Pikachú
9e189e28e2
|
8 months ago | |
|---|---|---|
| .. | ||
| README.md | 8 months ago | |
| assignment.md | 8 months ago | |
README.md
Posdata: Aprendizaje automático en el mundo real
Sketchnote por Tomomi Imura
En este plan de estudios, has aprendido muchas formas de preparar datos para el entrenamiento y crear modelos de aprendizaje automático. Construiste una serie de modelos clásicos de regresión, clustering, clasificación, procesamiento de lenguaje natural y series temporales. ¡Felicidades! Ahora, podrías preguntarte para qué sirve todo esto... ¿cuáles son las aplicaciones reales de estos modelos?
Aunque la inteligencia artificial ha generado mucho interés en la industria, generalmente utilizando aprendizaje profundo, todavía hay aplicaciones valiosas para los modelos clásicos de aprendizaje automático. ¡Incluso podrías estar utilizando algunas de estas aplicaciones hoy en día! En esta lección, explorarás cómo ocho industrias y dominios diferentes utilizan estos tipos de modelos para hacer que sus aplicaciones sean más eficientes, confiables, inteligentes y valiosas para los usuarios.
Cuestionario previo a la lección
💰 Finanzas
El sector financiero ofrece muchas oportunidades para el aprendizaje automático. Muchos problemas en esta área se prestan a ser modelados y resueltos utilizando ML.
Detección de fraude con tarjetas de crédito
Aprendimos sobre k-means clustering anteriormente en el curso, pero ¿cómo se puede utilizar para resolver problemas relacionados con el fraude con tarjetas de crédito?
El k-means clustering es útil durante una técnica de detección de fraude con tarjetas de crédito llamada detección de valores atípicos. Los valores atípicos, o desviaciones en las observaciones sobre un conjunto de datos, pueden indicarnos si una tarjeta de crédito se está utilizando de manera normal o si algo inusual está ocurriendo. Como se muestra en el artículo enlazado a continuación, puedes clasificar los datos de tarjetas de crédito utilizando un algoritmo de k-means clustering y asignar cada transacción a un clúster según cuán atípica parezca ser. Luego, puedes evaluar los clústeres más riesgosos para transacciones fraudulentas versus legítimas. Referencia
Gestión de patrimonio
En la gestión de patrimonio, un individuo o empresa maneja inversiones en nombre de sus clientes. Su trabajo es mantener y hacer crecer la riqueza a largo plazo, por lo que es esencial elegir inversiones que tengan un buen desempeño.
Una forma de evaluar cómo se desempeña una inversión particular es a través de la regresión estadística. La regresión lineal es una herramienta valiosa para entender cómo se desempeña un fondo en relación con algún punto de referencia. También podemos deducir si los resultados de la regresión son estadísticamente significativos o cuánto afectarían las inversiones de un cliente. Incluso podrías expandir tu análisis utilizando regresión múltiple, donde se pueden tener en cuenta factores de riesgo adicionales. Para un ejemplo de cómo esto funcionaría para un fondo específico, consulta el artículo a continuación sobre la evaluación del rendimiento de fondos utilizando regresión. Referencia
🎓 Educación
El sector educativo también es un área muy interesante donde se puede aplicar el ML. Hay problemas interesantes por resolver, como detectar trampas en exámenes o ensayos o gestionar sesgos, intencionados o no, en el proceso de corrección.
Predicción del comportamiento estudiantil
Coursera, un proveedor de cursos abiertos en línea, tiene un excelente blog tecnológico donde discuten muchas decisiones de ingeniería. En este estudio de caso, trazaron una línea de regresión para intentar explorar cualquier correlación entre una baja calificación de NPS (Net Promoter Score) y la retención o abandono del curso. Referencia
Mitigación de sesgos
Grammarly, un asistente de escritura que revisa errores ortográficos y gramaticales, utiliza sofisticados sistemas de procesamiento de lenguaje natural en todos sus productos. Publicaron un interesante estudio de caso en su blog tecnológico sobre cómo lidiaron con el sesgo de género en el aprendizaje automático, que aprendiste en nuestra lección introductoria sobre equidad. Referencia
👜 Retail
El sector minorista definitivamente puede beneficiarse del uso de ML, desde crear una mejor experiencia del cliente hasta gestionar el inventario de manera óptima.
Personalización del recorrido del cliente
En Wayfair, una empresa que vende artículos para el hogar como muebles, ayudar a los clientes a encontrar los productos adecuados para sus gustos y necesidades es primordial. En este artículo, los ingenieros de la empresa describen cómo utilizan ML y NLP para "mostrar los resultados correctos a los clientes". Notablemente, su Motor de Intención de Consulta ha sido construido para usar extracción de entidades, entrenamiento de clasificadores, extracción de activos y opiniones, y etiquetado de sentimientos en las reseñas de los clientes. Este es un caso clásico de cómo funciona el NLP en el comercio minorista en línea. Referencia
Gestión de inventario
Empresas innovadoras y ágiles como StitchFix, un servicio de cajas que envía ropa a los consumidores, dependen en gran medida del ML para recomendaciones y gestión de inventario. Sus equipos de estilistas trabajan juntos con sus equipos de comercialización, de hecho: "uno de nuestros científicos de datos experimentó con un algoritmo genético y lo aplicó a la ropa para predecir qué sería una prenda exitosa que no existe hoy. Llevamos eso al equipo de comercialización y ahora pueden usarlo como una herramienta." Referencia
🏥 Atención Médica
El sector de la salud puede aprovechar el ML para optimizar tareas de investigación y también problemas logísticos como la readmisión de pacientes o detener la propagación de enfermedades.
Gestión de ensayos clínicos
La toxicidad en los ensayos clínicos es una gran preocupación para los fabricantes de medicamentos. ¿Cuánta toxicidad es tolerable? En este estudio, el análisis de varios métodos de ensayos clínicos llevó al desarrollo de un nuevo enfoque para predecir las probabilidades de resultados de ensayos clínicos. Específicamente, pudieron usar random forest para producir un clasificador que es capaz de distinguir entre grupos de medicamentos. Referencia
Gestión de readmisiones hospitalarias
La atención hospitalaria es costosa, especialmente cuando los pacientes tienen que ser readmitidos. Este artículo discute una empresa que utiliza ML para predecir el potencial de readmisión utilizando algoritmos de clustering. Estos clústeres ayudan a los analistas a "descubrir grupos de readmisiones que pueden compartir una causa común". Referencia
Gestión de enfermedades
La reciente pandemia ha puesto de relieve las formas en que el aprendizaje automático puede ayudar a detener la propagación de enfermedades. En este artículo, reconocerás el uso de ARIMA, curvas logísticas, regresión lineal y SARIMA. "Este trabajo es un intento de calcular la tasa de propagación de este virus y, por lo tanto, predecir las muertes, recuperaciones y casos confirmados, para que pueda ayudarnos a prepararnos mejor y sobrevivir." Referencia
🌲 Ecología y Tecnología Verde
La naturaleza y la ecología consisten en muchos sistemas sensibles donde la interacción entre animales y naturaleza entra en foco. Es importante poder medir estos sistemas con precisión y actuar adecuadamente si algo sucede, como un incendio forestal o una disminución en la población animal.
Gestión forestal
Aprendiste sobre el Aprendizaje por Refuerzo en lecciones anteriores. Puede ser muy útil al intentar predecir patrones en la naturaleza. En particular, se puede usar para rastrear problemas ecológicos como incendios forestales y la propagación de especies invasoras. En Canadá, un grupo de investigadores utilizó el Aprendizaje por Refuerzo para construir modelos de dinámica de incendios forestales a partir de imágenes satelitales. Utilizando un innovador "proceso de propagación espacial (SSP)", visualizaron un incendio forestal como "el agente en cualquier celda del paisaje". "El conjunto de acciones que el fuego puede tomar desde una ubicación en cualquier momento incluye propagarse hacia el norte, sur, este u oeste o no propagarse."
Este enfoque invierte la configuración habitual del RL, ya que la dinámica del Proceso de Decisión de Markov (MDP) correspondiente es una función conocida para la propagación inmediata del incendio forestal." Lee más sobre los algoritmos clásicos utilizados por este grupo en el enlace a continuación. Referencia
Detección de movimiento de animales
Aunque el aprendizaje profundo ha creado una revolución en el seguimiento visual de los movimientos de los animales (puedes construir tu propio rastreador de osos polares aquí), el ML clásico todavía tiene un lugar en esta tarea.
Los sensores para rastrear los movimientos de los animales de granja y el IoT hacen uso de este tipo de procesamiento visual, pero las técnicas más básicas de ML son útiles para preprocesar datos. Por ejemplo, en este artículo, se monitorearon y analizaron las posturas de las ovejas utilizando varios algoritmos de clasificación. Podrías reconocer la curva ROC en la página 335. Referencia
⚡️ Gestión de Energía
En nuestras lecciones sobre pronóstico de series temporales, invocamos el concepto de parquímetros inteligentes para generar ingresos para una ciudad basándonos en la comprensión de la oferta y la demanda. Este artículo discute en detalle cómo la combinación de clustering, regresión y pronóstico de series temporales ayudó a predecir el uso futuro de energía en Irlanda, basándose en la medición inteligente. Referencia
💼 Seguros
El sector de seguros es otro sector que utiliza ML para construir y optimizar modelos financieros y actuariales viables.
Gestión de Volatilidad
MetLife, un proveedor de seguros de vida, es abierto con la forma en que analizan y mitigan la volatilidad en sus modelos financieros. En este artículo, notarás visualizaciones de clasificación binaria y ordinal. También descubrirás visualizaciones de pronóstico. Referencia
🎨 Artes, Cultura y Literatura
En las artes, por ejemplo en el periodismo, hay muchos problemas interesantes. Detectar noticias falsas es un gran problema, ya que se ha demostrado que influye en la opinión de las personas e incluso puede derribar democracias. Los museos también pueden beneficiarse del uso de ML en todo, desde encontrar vínculos entre artefactos hasta la planificación de recursos.
Detección de noticias falsas
Detectar noticias falsas se ha convertido en un juego del gato y el ratón en los medios de comunicación de hoy. En este artículo, los investigadores sugieren que se puede probar un sistema que combine varias de las técnicas de ML que hemos estudiado y desplegar el mejor modelo: "Este sistema se basa en el procesamiento de lenguaje natural para extraer características de los datos y luego estas características se utilizan para el entrenamiento de clasificadores de aprendizaje automático como Naive Bayes, Support Vector Machine (SVM), Random Forest (RF), Stochastic Gradient Descent (SGD), y Logistic Regression (LR)." Referencia
Este artículo muestra cómo la combinación de diferentes dominios de ML puede producir resultados interesantes que pueden ayudar a detener la propagación de noticias falsas y crear daños reales; en este caso, el impulso fue la propagación de rumores sobre tratamientos de COVID que incitaron a la violencia de multitudes.
ML en museos
Los museos están en la cúspide de una revolución de IA en la que catalogar y digitalizar colecciones y encontrar vínculos entre artefactos se está volviendo más fácil a medida que avanza la tecnología. Proyectos como In Codice Ratio están ayudando a desbloquear los misterios de colecciones inaccesibles como los Archivos del Vaticano. Pero, el aspecto comercial de los museos también se beneficia de los modelos de ML.
Por ejemplo, el Art Institute of Chicago construyó modelos para predecir en qué están interesados los visitantes y cuándo asistirán a las exposiciones. El objetivo es crear experiencias de visita individualizadas y optimizadas cada vez que el usuario visite el museo. "Durante el año fiscal 2017, el modelo predijo la asistencia y las admisiones con un 1 por ciento de precisión, dice Andrew Simnick, vicepresidente senior en el Art Institute."
🏷 Marketing
Segmentación de clientes
Las estrategias de marketing más efectivas dirigen a los clientes de diferentes maneras basadas en varios agrupamientos. En este artículo, se discuten los usos de los algoritmos de Clustering para apoyar el marketing diferenciado. El marketing diferenciado ayuda a las empresas a mejorar el reconocimiento de la marca, alcanzar a más clientes y ganar más dinero. Referencia
🚀 Desafío
Identifica otro sector que se beneficie de algunas de las técnicas que aprendiste en este currículo y descubre cómo utiliza ML.
Cuestionario post-lectura
Revisión y Autoestudio
El equipo de ciencia de datos de Wayfair tiene varios videos interesantes sobre cómo utilizan ML en su empresa. Vale la pena echar un vistazo!
Tarea
Descargo de responsabilidad: Este documento ha sido traducido utilizando servicios de traducción automática basados en IA. Aunque nos esforzamos por lograr precisión, tenga en cuenta que las traducciones automáticas pueden contener errores o imprecisiones. El documento original en su idioma nativo debe considerarse la fuente autorizada. Para información crítica, se recomienda la traducción profesional humana. No nos hacemos responsables de ningún malentendido o interpretación errónea que surja del uso de esta traducción.