Contenido 1. Teoría:Fundamentación estadística del aprendizaje de máquinas y la minería de datos.Métodos Lineales de clasificación (regresión lineal, modelo logístico).Aplicación: Breve introducción al Aprendizaje de máquinas en economía: predicción vs. causalidad.Práctica:Introducción a Python I2. Teoría:Selección y validación de modelos: Regularización, validación cruzada, (sub) bagging, boosting, curva ROC.Métodos no lineales: árboles, bosques aleatorios, kernels.Aplicación: Discriminación, riesgo de crédito y riesgo moralPráctica:Introducción a Python II3. TeoríaPredicción, Causalidad y toma de decisionesAplicación:Predicción del gasto público en salud y toma de decisiones al interior de una empresa de servicios públicos domiciliariosPráctica:Ejemplos de estimación de efectos causales en Python (A/B testing)4. Teoría:Definiciones formales de discriminación algorítmica y como mitigarlaAplicación:Predicción de crimenPráctica:Prueba de calibración y mitigación de discriminación algorítmica en Python5. Teoría:Definiciones formales de privacidad: differential privacyAplicación:Entrenando un modelo con descenso del gradiente y local differential privacy6. Teoría:Medición, Macroeconomía y las grandes oportunidades de BigData-Data Diseñada y Data Orgánica-Pilares de las mediciones futuras-Debilidades y retos de Big Data7. Teoría:Problemas de Identificación en Macroeconomía: Soluciones Preliminares8. Teoría:Soluciones Parte II. Aplicaciones: Problema de atribución y Problema de Contagio9. Teoría:Uniendo Big Data y Econometría. ¿Qué puede aprender cada uno del otro?10. Aplicaciones:Medición de Estrés, Discriminación, Tráfico Humano, Consumo de Drogas, e Impacto Ambiental Metodología: Este curso es muy práctico y requiere de la participación intensa de los estudiantes para su desarrollo. Las clases magistrales tendrán una duración de tres horas complementadas con una hora adicional de programación en Python. No es necesario saber de programación en estos lenguajes aunque es muy deseable haber estado expuesto a un nivel introductorio cualquier software estadístico (Stata, SPSS, EViews,etc) o lenguaje de programación (Matlab, Mathematica, etc). Los estudiantes tendrán que formar grupos (de mínimo dos personas a máximo cuatro personas) para hacer las siguientes entregas: Taller 1 (30% de la nota) Taller 2 (30% de la nota) Prepropuesta de proyecto final (10% de la nota) Proyecto final (30% de la nota)