Inferencia Causal Avanzada con Deep Learning
Dominá el marco de resultados potenciales, Double Machine Learning (DML), Causal Forests y Redes Neuronales Causales (TARNet, Dragonnet). Reproducí papers de frontera y aplicá causalidad en alta dimensionalidad.
def estimate_cate(X, T, Y):
y_res = Y – model_y.predict(X)
t_res = T – model_t.predict(X)
return fit_final(t_res, y_res)
¿No hiciste una diplomatura IDSA? Conocé cómo es el examen de admisión
Lo que lograrás al completar el curso
Cada objetivo es verificable mediante entregables con corrección automática. Aprenderás a estimar efectos causales en entornos complejos y de alta dimensionalidad.
Dominar las técnicas modernas de inferencia causal que combinan ML y DL para estimar efectos en entornos complejos
Estimar efectos heterogéneos (CATE) con meta-learners, causal forests y redes neuronales causales
Validar rigurosamente los supuestos de identificación causal y aplicar técnicas de sensibilidad
Aplicar métodos causales a problemas reales de alta dimensionalidad y reproducir resultados de papers de frontera
10 unidades · 4 horas cada una
Progresión estructurada: de los fundamentos formales de Rubin a la reproducción de papers de frontera con Deep Learning.
- Comprender el marco de resultados potenciales (Rubin)
- Diferenciar ATE, ATT, ATC y CATE formalmente
- Reconocer los supuestos de identificación
- Comprender los meta-learners clásicos formalmente
- Implementar S-learner, T-learner, X-learner y R-learner
- Comparar su rendimiento teóricamente y en la práctica
- Comprender la lógica formal de un árbol causal
- Implementar un causal tree desde cero
- Comprender la diferencia entre árbol predictivo y causal
- Comprender la motivación teórica de DML
- Implementar DML desde primeros principios
- Aplicar cross-fitting correctamente
- Comprender la lógica formal de los causal forests
- Implementar un causal forest con EconML
- Aplicar a problemas de alta dimensionalidad
- Comprender cómo las redes neuronales se aplican a inferencia causal
- Implementar redes causales desde cero (TARNet, Dragonnet)
- Aplicar a datos no lineales
- Comprender los diseños cuasi-experimentales avanzados
- Aplicar IV en contextos no lineales
- Combinar diseños con ML
- Elegir el método causal adecuado según el problema
- Validar los supuestos de identificación
- Detectar y corregir violaciones
- Definir métricas apropiadas para modelos causales
- Evaluar modelos con datos observacionales
- Comparar modelos causalmente
- Reproducir resultados de un paper de frontera
- Aplicar todo lo aprendido en un proyecto causal completo
- Documentar con rigor académico
Diseñado para investigadores y profesionales avanzados
100% asincrónica, autogestionada. Notebooks ejecutables en Google Colab, tutor virtual 24/7 y entregables con rigor académico.
Tutor virtual 24/7
Un asistente virtual entrenado sobre el contenido del curso y papers relacionados responde tus dudas de forma clara y directa.
- Respuestas claras y sintéticas
- Disponible las 24 horas
- Contexto académico riguroso
Lecciones en texto
Contenido teórico estructurado y demostraciones matemáticas. Leé, consultá y avanzá a tu ritmo.
- Escritas y referenciadas
- Marco formal claro
- Ritmo personal
Notebooks en Google Colab
Notebooks ejecutables con código real y de frontera. No pseudocódigo: cada técnica se implementa desde cero.
- Ejecución sin configuración
- Código paso a paso
- GPU disponible en Colab
Entregables verificados
Cada unidad tiene entregables con verificación automática: implementaciones matemáticamente correctas y reproducción de resultados.
- Corrección automática
- Criterios objetivos
- Rigor académico
De la teoría formal a la reproducción de papers
Un ciclo claro que parte de los fundamentos matemáticos y llega a la implementación de redes neuronales causales en entornos reales.
Identificar
Resultados potenciales y supuestos formales.
Estimar
Meta-learners, DML y Causal Forests.
Profundizar
Redes neuronales causales (TARNet, Dragonnet).
Validar
Métricas, sensibilidad y reproducción de papers.
Herramientas que usarás
Sin fricción de configuración. Todo se ejecuta en Google Colab con soporte de GPU.
Python
PyTorch
EconML CausalML DoWhy
Statsmodels
Google ColabDoble aval universitario, verificación digital
Al completar el curso recibís un certificado digital con doble aval: Instituto Data Science Argentina y UTN Facultad Regional Reconquista.
Qué incluye el certificado
- Doble firma: Director de IDSA + Decano UTN FRRQ
- Resolución oficial: 920/2020 UTN Facultad Regional Reconquista
- Datos personalizados: nombre, DNI, curso, carga horaria y calificación
- Código QR de verificación digital
- Copia automática a la Facultad para registro oficial
- Emisión por curso: no esperás al final del trayecto
Se emite al aprobar los quizzes del curso y los trabajos prácticos con estado aprobado.
Resolvemos tus dudas
De la teoría formal a la frontera del ML
10 unidades, 40 horas, verificable y aplicable. Dominá redes neuronales causales y reproducí papers de frontera.