Ir al contenido principal

[FINANZAS][AI][PROGRAMACION][PLAN DE ESTUDIO] Experto en inteligencia artificial (IA) y programación orientada a las finanzas


Etapa 1: Fundamentos de Programación y Matemáticas

  1. Lenguajes de Programación:
    • Python: Aprende los conceptos básicos y avanzados.
    • R: Útil para análisis de datos y estadísticas.
  2. Matemáticas:
    • Álgebra Lineal
    • Cálculo
    • Probabilidad y Estadística

Etapa 2: Fundamentos de Inteligencia Artificial

  1. Cursos Introductorios:
    • Coursera: “Machine Learning” de Andrew Ng
    • edX: “Introduction to Artificial Intelligence” de IBM
  2. Libros:
    • “Artificial Intelligence: A Modern Approach” de Stuart Russell y Peter Norvig

Etapa 3: Programación Orientada a las Finanzas

  1. Cursos:
    • Udemy: “Python for Finance: Investment Fundamentals & Data Analytics”
    • Coursera: “Financial Engineering and Risk Management” de Columbia University
  2. Libros:
    • “Python for Finance” de Yves Hilpisch
    • “Financial Modeling” de Simon Benninga

Etapa 4: Proyectos Prácticos

  1. Proyectos de IA:
    • Crear un modelo de predicción de precios de acciones.
    • Desarrollar un chatbot financiero.
  2. Proyectos de Finanzas:
    • Análisis de datos financieros utilizando Python.
    • Implementación de algoritmos de trading.

Etapa 5: Especialización y Avance

  1. Cursos Avanzados:
    • Deep Learning: “Deep Learning Specialization” de Andrew Ng en Coursera.
    • Finanzas Cuantitativas: “Quantitative Finance” en edX.
  2. Certificaciones:
    • Certificación en Finanzas Cuantitativas (CQF)
    • Certificación en Machine Learning de Google

Etapa 6: Networking y Comunidad

  1. Participa en Foros y Comunidades:
    • Kaggle: Competencias de Machine Learning.
    • GitHub: Contribuye a proyectos de código abierto.
  2. Eventos y Conferencias:
    • Asiste a conferencias de IA y Finanzas.
    • Participa en meetups y webinars.

Etapa 7: Mantente Actualizado

  1. Lectura de Blogs y Artículos:
    • Towards Data Science
    • Medium
  2. Suscripción a Newsletters:
    • KDnuggets
    • Finextra

Este plan de estudio te proporcionará una base sólida y te permitirá avanzar en tu camino hacia la especialización en inteligencia artificial y programación orientada a las finanzas. 

Comentarios

Publicar un comentario

Entradas populares de este blog

[Validación Cruzada] [Machine Learning] [Evaluación de Modelos] [Ciencia de Datos] [R Programming] [Resampling] Validación Cruzada: Concepto y Técnicas Principales

Validación Cruzada: Concepto y Técnicas Principales Validación Cruzada: Concepto y Técnicas Principales La validación cruzada es un conjunto de técnicas utilizadas para evaluar la capacidad de generalización de un modelo de machine learning. Su objetivo principal es determinar cómo de bien puede el modelo desempeñarse con datos no vistos, proporcionando una evaluación más robusta y fiable en comparación con dividir los datos en un simple conjunto de entrenamiento y prueba. Principales Técnicas de Validación Cruzada 1. K-Fold Cross Validation (Validación Cruzada K-Fold) El conjunto de datos se divide en \(k\) particiones o "pliegues" de igual tamaño. El modelo se entrena \(k\) veces: en cada iteración, un pliegue diferente se utiliza como conjunto de prueba y los \(k-1\) pliegues restantes como conjunto de entrenamiento. La métrica final (por ejemplo, precisión, F1, etc.) se c...
Publicar un comentario
Leer más

AI:LLM:GREP: Regular expressions using "grep"

The regular expression [ˆa-zA-Z], which we used to avoid embedded instances of "the", implies that there must be some single (although non-alphabetic) character before the the. We can avoid this by specifying that before the the we require either the beginning-of-line or a non-alphabetic character, and the same at the end of the line:  grep -E "(^|[^a-zA-Z])[tT]he([^a-zA-Z]|^)" wizard_of_oz  The process we just went through was based on fixing two kinds of errors: false false positives positives, strings that we incorrectly matched like other or there, and false negafalse negatives tives, strings that we incorrectly missed, like The. Addressing these two kinds of errors comes up again and again in implementing speech and language processing systems. Reducing the overall error rate for an application thus involves two antagonistic efforts:  • Increasing precision (minimizing false positives)  • Increasing recall (minimizing false negatives) Some aliases for common...
Publicar un comentario
Leer más

Encontré 42 GB de modelos de IA fosilizados en mi PC: una puesta al día honesta sobre IA local, conceptos y entornos Python en 2026

Hace tiempo que no tocaba nada de IA en mi PC, y al echar un ojo descubrí varios programas que no recordaba para qué eran y, sobre todo, modelos de hace año y medio acumulando polvo en el disco. Lo que empezó como una limpieza acabó siendo una puesta al día completa: Ollama, conceptos fundamentales, mapa del ecosistema, comparativas, y un setup de Python desde cero. Lo dejo aquí ordenado por si a alguien le sirve. 1. El punto de partida: 42 GB de modelos zombi Lo primero que encontré fue Ollama corriendo en segundo plano (ese icono pequeño en la barra de tareas que llevaba meses sin tocar). Un ollama list reveló cinco modelos descargados hacía 18 meses, ocupando casi 42 GB: llama-3-8B-programming-questions — 16 GB SuperNova-Medius-Q8_0 — 15 GB uncensored_wizard_7b — 4.1 GB llama3.2 — 2 GB llama3.1 — 4.7 GB En el mundo de la IA, 18 meses son una eternidad. Han salido Llama 3.3 y 4, Qwen 2.5 y 3, DeepSeek-V3 y R1, Gemma 3 y 4, gpt-oss... cualquiera de los nu...
Publicar un comentario
Leer más