¿Debo utilizar el aprendizaje profundo?

Patricia trabaja en un banco y quiere ayudar a su empresa a hacer préstamos más inteligentes. Te gustaría predecir la probabilidad de que un prestatario cometa un impago de su préstamo basándote en información de su solicitud, como su historial crediticio, su nivel de educación, su renta y sus activos. Patricia utilizaría entonces esta cantidad para determinar el tipo de interés del préstamo.

Tienes cientos de miles de ejemplos de préstamos de los últimos diez años.

Patricia pasa su idea por el departamento jurídico, y le recuerdan que hay leyes sobre cómo determinar los tipos de interés que protegen a los prestatarios de la discriminación por edad, sexo, raza y otros factores.

Basándose en esta información, ¿debería Patricia utilizar el Aprendizaje Profundo o la IA Explicable para este problema?

Este ejercicio forma parte del curso

Ciencia de datos para empresas

Ejercicio interactivo práctico

Convierte la teoría en acción con uno de nuestros ejercicios interactivos

Empieza a hacer ejercicio

Este ejercicio forma parte del curso

Ciencia de datos para empresas

PrincipianteNivel de habilidad

4.8+

Comienza el curso gratis

Empezaremos el curso definiendo qué es la ciencia de datos. Cubriremos el flujo de trabajo de la ciencia de datos y cómo se aplica la ciencia de datos a los problemas del mundo real. Terminaremos el capítulo conociendo formas de estructurar tu equipo de datos para satisfacer las necesidades de tu organización.

Exercise 1: ¿Qué es la ciencia de datos?Exercise 2: Flujo de trabajo de segmentación de clientes Exercise 3: Construir un chatbot de atención al cliente Exercise 4: Mejorar OKRs Exercise 5: Aplicaciones de la ciencia de datos Exercise 6: Asignación del proyecto de ciencia de datos Exercise 7: Investigación de inversiones Exercise 8: Crear un equipo de ciencia de datos Exercise 9: Interpretar un sprint de equipo Exercise 10: Editar un puesto de trabajo Exercise 11: Adecuación de las cualificaciones a los puestos de trabajo Exercise 12: Clasificar las tareas de datos

Ahora que entendemos el flujo de trabajo de la ciencia de datos, profundizaremos en el primer paso: la recopilación y el almacenamiento de datos. Conoceremos las distintas fuentes de datos de las que puede abastecerse tu empresa, y cómo almacenar esos datos una vez recopilados.

Exercise 1: Fuentes de datos y riesgos Exercise 2: Clasificar los datos por seguridad Exercise 3: Crear eventos de datos web Exercise 4: Proteger PII Exercise 5: Datos solicitados Exercise 6: Identificar el objetivo de la pregunta Exercise 7: Validar las opiniones de los grupos de discusión Exercise 8: Net promoter score Exercise 9: Recoger datos adicionales Exercise 10: Ordenar fuentes de datos Exercise 11: Frecuencias de asma Exercise 12: Almacenamiento y recuperación de datos Exercise 13: Plataformas en la nube Exercise 14: Consultar una base de datos Exercise 15: ¿Qué tipo de base de datos?

En este capítulo, hablaremos de formas de explorar y visualizar datos mediante cuadros de mando. Hablaremos de los elementos de un cuadro de mando y de cómo hacer una solicitud dirigida de un cuadro de mando. En este capítulo también se tratará la realización de solicitudes de datos ad hoc y las pruebas A/B, que son una poderosa herramienta analítica que reduce el riesgo en la toma de decisiones.

Exercise 1: Cuadros de mando Exercise 2: Clasificar los elementos del cuadro de mando Exercise 3: Mejorar un panel Exercise 4: Selección del SGBD adecuado Exercise 5: Análisis ad hoc Exercise 6: Rellenar una solicitud ad hoc Exercise 7: Clasificar las solicitudes Exercise 8: Pruebas A/B Exercise 9: Crear un flujo de trabajo de pruebas A/B Exercise 10: Tamaño de la muestra Exercise 11: Resultados intermedios

En este último capítulo, hablaremos del tema más de moda en la ciencia de datos: ¡el aprendizaje automático! Cubriremos el aprendizaje automático supervisado y no supervisado, y la agrupación. A continuación, pasaremos a temas especiales del aprendizaje automático, como la predicción de series temporales, el procesamiento del lenguaje natural, el aprendizaje profundo y la IA explicable.

Exercise 1: Machine learning supervisado Exercise 2: Cuándo utilizar el aprendizaje supervisado Exercise 3: Características y etiquetas Exercise 4: Evaluación del modelo Exercise 5: Agrupamiento Exercise 6: Supervisado frente a no supervisado Exercise 7: Selección del tamaño del grupo Exercise 8: Temas especiales en Aprendizaje Automático Exercise 9: Clasificar las tareas de machine learning Exercise 10: Análisis de sentimiento Exercise 11: Aprendizaje profundo e IA explicable Exercise 12: Encontrar la solución correcta Exercise 13: ¿Debo utilizar el aprendizaje profundo?

Ejercicio actual