Diciembre 2021
M. Sc. Liliana Millán Núñez [email protected]
- Introducción
- Ciencia de datos
- Características
- Qué se puede hacer con ciencia de datos
- Qué no es ciencia de datos
- Matemáticas y estadística
- Ciencia computacionales
- Donimio del conocimiento del negocio/problema
Modelos:
- Machine Learning
- Redes bayesianas
- Grafos
- Modelos Gráficos Probabilísticos
- Redes Bayesianas
- Redes Markovianas
- Modelos adaptativos → "vivos"
- Predicciones a nivel individual
- El modelo se ajusta a la realidad del problema
- Solución hecha a la medida (empresa/organización ↔ contexto)
- Predicción orientada a una meta → meta orientada a una acción
→ Brindar más información -generado de la evidencia en los datos- al tomador de decisiones para que este pueda tomar la mejor decisión en el contexto del problema.
- Predicción
- Con datos del pasado generar un modelo que aprenda patrones que nos puedan ayudar a encontrar el valor futuro de alguna variable/comportamiento de interés.
Por ejemplo:
"Dado el comportamiento financiero de la persona X, se le considera atípica" → El modelo desarrollado predice si una persona es atípica o no dado su comportamiento financiero.
- Agrupaciones/asociaciones
- Agrupaciones: Con los datos del pasado generar un modelo que nos permita identificar qué características hacen que las entidades se parezcan unas con otras.
Por ejemplo:
"De todas las empresas listadas en la BMV existen 10 grupos diferentes, el grupo 1 con las características: A, B, C, D, E, F" → Las características son multidimensionales y pueden incluir dimensiones obtenidas a través de análisis de texto además de variables numéricas y categóricas.
- Asociaciones: Con los datos del pasado generar un modelo que nos permita conocer qué cosas suceden juntas, es decir, en presencia de uno también se presenta el otro(s).
Por ejemplo:
"Cada vez que una empresa omite el valor de la variable X en su estado financiero también omite el valor Y en otro informe."
- Optimización
Con los datos históricos identificar cuál es la mejor estrategia a seguir de acuerdo a la "situación". Se requiere de tener recompensa, castigo, meta y estados bien definidos.
Por ejemplo:
"¿Cuál es la mejor estrategia legal a seguir para que un agente que lava dinero sea castigado penalmente?"
- Causalidad
Identificar qué variables afectan a otras en un problema de interés bajo el contexto en el que el problema sucede.
Por ejemplo:
"Qué variables afectan el cómo se introduce el dinero lavado al sistema"
- Grafos
Permite identificar conexiones/desconexiones entre diferentes actores de un sistema habilitando análisis de redes: centralidad, comunidades, caminos, etc.
Por ejemplo:
"Identificar las empresas que siempre ganan las licitaciones de tipo X" o bien "Falta de conexión entre nodos en la red que deberían estar conectados"
El análisis de grafos es muy utilizado para identificación de redes de lavado de dinera, corrupción, redes de pornografía, etc.
- Suplir una buena cultura de datos organizacional
- Suplir a un humano
- Econometría
- Un mismo modelo no puede contestar más de 1 pregunta a la vez
- Un mismo modelo no se puede implementar as is en otro contexto aunque sea el mismo problema
- Dashboards → Business Intelligence
- Reportes → Business Intelligence
- Automatización de procesos → TI
- Econometría → Definición de valores específicos en variables que modifican el contexto en el que sucede el problema. * Ejemplo: Long term unemployed
- No es (sólo) tecnología → TI
- No son (sólo) algoritmos → Machine learning
- Reemplazo de personas