Inferencia Causal y Analítica de Negocio – Curso | IDSA + UTN
  1. Inicio
  2. Cursos
  3. Inferencia Causal
CURSO AVANZADO · 30 HORAS

Inferencia Causal y Analítica de Negocio

Decisiones basadas en evidencia, no en correlaciones

Dominá la escalera de la causalidad de Pearl, diseñá experimentos A/B, implementá Diferencias-en-Diferencias (DiD) y Uplift Modeling. Calculá el ROI incremental real de tus decisiones de negocio.

30 horas
9 unidades
Tutor RAG 24/7
Perfil avanzado
causal_inference.py
# Estimación de impacto causal
def estimate_effect(data):
  model = CausalModel(data, treatment, outcome)
  effect = model.estimate(method=«backdoor»)
  refute = model.refute(method=«placebo»)
  return effect.value
1
Model — supuestos causales y DAGs
2
Estimate — DiD, Matching, A/B Testing
3
Decide — ROI incremental y Qini
9
Unidades didácticas
30h
Duración total
Avanzado
Nivel del curso
24/7
Tutor RAG disponible
Inversión del curso
$200.000 ARS
Acceso completo + certificación UTN + IDSA. Emisión por curso, no al final del trayecto.
Transferencia en 1 pago
20% de descuento
$160.000
Hasta 3 cuotas sin interés
Total $200.000 ARS
$200.000
▸ OBJETIVOS DE APRENDIZAJE

Lo que lograrás al completar el curso

Cada objetivo es verificable mediante entregables con corrección automática. Aprenderás a medir el impacto real de intervenciones, no solo correlaciones.

1

Comprender la escalera de la causalidad de Pearl

2

Construir DAGs y aplicar criterios de ajuste

3

Diseñar y analizar experimentos A/B con poder estadístico

4

Implementar Diferencias-en-Diferencias (DiD)

5

Implementar Synthetic Controls y Matching (PSM)

6

Modelar uplift (CATE) con Two-Model, Transformed Outcome, Causal Forest

7

Evaluar políticas con curvas Qini y ganancia acumulada

8

Calcular ROI incremental y presentar informe ejecutivo

▸ TEMARIO COMPLETO

9 unidades · Progresión estructurada

De la teoría de la causalidad a la implementación de modelos de uplift y la presentación de ROI en negocio.

1
Fundamentos
De la predicción a la intervención
▼
  • Comprender la escalera de la causalidad de Pearl
  • Distinguir predicción de causalidad
2
Identificación
DAGs y criterios de ajuste
▼
  • Construir DAGs y aplicar d-separación
  • Identificar conjuntos de ajuste
3
Experimentación
Diseño de experimentos A/B
▼
  • Calcular poder estadístico, MDE y tamaño de muestra
  • Detectar y corregir peeking
4
Cuasi-Experimentos
Diferencias-en-Diferencias (DiD)
▼
  • Implementar DiD con efectos fijos
  • Validar tendencias paralelas con placebos
5
Matching
Synthetic Controls y Matching
▼
  • Implementar PSM (Propensity Score Matching)
  • Implementar Synthetic Control (Abadie)
6
Personalización
Uplift Modeling (CATE)
▼
  • Diferenciar CATE, ATT, ATE
  • Implementar Two-Model, Transformed Outcome, Causal Forest
7
Evaluación
Evaluación de políticas y toma de decisiones
▼
  • Integrar resultados causales en estrategia de negocio
  • Calcular ROI incremental
8
Avanzado
Temas avanzados (introducción)
▼
  • Inferencia en datos longitudinales
  • Análisis de mediación
9
Cierre
Cierre y conexión con el negocio
▼
  • Integrar con MLOps para despliegue de modelos causales
▸ MODALIDAD

Diseñado para profesionales que practican

100% asincrónica, autogestionada, on-demand. Avanzá a tu ritmo, con verificación automática de cada entregable y un tutor RAG 24/7.

Tutor RAG 24/7

Un asistente RAG entrenado sobre el contenido del curso responde tus dudas con referencias al material exacto.

  • Respuestas con fuentes citadas
  • Disponible las 24 horas
  • Contexto del curso completo

Lecciones en texto

Contenido teórico estructurado y referenciado. Sin videos interminables: leé, consultá, avanzá.

  • Escritas y referenciadas
  • Búsqueda instantánea
  • Ritmo personal

Notebooks en Google Colab

Notebooks ejecutables con código real. No pseudocódigo: cada técnica causal se implementa y ejecuta.

  • Ejecución sin configuración
  • Código paso a paso
  • GPU disponible en Colab

Entregables verificados

Cada unidad tiene entregables obligatorios con verificación automática. Demostrás que podés inferir el impacto y calcular el ROI.

  • Corrección automática
  • Criterios objetivos
  • Feedback inmediato
▸ METODOLOGÍA

De la identificación a la decisión de negocio

Un ciclo claro que convierte supuestos causales en estimaciones robustas y métricas de negocio.

1

Identificar

Modelar DAGs y encontrar conjuntos de ajuste válidos.

2

Estimar

A/B Testing, DiD, PSM y Synthetic Controls.

3

Modelar

Uplift y CATE para personalizar intervenciones.

4

Decidir

Curvas Qini, ROI incremental y despliegue.

▸ STACK TECNOLÓGICO

Herramientas que usarás

Sin fricción de configuración. Todo se ejecuta en Google Colab.

🐍 Python
🧬 DoWhy
📈 EconML
🔢 Statsmodels
📊 SciPy
🌳 Causal Forest
☁️ Google Colab
▸ CERTIFICACIÓN ACADÉMICA

Doble aval universitario, verificación digital

Al completar el curso recibís un certificado digital con doble aval: UTN Facultad Regional Reconquista e Instituto Data Science Argentina.

Certificado UTN + IDSA

Qué incluye el certificado

  • Doble firma: Decano UTN FRRQ + Director IDSA
  • 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.

▸ PREGUNTAS FRECUENTES

Resolvemos tus dudas

¿Qué es la inferencia causal?▼
La inferencia causal es el proceso de determinar el efecto que una variable (tratamiento o intervención) tiene sobre otra (resultado), yendo más allá de la simple correlación para entender relaciones causa-efecto.
¿Necesito experiencia previa para este curso?▼
Perfil avanzado. Se recomienda conocimiento previo de Python (manipulación de datos con Pandas), estadística y conceptos fundamentales de machine learning. No se requiere experiencia previa en causalidad.
¿El curso es sincrónico o asincrónico?▼
100% autogestionado, on-demand y asincrónico. No hay horarios de clase ni sesiones en vivo. Avanzás a tu ritmo con lecciones en texto, notebooks ejecutables y un tutor RAG disponible 24/7.
¿Qué herramientas se utilizan en el curso?▼
Notebooks ejecutables en Google Colab. Usaremos librerías como DoWhy y EconML para estimación de efectos causales, Statsmodels y SciPy para pruebas estadísticas, y técnicas modernas como Causal Forest.
¿Cómo se verifican los entregables?▼
Cada unidad incluye entregables con verificación automática: cálculo correcto de efectos causales sobre datasets reales, validación de supuestos (tendencias paralelas, placebos) y métricas de uplift mínimas. Feedback inmediato.
¿Puedo pagar en cuotas?▼
Sí. Podés pagar hasta en 3 cuotas sin interés (total $200.000), o aprovechar el 20% de descuento pagando por transferencia en 1 pago, quedando en $160.000.
¿Cuál es el siguiente paso después de este curso?▼
M-307 es parte del trayecto de Optimización Algorítmica. Podés combinarlo con M-303 (RAG Avanzado), M-304 (Difusión) o M-305 (Forecasting) como electivos. Si querés acceder al Frontier Program, necesitás haber completado la Diplomatura.

De la predicción a la intervención

9 unidades, 30 horas, verificable y aplicable. Medí el impacto real de tus decisiones de negocio y calculá ROI incremental.

Artículo añadido al carrito.
0 artículos - $0,00