Programa de colaboración · canariasol

Aprende a recomendar con datos

Los modelos de machine learning no reemplazan el criterio financiero - lo complementan con patrones que el análisis manual no puede detectar a escala. Este programa te enseña a construir esa capa de inteligencia.

Visualización de modelos de machine learning aplicados a análisis financiero personalizado

Estructura del programa

Qué cubre este itinerario formativo

4 módulos progresivos con ejercicios prácticos en Python y datos reales

12 semanas de duración estimada, con ritmo flexible según disponibilidad

8 casos de estudio basados en carteras de inversión y perfiles de riesgo reales

Los algoritmos de filtrado colaborativo y los modelos de regresión regularizada son herramientas concretas. Aprenderás cuándo aplicar cada uno y, más importante, cuándo no hacerlo.

Fundamentos de datos financieros

Series temporales de precios, volatilidad histórica y construcción de features relevantes para modelos predictivos. Sin datos limpios, ningún modelo funciona bien.

Modelos de recomendación supervisada

Regresión logística, árboles de decisión y random forests aplicados a clasificación de productos financieros según perfil de usuario y tolerancia al riesgo.

Personalización y filtrado colaborativo

Técnicas de matrix factorization y embeddings para identificar similitudes entre perfiles de inversión y generar sugerencias coherentes con el historial del usuario.

Evaluación y límites del modelo

Métricas de precisión, recall y AUC-ROC en contexto financiero. Cómo detectar sesgos en los datos de entrenamiento antes de que afecten a las recomendaciones reales.