Descripción
El sector asegurador atraviesa una transformación profunda impulsada por la digitalización, el aumento exponencial de datos y el avance de tecnologías analíticas basadas en inteligencia artificial. Históricamente, la industria de seguros ha fundamentado sus decisiones en modelos actuariales tradicionales y metodologías estadísticas robustas. Sin embargo, la creciente complejidad de los riesgos, la diversificación de productos, la aparición de nuevas fuentes de información (big data, IoT, telemática, datos no estructurados) y la necesidad de mayor precisión en la tarificación y gestión del riesgo han generado la demanda de herramientas más avanzadas y flexibles.
En este contexto, el Machine Learning se ha consolidado como una disciplina clave para complementar y potenciar los enfoques actuariales clásicos. Sus aplicaciones en seguros incluyen la predicción de siniestralidad, la segmentación avanzada de clientes, la detección de fraude, la optimización de reservas, el pricing dinámico, la suscripción automatizada y la mejora de la experiencia del cliente. A nivel global, las aseguradoras que han incorporado técnicas de aprendizaje automático han logrado mejorar la eficiencia operativa, reducir pérdidas técnicas y desarrollar productos más personalizados y competitivos.
No obstante, existe una brecha significativa entre el conocimiento técnico en ciencia de datos y su aplicación específica en el ámbito asegurador. Muchos profesionales del sector cuentan con sólida formación en estadística y gestión de riesgos, pero requieren actualización en metodologías modernas de modelamiento predictivo y en herramientas computacionales actuales. Asimismo, profesionales del área tecnológica necesitan comprender las particularidades regulatorias, técnicas y de negocio propias de la industria de seguros.
El Diplomado en Machine Learning en Seguros surge como respuesta a esta necesidad, ofreciendo una formación especializada que integra fundamentos teóricos, herramientas prácticas y aplicaciones reales en el contexto asegurador.
Objetivos
Objetivo general:
Diseñar y aplicar modelos de Machine Learning aplicados al sector asegurador, integrando métodos estadísticos tradicionales con técnicas avanzadas de aprendizaje automático para pricing y reservas, utilizando Python, herramientas analíticas y plataformas de visualización para la toma de decisiones.
Objetivos específicos:
-
Desarrollar habilidades en el uso de Python, preparar, transformar y explorar información de seguros a través de Pandas, NumPy y Scikit-learn mediante Visual Studio Code y Jupyter Notebooks.
-
Aplicar modelos de Machine Learning y métodos actuariales tradicionales, algoritmos de clasificación y regresión para la construcción de modelos de pricing y estimación de reservas.
-
Aplicar técnicas de validación y evaluación de modelos para medir la estabilidad, precisión y robustez de los modelos desarrollados.
Metas
-
Desarrollar un proyecto aplicado de pricing y reservas, integrando datos de seguros, modelos de Machine Learning y métodos tradicionales.
-
Construir un flujo automatizado de análisis en Python, que permita desde la carga de datos hasta la generación de reportes y visualizaciones para su interpretación.
Requisitos
Requisitos de ingreso:
Ser pasante o egresado de las Licenciaturas en Actuaría, Matemáticas, Matemáticas Aplicadas, Física o Ciencias de la Computación de la UNAM.
En caso de otras licenciaturas, se requieren conocimientos de Probabilidad, Estadística, Programación y Seguros equivalentes a los que se cubren de manera obligatoria en las licenciaturas antes mencionadas de la UNAM.
Requisitos de permanencia:
-
Presentar todas las tareas y prácticas
-
Mínimo un 80% de asistencia y, en su caso, aprobar el módulo inmediato anterior.
-
Aprobar todos los exámenes parciales con calificación ≥ 6.0.
Requisitos de egreso:
-
Aprobar todas las tareas y prácticas.
-
Aprobar todos los exámenes parciales con calificación ≥ 6.0.
-
Obtener un promedio final ≥ 8.0.
Procesos de evaluación
Tareas y prácticas quincenales o mensuales, según el tema:
Las tareas y prácticas quincenales abarcarán el material cubierto en la semana correspondiente.
Exámenes parciales:
-
Al final de cada módulo, habrá una semana de examen parcial.
-
El examen parcial abarcará el material cubierto en el módulo correspondiente.
-
La nota del examen parcial será numérica, de 0.0 a 10.0.
Mín / Máx de alumnos: Mínimo
15, máximo
30.
La apertura del curso está sujeta al mínimo de inscritos.
Cuerpo docente:
