Universidad Adolfo Ibañez

Sistemas de Alerta Temprana

Bienvenida
María Paz Hermosilla<br>Directora Académica
María Paz Hermosilla
Directora Académica

A través de ciencia de datos es posible que los gobiernos mejoren la atención a los ciudadanos de forma individual cumpliendo con las restricciones de recursos actuales y optimizando su uso para llegar a más ciudadanos o bien para llegar a las personas con mayor necesidad. Esto representa un cambio en el cómo se utilizan los datos en las instituciones gubernamentales, ya que regularmente los datos se usan para justificar acciones pasadas o para hacer análisis de manera poblacional. Si la acción a tomar y los datos existentes lo permiten, se pueden desarrollar soluciones de ciencia de datos conocidas como sistemas de alerta temprana (early warning systems). Debido a las características particulares de las organizaciones gubernamentales y a la novedad de implementación de este tipo de proyectos, es necesario estudiar los detalles que conlleva el diseño de una solución de esta naturaleza.

Profesores
Contenidos
1
Ciencia de datos

En esta sesión realizaremos un repaso sobre qué es ciencia de datos, así como las fases que componen el ciclo de vida de un proyecto de ciencia de datos.

2
Formulación de un proyecto de ciencia de datos

En esta sesión veremos cómo se define el alcance de un proyecto de ciencia de datos para formularlo como una solución analítica que cumple con ciertos objetivos y está asociada a acciones específicas dentro de la organización donde se desplegará la solución.

3
Características de un proyecto de alerta temprana

En esta sesión revisaremos conceptos básicos de machine learning y en particular revisaremos el tipo de aprendizaje supervisado como antecedente para poder definir las características de un sistema de alerta temprana (EWS).

4
Métricas de desempeño

En esta sesión definiremos las métricas de desempeño que se utilizan en soluciones de aprendizaje supervisado y discutiremos sobre las métricas de desempeño de un EWS. Además, veremos los conceptos de modelo base y tasa base que habilitan un contexto en el cual validamos el desempeño de nuestra solución.

5
Validación off-line, temporalidad

En esta sesión veremos diferentes metodologías existentes para hacer validación off-line: K-Fold Cross Validation, Temporal Cross Validation. Definiremos los conceptos de cohorte y etiqueta desde la perspectiva de un EWS.

6
Diseño de predictores

En esta sesión veremos cómo diseñar predictores en modelos que tienen temporalidad y revisaremos el concepto de data leakage.

7
Pipeline de machine learning

En esta sesión revisaremos los diferentes componentes del pipeline de machine learning que se requiere para desplegar este tipo de soluciones en ambientes productivos.

8
Revisión de casos

Durante esta sesión veremos casos de uso reales de EWS y discutiremos sobre proyectos que hayan identificado dentro de sus organizaciones que pueden ser solucionados como un EWS. Además, haremos wrap up de este módulo del diplomado.

Redes Sociales
Instagram