Programa

• Tópicos en IA y Economía (2026 I)

Clase	Semana Calendario	Tema	Referencias
1 Presencial	4	Causalidad: Modelo de resultados potenciales	Angrist, J. D., & Pischke, J.-S. (2008). Mostly harmless econometrics. Capitulo 2. Wooldridge, J. M. (2010). Econometric analysis of cross section and panel data (2nd ed.). MIT Press. Cpaitulo 4 y5. Newball-Ramírez D, Riascos Villegas ÁJ, Hoyos A, Dulce Rubio M (2024) A location discrete choice model of crime: Police elasticity and optimal deployment. PLoS ONE
2 Virtual	5	Causalidad: Grafos directos acíclicos (DAG) Entrega Taller I	The Seven Tools of Causal Inference An Intro to Casual Inference Causal Inference in Statistics Imbens (2019) Potential Outcomes and DAGs
3 Presencial	6	Causalidad: Aprendizaje de máquinas (Versión 2) Entrega Taller II	Real World Experiments Adeventures in Demanda Analysis using AI
4 Virtual	7	Marco de evaluación impacto IA + justicia algorítmica	The Role of Theory in the Age of Big Data
5 Presencial	8	Justicia algorítmica, teorema de imposibilidad y aplicaciones (Versión 2)	Discrimination in the Age of Algorithms Human Decision and Machine Predictions
6 Virtual	9	Interpetabilidad (Versión 2) Entrega Taller III
7 Presencial	10	Redes Neuronales Profundas I
8 Virtual	11	Redes Neuronales Profundas II Entrega Taller IV
	12	Receso
9 Presencial	13	Diseño mecanismos y juegos
	14	Semana Santa
10 Virtual	15	Energia y deuda publica Entrega Taller V
11 Presencial	16	Presentaciones Estudiantes I
12 Virtual	17	Presentaciones Estudiantes II
13 Presencial	18	Matching y votación Entrega Taller VI
14 Virtual	19	Transformers y sesgos en modelos de lenguaje grandes
15 Presencial	20	Contrafactuales con redes neuronales
16	21	No hay clase

Guía Trabajo Final

Un buen articulo en minería de datos debe tener un estructura como esta:

1. Introducción:  el problema y su relevancia, revisión de la literatura y contribución especifica del artículo en el contexto de esta literatura.
2. Descripción de los datos.
3. El modelo (si lo hay) y ojala algún resultado teórico.
4. El algoritmo utilizado.
5. Aplicación a por lo menos dos cosas: (1) Datos sintéticos y (2) Una base de datos del mundo real.
6. Conclusiones

Un excelente ejemplo es: Uplift Modeling with Multiple Treatments and General Response Types

El estándar de edición de las publicaciones académicas es Latex. Para instalar este sistema de edición recomiendo:

1. Descargar Latex de https://www.latex-project.org/
2. Descargar un editor de Latex. Texmaker es bueno: http://www.xm1math.net/texmaker/
3. Este template puede ser bueno para comenzar a modificar: KDD Template Example

Guía de la Presenetacion de la Propuesta del Trabajo Final

Esta guia esta bien alineada con la guia del trabajo final.

1. Describir bien el problema y su relevancia.
2. Hacer una revisión de la literatura y explicar cómo creen que con su proyecto pueden contribuir a la solución del problema y a la literatura.
3. Descripción de las fuentes de datos y ojalá algo de estadísticas descriptivas. Hacer un análisis preliminar de la pertinencia de los datos para resolver el problema y en lo posible de la calidad de la información.
4. Explicar bremente cual es el plan para resolver el problema (algorítmos, plan de validación, etc.) y responder si los datos y el plan son en principio apropiados,
5. Cuáles son los resultados esperados?

 Referencias

• [LS]: Luxburg, U., B. Scholkopf. 2008. Statistical Learning Theory: Models, Concepts and Results.http://arxiv.org/abs/0810.4752
• [JWHT]: Introduction to Statistical Learning with Applications in R. http://www-bcf.usc.edu/~gareth/ISL/
• [HTF]: Hastie, T., Tibshirani, R. y J. Hastie. 2009. The Elements of Statistical Learning: Data Minning, Inference and Prediction. Segunda Edición. Springer. http://web.stanford.edu/~hastie/local.ftp/Springer/OLD/ESLII_print4.pdf
• [B]: Bishop, C. M. & Bishop, H. Cham, S., ed. (2023), Deep Learning – Foundations and Concepts. https://moodle.polymtl.ca/pluginfile.php/1339684/mod_folder/content/0/Deep%20Learning%20Foundations%20and%20Concepts%20%28Christopher%20Bishop%20%20Hugh%20Bishop%29.pdf?forcedownload=1
• [DL]. Ian Goodfellow, Yoshua Bengio, and Aaron Courville. 2016. Deep Learning. The MIT Press.
• [Ng]. Deep Learning Specialization. Coursera. DeepLearning.ai.
• [R] Roughgarden T. Twenty Lectures on Algorithmic Game Theory. Cambridge University Press; 2016.

Lecturas Adicionales

• An Introduction to Causal Inference
• Statistical Modeling: The Two Cultures Leo Breiman
• The Effects of Exposure to Better Neighborhoods on Children:
  New Evidence from the Moving to Opportunity Experiment.
• Mobility Report Cards: The Role of Colleges in Intergenerational Mobility.
• The long term impacts of teachers: Value added and student outcomes in adulthood.
• A Guide to Solving Social Problemas with ML. Esta lectura es muy importante. Especialmente leer con detenimiento la discusión sobre validación de modelos, el sesgo en los datos utilizados para entrenar el modelo de apoyo a los fiscales y cómo lo validan.
• The Opportunity Atlas Mapping the Childhood Roots of Social Mobility.
• The fading american dream: trends in absolute income mobility since 1940.
• Three learning principles from Learning From Data (2012) , Yaser S. Abu-Mostafa, Malik Magdon-Ismail, Hsuan-Tien Lin .
• McKinsey Global Institute: The age of analytics executive summary
• Economics in the age of big data
• The data revolution and economic analysis
• Big Data: New Trick for Econometrics
• Statistical Learning Theory: Models. Concepts, and Results
• Top 10 algorithms in data mining
• The Markov Chain Montecarlo Revolution
• A Comprehensive Survey of Data Mining-based Fraud Detection Research
• Support Vector Classification with Input Data Uncertainty
• Testing Rating Accuracy (véase también: http://www.hmeasure.net/)

Recursos en Internet

UC Irvine Machine Learning Repository
R Data Minning