Maryland. También es Magíster con honores en Análisis Computacional y Políticas Públicas por la Universidad de Chicago y Bachiller summa cum laude y licenciado en Economía por PUCP. Cuenta con publicaciones en journals y capítulos en libros sobre economía y políticas públicas. Se ha desempeñado como consultor y asesor en organismos públicos y multilaterales, así como en posiciones de investigador en think tanks. Actualmente es asesor técnico de la Oficina Nacional de Estadística del Perú (INEI).
- Diego Quiroz, Ingeniero Economista por la Universidad Nacional de Ingeniería y Magíster en Políticas Públicas con concentración en Data Analytics por la Universidad de Chicago, donde obtuvo la Beca Presidente de la República del Perú. Ha desarrollado investigaciones aplicadas en machine learning, como la predicción de casos de COVID-19 en México, Perú y Japón, y estudios en política fiscal y programas sociales. Su experiencia incluye el Banco Interamericano de Desarrollo, analizando grandes volúmenes de datos para mejorar políticas públicas y eficiencia fiscal. Actualmente es Jefe de Estadística y Estudios Económicos del Banco de la Nación del Perú, donde lidera análisis macroeconómicos y proyectos de modernización estadística.
- Esteban Cabrera, Estudiante de Economía de la Pontificia Universidad Católica del Perú (PUCP) y asistente de investigación en el laboratorio de Inteligencia Artificial y Métodos Computacionales en Ciencias Sociales (QLAB PUCP). Conocimientos avanzados en programación, herramientas estadísticas y financieras. Desarrollo de proyectos en Python y RStudio.