Módulo 1: Programación en Pyhton

• ¿Que es Python? 

• Crecimiento exponencial del uso de Python

• Pyhton en el sector bancario

• Instalación de Python

• Importación de archivos

• Tratatamiento de datos

• Variables y programación

• Construcción de funciones

• Principales sentencias de programación

• Datos fuentes de internet

• Numpy, Scipy, Scikit-lern,panda y Matplotlib

• Instalación y uso  de Anaconda

• Ejercicio a1: Cálculadora financiera

• Ejercicio a2: Importación y modelos de series temporales

• Ejercicio a3: Simulación de Monte Carlo en Python 

​

Módulo 2: Programación en R

• Introducción de R

• ¿Porque usar R en la Banca?

• Instalación y Actualización de R

• R con Windows

• R con Linux y Unix

• Programación en R

  • Principales Sentencias

  • Operadores 

  • Dataframes 

  • Arrays

  • Matrices

  • Principales funciones

• Librerias, Paquetes y CRAN 

• Importar Bases de datos en R

• Manipulación y gestión de bases de datos en R

• Gestión de Outputs

• Procedimientos Estadísticos

  • Estadística Descriptiva

  • Análisis Exploratorio

• Ejercicio b1: Ejercicios de programación en R

• Ejercicio b2:Fusión,Unión e Intersección de Bases de Datos R/SQL

• Ejercicio b3:Tratamiento de Base de Datos de Credit Scoring

• Ejercicio b4:Eliminación de duplicados

• Ejercicio b5:Imputación de valores Missing

• Ejercicio b6:Estadísticos y tablas de contigencia en R

• Ejercicio b7:Gráficos Estadísticos en R

​

​

Módulo 3: Big Data y Machine Learning en Banca

• Big Data en las entidades financieras

• Tipología de datos: Estructurados y No Estructurados

• Volumen, Velocidad, Variedad, Veracidad y valor

• Tamaño de los Big Data

• Fuentes de grandes volúmenes

• Origen de las fuentes de datos

• Big Data Analytics en Marketing

• Adquisición, mantenimiento y retención de Clientes

• Análisis de sentimientos en Marketing

• Customer 360º

• Mejoras de campañas de marketing

• Modelos de abandono

• Segmentación y optimización del pricing

• Canales de distribución

• Casos de estudio

• Machine Learning en la gestión de Riesgos y Finanzas

• Riesgos financieros

• Modelos predictivos de riesgo crédito

• Modelos de provisiones

• Analítica de fraude

• Stress testing 

• Real Time Monitoring

• Riesgo de Mercado 

• Riesgo de liquidez

• Riesgo de contraparte

• Uso de redes sociales en la gestión de riesgos

• Análisis de Portfolio de Inversiones

​

Módulo 4: Machine Learning

• Definición del Machine Learning 

• Metodología del Machine Learning

  • Almacenamiento de la Data

  • Abstracción

  • Generalización

  • Evaluación

• Aprendizaje Supervisado y No Supervisado

• Tipología de algoritmos de Machine Learning

• Pasos para implementar un algoritmo

  • Recogida de información

  • Análisis Exploratorio

  • Entrenamiento del modelo

  • Evaluación del Modelo

  • Mejoras al modelo

  • Machine Learning en riesgo crédito de consumo

• Machine Learning en modelos de credit scoring

• Principales Herramientas: Python, R, Microsoft Azure, SAS  Enterprise Miner, SAS Visual Analytics, Knime, IBM SPSS Modelller,etc.

Módulo 5: Análisis Exploratorio Avanzado

​

• Tipología de datos

• Datos transaccionales

• Unstructured data embebida en documentos de texto

• Social Media Data

• Fuentes de datos

• Revisión del dato

• Definición del Target

• Horizonte temporal de la variable objetivo

• Muestreo

  • Muestreo Aleatorio

  • Muestreo Estratificado

  • Muestreo Rebalanceado

• Análisis Exploratorio:

  • Histogramas

  • Q-Q Plot

  • Análisis de momentos

  • Box Plot

• Tratamiento de los valores Missing

  • Imputación

  • Borrar

  • Mantener

• Técnicas avanzadas de detección de Outliers y tratamiento

  • Z-Score

  • Distancia de Mahalanobis

• Estandarización de los Datos

• Categorización de variables

  • Equal Interval Binning

  • Equal Frecuency Binning

  • Prueba Ji-Cuadrada

• Binary Coding

• WOE Coding

  • Definición WOE

  • Análisis Univariante con variable Target

  • Selección de variables

  • Tratamiento de Variables continuas

  • Tratamiento de Variables Categóricas

  • Fisher Score

  • Gini

  • Information Value

  • Pearson Correlation

  • Cramer Von Misses

  • Optimización de variables continuas

  • Optimización de variables categóricas

• ​Ejercicio 1: Muestra de entrenamiento y validación en R

• ​Ejercicio 2: Tratamiento de los datos de panel 

• ​Ejercicio 3: Tratamiento de valores missing

• ​Ejercicio 4: Análisis Exploratorio en R

• Ejercicio 5: Detección y tratamiento de Outliers usando Z-score

• Ejercicio 7: Muestreo estratificado y Aleatorio en R

• Ejercicio 8: Análisis del Weight of Evidence en Python 

• Ejercicio 9: Análisis univariante en percentiles en R

• Ejercicio 10: Análisis univariante óptimo variable continua en Excel

• Ejercicio 11: Estimación del KS, Gini e IV de cada variable en Excel

• Ejercicio 12: Validación de variables usando Pearson correlation y Fisher Score

• Ejercicio 13: Análisis Univariante con árboles de decisión en R

​

​

Módulo 6: Segmentación, Clustering y Análisis de Componentes Principales

• Clusters Jerárquicos

• Dendrograma

• Model Based Clustering

• Density Based Clustering

• Comparativo de Clusters

  • Distancia Interclusters

  • Distancia Intraclusters

• Gráfico de disimilitud

• Validación de Clusters

• Análisis de Componentes principales (PCA)

• Visualización avanzada de PCA

• Ejercicio 14: Componentes principales en R y Python

• Ejercicio 15: Visualización de componentes principales en R

​

​

​

​

​