Qué aprenderás aquí
Fundamentos de machine learning financiero
Cómo funcionan los modelos de regresión y clasificación cuando los datos son transacciones bancarias, no imágenes ni texto. Partimos de ejemplos reales con conjuntos de datos abiertos.
Perfiles de usuario y segmentación
Construir perfiles financieros desde cero: qué variables importan, cuáles son ruido y cómo agrupar usuarios sin etiquetar manualmente cada caso.
Sistemas de recomendación adaptados
Filtrado colaborativo y basado en contenido aplicado a productos de ahorro e inversión. Diferencias prácticas entre ambos enfoques según el volumen de datos disponible.
Evaluación y sesgos en modelos
Métricas que van más allá del accuracy: precisión, recall y fairness. Detectar cuándo un modelo discrimina por variables sensibles como edad o lugar de residencia.
Cómo está estructurado el curso
Cada módulo combina explicación conceptual con ejercicios en Python. No hace falta experiencia previa en finanzas, pero sí conocimiento básico de programación.
Cada semana incluye un caso práctico con datos reales: historial de gastos, categorización de transacciones y simulación de recomendaciones.
Lo que incluye la matrícula
El acceso al material no caduca. Puedes avanzar a tu ritmo y volver a los ejercicios cuando lo necesites. Las actualizaciones de contenido están incluidas.
Vídeos grabados, cuadernos Jupyter descargables y foros de preguntas con respuesta en 48 horas hábiles. Sin sesiones en directo obligatorias.
Requisitos técnicosPython 3.9 o superior, pandas y scikit-learn. Toda la configuración está documentada en el primer módulo con instrucciones paso a paso.
Programa de colaboraciónSi trabajas en formación o consultoría, consulta las condiciones del programa de afiliados para compartir el curso con tu red.