.avif){kind=icon}
Profundización en Machine Learning: variables latentes y secuenciales
Bienvenidos al curso de Profundización en Machine Learning, a continuación pueden revisar el material completo del curso incluyendo: horarios y ligas de las sesiones en vivo, contacto con los profesores, presentación semanal del curso, repositorio con el código y los datos, notas detalladas de los algoritmos y el planteamiento del reto. Al final también pueden consultar tanto el manual del curso como la bibliografía recomendada para la Ciencia de Datos.
.png)
Semana
1
Análisis De Supervivencia
Esta semana está dedicada a estudiar bases de datos con registros censurados, este tipo de bases de datos son comúnmente encontrados en problemas en los que la recolección de los datos de una población se pudo haber terminado antes de tiempo para algunos individuos y por ello no se puede confiar plenamente en la variable objetivo. Aunque la motivación inicial de estos modelos proviene de la medicina, algunas otras de las aplicaciones con las que nos encontraremos son: Credit Risk Management, Churn Analysis, Customer Lifetime Value.
Semana
2
Redes Neuronales
.png)
En esta segunda semana del curso trataremos el problema de los valores faltantes en una base de datos utilizando el Análisis de Componentes Principales y los Auto-encoders.
Semana
3
Sistemas De Recomendación
Durante esta semana utilizaremos un fragmento de la base de datos de Netflix precisamente para crear un sistema de recomendación, este es uno de los casos de éxito de los sistemas de recomendación más famosos. A principios de la década de los 2000 la compañía hizo público un reto en el que darían 1 millón de dólares a quienes mejoraran su algoritmo de recomendación.
Semana
4
Datos Temporales
Esta semana vamos a tratar por primera vez durante el curso los datos secuenciales, es decir aquellas bases de datos en las que la manera como se ordenan las columnas en el dataset de entrenamiento sí es relevante para el modelo entrenado. Nuestro ejemplo propotípico serán las series de tiempo uni-variadas las cuales son indispensables para realizar pronósticos en un futuro. Como veremos en esta semana una de las grandes complicaciones de este tipo de datos es la aparente falta de características explicaticas. Realizaremos una comparación entre los modelos ARIMA y Prophet de Facebook.
Semana
5
Aprendizaje por Refuerzo
La semana pasada tratamos los datos secuenciales tipo series de tiempo las cuales tienen la particularidad de tener una sola variable. En esta semana nos concentraremos en los modelos matemáticos llamados Procesos de Decisión de Markov los cuales son utilizados para también modelar procesos secuenciales con una gran libertad. El aprendizaje por refuerzo con el que se entrenan las políticas de decisión es una de las herramientas más importantes de la Inteligencia Artificial, en particular ha sido utilizada en el desarrollo de AlphaGo y ChatGPT. Utilizaremos estas técnicas para estudiar algunas técnicas de Dynamic Pricing.