Webinar en vivo · kyzelo
Machine learning en finanzas
Entender cómo los modelos predictivos funcionan en mercados reales — con datos concretos, herramientas accesibles y sin rodeos teóricos innecesarios.
Quiénes están detrás
Personas que trabajan con estos datos a diario
Los instructores de este programa no provienen del mundo académico exclusivamente. Llevan años aplicando modelos de clasificación, regresión y series temporales en contextos financieros reales: análisis de riesgo crediticio, detección de anomalías en transacciones y optimización de portafolios con restricciones prácticas.
Eso cambia la forma en que explican las cosas. Cuando alguien ha tenido que justificar un modelo ante un equipo de cumplimiento, sabe qué detalles importan y cuáles son ruido.
Especializada en modelos de riesgo y detección de fraude. Ha trabajado con conjuntos de datos de más de veinte millones de registros en proyectos de banca minorista y seguros.
Estructura del programa
Qué pasa en cada sesión
Cada encuentro tiene un objetivo concreto. No hay sesiones de relleno. Si no podés asistir en vivo, la grabación queda disponible durante 30 días.
Semana 1
Datos financieros: estructura y problemas reales
Cómo se ven los datos de mercado en la práctica, qué información suele faltar y cómo preparar un dataset para modelado.
Semana 2
Modelos de clasificación aplicados a riesgo
Regresión logística, árboles de decisión y gradient boosting en contextos de scoring crediticio. Comparación de métricas relevantes.
Semana 3
Series temporales y predicción de precios
ARIMA, Prophet y redes LSTM aplicadas a series de activos. Cuándo cada enfoque tiene sentido y cuándo no.
Semana 4
Detección de anomalías y fraude
Isolation Forest, autoencoders y métodos estadísticos clásicos. Trabajo con datos desbalanceados en transacciones reales.
Semana 5
Interpretabilidad y comunicación de resultados
SHAP values, explicaciones locales y cómo presentar un modelo a equipos no técnicos sin perder precisión.
Semana 6
Proyecto integrador con datos reales
Cada participante trabaja sobre un caso propio o propuesto, con revisión individual y devolución del equipo docente.
Qué lo diferencia
Construido desde el problema, no desde el algoritmo
Muchos cursos de ML en finanzas empiezan con la teoría matemática y terminan con un ejemplo de juguete. Acá el orden es inverso: primero el problema financiero, después la herramienta que lo resuelve mejor en ese contexto específico.
Las sesiones combinan explicación conceptual con trabajo en notebooks reales. Los datasets utilizados provienen de fuentes públicas verificadas, no de datos sintéticos.
Los errores se explican, no se ocultan
Cuando un modelo falla en los datos de prueba, el instructor analiza por qué falló. Eso enseña más que ver solo los casos donde todo funciona bien.
Preguntas durante la sesión, no al final
El formato no es clase magistral seguida de preguntas. Las dudas se integran en el flujo, porque eso es lo que pasa cuando alguien trabaja con datos en la práctica.
Contexto regulatorio incluido
Modelos en finanzas no operan en el vacío. Se cubren aspectos básicos de explicabilidad requerida por marcos regulatorios como Basilea III y directrices locales.
Sin herramientas de pago obligatorias
Todo el stack técnico es open source: Python, scikit-learn, pandas, statsmodels. No se requiere suscripción a ninguna plataforma externa para completar el programa.
Devolución individual sobre el proyecto final
El proyecto integrador recibe comentarios específicos, no una rúbrica genérica. Cada participante obtiene observaciones sobre su código y sus decisiones de modelado.