Descarga nuestra presentación de credenciales y entramos en contacto:
Aprendizaje no Supervisado
Los datos tienen mucho que decir si los dejamos hablar. El aprendizaje no supervisado constituye un conjunto de técnicas orientadas a encontrar patrones ocultos en la información. Los datos se agrupan y asocian naturalmente para encontrar estas asociaciones, correlaciones y agrupaciones, logrando optimizaciones es nuestro principal objetivo.
Algoritmos de Asociación
En datos transaccionales, nos interesa analizar:
◆ ¿Cómo se configuran las canastas de compra?
◆ ¿Cuál es la secuencia de adopción de productos? ejemplo producto 1: tarjeta crédito, producto 2: Cuenta de ahorro.
◆ ¿Cuáles son las secuencias de pasos que sigue un usuario en una página web?
Encontrar reglas que describan la asociación de decisiones del consumidor, las canastas de compra, las rutinas de navegación, los patrones de venta cruzada y venta escalonada, son algunas de las aplicaciones de los algoritmos de asociación.
Clúster Analysis
Nos interesa encontrar grupos (clientes, puntos de venta, sitios web).
Los elementos clasificados al interior de estos grupos son muy similares entre sí, pero, al comparar entre grupos, estos se deben mostrar muy diferentes.
Las técnicas de clustering generalmente se usan para encontrar segmentos, agrupaciones naturales, perfiles, etc. Segmentación de clientes, riesgos, contratos, etc., son algunas aplicaciones.
Reducción de Dimensiones
Cuando contamos con muchas variables, es común encontrar que estas tiendan a estar correlacionadas.
Nos interesa construir nuevas variables o vectores que agrupen las variables correlacionadas y hagan más precisas y estables las predicciones a futuro.
Técnicas como el análisis de componentes principales, el análisis factorial y el escalamiento multidimensional, son algunos de los ejemplos.
Mapas Auto Organizados
Esta familia de herramientas provienen de las redes neuronales artificiales.
Busca encontrar segmentos y posteriormente perfiles, hallando patrones ocultos en la información.
Se basa en descubrir vecinos cercanos en el espacio o en el tiempo, por lo que es una técnica eficiente cuando las unidades de análisis tienden a variar temporal o topológicamente.
Aprendizaje Supervisado
Algunas veces tenemos que predecir un fenómeno, ejemplo: pérdida de clientes, volumen de consumo, fraude, etc. Esto implica que tenemos algunos casos que tienen el fenómeno y otros que no. Para encontrar las características que diferencian los grupos y construir predicciones eficientes, aparecen las técnicas de aprendizaje supervisado.
La variable que queremos predecir, “supervisa” u organiza el aprendizaje del modelo.
Aquí nuestro objetivo es predecir, usando variables auxiliares para estimar una variable diferente a la que llamaremos objetivo.
“Grosso modo”, hay tres grandes familias de modelos supervisados:
Métodos de regresión
Estos modelos construyen ecuaciones en donde las variables X (explicativas) adquieren peso para poder estimar la variable Y (factor que queremos predecir).
Algunos modelos en esta familia de técnicas son:
◆ Regresión Lineal: Para predecir variables cuantitativas.
◆ Regresión Logística: Para predecir variables cualitativas binarias o multinomiales.
◆ Regresión de Poisson: Para predecir variables que se expresan como porcentajes o conteos.
◆ Regresión de Cox: Para predecir duraciones.
Métodos de árbol
Los árboles de decisión construyen particiones en los datos según el impacto de variables X (Explicativas), sobre la variable Y.
Crea reglas de clasificación no ecuaciones.
Algunos algoritmos son CHAID, CRT, Entropías.
Algunas técnicas avanzadas de machine learning se basan en esta familia de técnicas, ejemplo: Random Forest, Gradient boosting.
Métodos de Redes Neuronales
La red neuronal intenta aprender sobre Y a partir de las X disponibles de la misma forma como el cerebro intenta establecer conexiones neuronales, para generar reconocimiento y memoria.
Se crean ecuaciones y reglas simultáneamente para lograr la predicción.
El perceptrón multicapa y la función de base radial son dos de los algoritmos más usados para entrenar modelos de esta naturaleza.
Forecasting
Mucha información en el contexto de negocios e inclusive en el contexto digital, tiende a coleccionarse sobre el tiempo, por ejemplo ,las ventas, los inventarios, los factores de riesgo, los casos de fraude, etc.
Las series de tiempo, tiene generalmente tres características como mínimo: Tendencia, estacionalidad y ciclos. Lo que busca el forecasting es generar el mejor escenario de futuro teniendo en cuenta el comportamiento de la misma variable sobre el tiempo.
Aquí nuestro objetivo es PRONOSTICAR: usar el comportamiento de una variable en el pasado para estimar su comportamiento futuro.
Métodos de Suavizado
Son metodologías eficientes para modelar el comportamiento histórico de una variable pero no tan óptimos para hacer una representación futura de la misma.
Estos métodos tienden a ser eficientes cuando hay pocos datos.
Promedios móviles, suavizamiento exponencial, Línea holt, método Winter.
Método Box Jenkins
También conocido como A.R.I.M.A., es toda una metodología para descomponer la serie según tres elementos:
a. AR: Componente autorregresivo.
b. I: Componente integrado – diferenciación o estacionalidad.
c. MA: Componente de promedio móvil.
Si los tres componentes predicen la serie, se configura un ARIMA, cuando solo el componente AR y MA son significativos, se constituye un A.R.M.A., etc.
Métodos de Redes Neuronales
Las redes neuronales han mostrado excelentes niveles de precisión para predecir series de tiempo.
Particularmente los modelos de función de base radial, se posicionan como una nueva estrategia para mejorar el “forecast Acuracy” de los modelos de pronóstico.
Funciones de transferencia y Co-integración
Hay oportunidades en las que tenemos diferentes variables desplegadas a lo largo del tiempo y en las mismas fechas. En estos casos, queremos construir modelos integradores llamados funciones de transferencia.
Nos interesa ver cómo una serie de tiempo predice o estima otra.
Optimización
El objetivo máximo de la matemática aplicada bien podría ser la optimización.
Aquí nos interesa minimizar, maximizar o igualar un proceso; lo que implica distribuir recursos limitados dentro de necesidades ilimitadas.
Distribuir presupuesto de marketing dentro de diferentes canales de comunicación o distribuir inventarios entre puntos de venta para reducir los días de inventario, son ejemplos de problemas de optimización aplicados.
Optimización Matemática
La relación entre los procesos y los resultados, tienden a asumir un comportamiento que describe estas relaciones.
Optimización lineal, no lineal, cuadrática, etc.
Simulación de Eventos Discretos
Los resultados cualitativos también son resultados y necesitamos predecirlos, estimarlos y tenerlos en cuenta para optimizarlos.
Optimización de Recursos y Procesos
Durante procesos productivos, en la gerencia de proyectos o en escenarios similares, el tiempo y el dinero deben ser distribuidos de forma estratégica.
La distribución de recursos para lograr el mejor resultado con menos, constituyen los problemas de optimización más frecuentes en las empresas.
Diseño y Optimización de Rutas
Llevar cosas – personas de un punto a otro, en el menor tiempo posible, con la mayor ocupación viable y al menor costo, es un reto.
La investigación de operaciones tiene una respuesta eficiente a este tipo de preguntas.
Reconocimiento de imágenes
Tomamos la data y la convertimos en resultados rápidamente. Construimos soluciones y aplicaciones que aprovechan la Inteligencia Artificial y el Big Data para lograr velozmente los objetivos de negocio.
Procesamiento de videos
Aislamiento de patrones gráficos en videos para alertar desenlaces de interés.
Análisis multidimensional: Forma, color, profundidad, velocidad etc., para descubrir hallazgos y generar aplicaciones.
Procesamiento de sonido
Reconocimiento de voz, palabras y establecimiento de patrones.
Entrenamiento de bots y uso de este conocimiento en el desarrollo de soluciones y aplicaciones de negocio.
Procesamiento de fotografías
Aislar patrones gráficos de imágenes, reconocimiento de rostros y construcción de aplicaciones predictivas en torno a esa dimensión.
Aprendizaje no Supervisado
Los datos tienen mucho que decir si los dejamos hablar. El aprendizaje no supervisado constituye un conjunto de técnicas orientadas a encontrar patrones ocultos en la información. Los datos se agrupan y asocian naturalmente para encontrar estas asociaciones, correlaciones y agrupaciones, logrando optimizaciones es nuestro principal objetivo.
Algoritmos de Asociación
En datos transaccionales, nos interesa analizar:
◆ ¿Cómo se configuran las canastas de compra?
◆ ¿Cuál es la secuencia de adopción de productos? ejemplo producto 1: tarjeta crédito, producto 2: Cuenta de ahorro.
◆ ¿Cuáles son las secuencias de pasos que sigue un usuario en una página web?
Encontrar reglas que describan la asociación de decisiones del consumidor, las canastas de compra, las rutinas de navegación, los patrones de venta cruzada y venta escalonada, son algunas de las aplicaciones de los algoritmos de asociación.
Clúster Analysis
Nos interesa encontrar grupos (clientes, puntos de venta, sitios web).
Los elementos clasificados al interior de estos grupos son muy similares entre sí, pero, al comparar entre grupos, estos se deben mostrar muy diferentes.
Las técnicas de clustering generalmente se usan para encontrar segmentos, agrupaciones naturales, perfiles, etc. Segmentación de clientes, riesgos, contratos, etc., son algunas aplicaciones.
Reducción de Dimensiones
Cuando contamos con muchas variables, es común encontrar que estas tiendan a estar correlacionadas.
Nos interesa construir nuevas variables o vectores que agrupen las variables correlacionadas y hagan más precisas y estables las predicciones a futuro.
Técnicas como el análisis de componentes principales, el análisis factorial y el escalamiento multidimensional, son algunos de los ejemplos.
Mapas Auto Organizados
Esta familia de herramientas provienen de las redes neuronales artificiales.
Busca encontrar segmentos y posteriormente perfiles, hallando patrones ocultos en la información.
Se basa en descubrir vecinos cercanos en el espacio o en el tiempo, por lo que es una técnica eficiente cuando las unidades de análisis tienden a variar temporal o topológicamente.
Aprendizaje Supervisado
Algunas veces tenemos que predecir un fenómeno, ejemplo: pérdida de clientes, volumen de consumo, fraude, etc. Esto implica que tenemos algunos casos que tienen el fenómeno y otros que no. Para encontrar las características que diferencian los grupos y construir predicciones eficientes, aparecen las técnicas de aprendizaje supervisado.
La variable que queremos predecir, “supervisa” u organiza el aprendizaje del modelo.
Aquí nuestro objetivo es predecir, usando variables auxiliares para estimar una variable diferente a la que llamaremos objetivo.
“Grosso modo”, hay tres grandes familias de modelos supervisados:
Métodos de regresión
Estos modelos construyen ecuaciones en donde las variables X (explicativas) adquieren peso para poder estimar la variable Y (factor que queremos predecir).
Algunos modelos en esta familia de técnicas son:
◆ Regresión Lineal: Para predecir variables cuantitativas.
◆ Regresión Logística: Para predecir variables cualitativas binarias o multinomiales.
◆ Regresión de Poisson: Para predecir variables que se expresan como porcentajes o conteos.
◆ Regresión de Cox: Para predecir duraciones.
Métodos de árbol
Los árboles de decisión construyen particiones en los datos según el impacto de variables X (Explicativas), sobre la variable Y.
Crea reglas de clasificación no ecuaciones.
Algunos algoritmos son CHAID, CRT, Entropías.
Algunas técnicas avanzadas de machine learning se basan en esta familia de técnicas, ejemplo: Random Forest, Gradient boosting.
Métodos de Redes Neuronales
La red neuronal intenta aprender sobre Y a partir de las X disponibles de la misma forma como el cerebro intenta establecer conexiones neuronales, para generar reconocimiento y memoria.
Se crean ecuaciones y reglas simultáneamente para lograr la predicción.
El perceptrón multicapa y la función de base radial son dos de los algoritmos más usados para entrenar modelos de esta naturaleza.
Forecasting
Mucha información en el contexto de negocios e inclusive en el contexto digital, tiende a coleccionarse sobre el tiempo, por ejemplo ,las ventas, los inventarios, los factores de riesgo, los casos de fraude, etc.
Las series de tiempo, tiene generalmente tres características como mínimo: Tendencia, estacionalidad y ciclos. Lo que busca el forecasting es generar el mejor escenario de futuro teniendo en cuenta el comportamiento de la misma variable sobre el tiempo.
Aquí nuestro objetivo es PRONOSTICAR: usar el comportamiento de una variable en el pasado para estimar su comportamiento futuro.
Métodos de Suavizado
Son metodologías eficientes para modelar el comportamiento histórico de una variable pero no tan óptimos para hacer una representación futura de la misma.
Estos métodos tienden a ser eficientes cuando hay pocos datos.
Promedios móviles, suavizamiento exponencial, Línea holt, método Winter.
Método Box Jenkins
También conocido como A.R.I.M.A., es toda una metodología para descomponer la serie según tres elementos:
a. AR: Componente autorregresivo.
b. I: Componente integrado – diferenciación o estacionalidad.
c. MA: Componente de promedio móvil.
Si los tres componentes predicen la serie, se configura un ARIMA, cuando solo el componente AR y MA son significativos, se constituye un A.R.M.A., etc.
Métodos de Redes Neuronales
Las redes neuronales han mostrado excelentes niveles de precisión para predecir series de tiempo.
Particularmente los modelos de función de base radial, se posicionan como una nueva estrategia para mejorar el “forecast Acuracy” de los modelos de pronóstico.
Funciones de transferencia y Co-integración
Hay oportunidades en las que tenemos diferentes variables desplegadas a lo largo del tiempo y en las mismas fechas. En estos casos, queremos construir modelos integradores llamados funciones de transferencia.
Nos interesa ver cómo una serie de tiempo predice o estima otra.
Optimización
El objetivo máximo de la matemática aplicada bien podría ser la optimización.
Aquí nos interesa minimizar, maximizar o igualar un proceso; lo que implica distribuir recursos limitados dentro de necesidades ilimitadas.
Distribuir presupuesto de marketing dentro de diferentes canales de comunicación o distribuir inventarios entre puntos de venta para reducir los días de inventario, son ejemplos de problemas de optimización aplicados.
Optimización Matemática
La relación entre los procesos y los resultados, tienden a asumir un comportamiento que describe estas relaciones.
Optimización lineal, no lineal, cuadrática, etc.
Simulación de Eventos Discretos
Los resultados cualitativos también son resultados y necesitamos predecirlos, estimarlos y tenerlos en cuenta para optimizarlos.
Optimización de Recursos y Procesos
Durante procesos productivos, en la gerencia de proyectos o en escenarios similares, el tiempo y el dinero deben ser distribuidos de forma estratégica.
La distribución de recursos para lograr el mejor resultado con menos, constituyen los problemas de optimización más frecuentes en las empresas.
Diseño y Optimización de Rutas
Llevar cosas – personas de un punto a otro, en el menor tiempo posible, con la mayor ocupación viable y al menor costo, es un reto.
La investigación de operaciones tiene una respuesta eficiente a este tipo de preguntas.
Reconocimiento de imágenes
Tomamos la data y la convertimos en resultados rápidamente. Construimos soluciones y aplicaciones que aprovechan la Inteligencia Artificial y el Big Data para lograr velozmente los objetivos de negocio.
Procesamiento de videos
Aislamiento de patrones gráficos en videos para alertar desenlaces de interés.
Análisis multidimensional: Forma, color, profundidad, velocidad etc., para descubrir hallazgos y generar aplicaciones.
Procesamiento de sonido
Reconocimiento de voz, palabras y establecimiento de patrones.
Entrenamiento de bots y uso de este conocimiento en el desarrollo de soluciones y aplicaciones de negocio.
Procesamiento de fotografías
Aislar patrones gráficos de imágenes, reconocimiento de rostros y construcción de aplicaciones predictivas en torno a esa dimensión.
IA vs DS: Diferencias e intersecciones del mundo tecnológico (Parte 1)
La Inteligencia Artificial (IA) y la Ciencia de Datos (DS) son dos campos de conocimiento que representan la vanguardia de la revolución tecnológica, ofreciendo soluciones innovadoras a desafíos compl...
IA vs DS: Diferencias e intersecciones del mundo tecnológico (Parte 2)
A pesar de constituir dos campos fundamentales que impulsan la innovación tecnológica actual, la Inteligencia Artificial (IA) y la Ciencia de Datos (DS) a menudo son entremezcladas, generando confusio...
Inteligencia artificial enfrenta un consumidor escéptico y desconfiado
2023 ha sido un año intenso en nuevas publicaciones y lanzamientos de tecnologías y aplicaciones basadas en inteligencia artificial. Un reciente estudio desarrollado por nuestro observatorio social "P...
Cobertura regional en América Latina, exportando servicios a Estados Unidos y Europa desde nuestras oficinas en Colombia y México.
BOGOTÁ, COLOMBIA.
Carrera 13 No. 83 – 19,
Tel: +57 601 638 6904
Mensaje de WhatsApp
CIUDAD DE MÉXICO, MÉXICO.
Blvd. Manuel Ávila Camacho 182,
Piso 6, Colonia Reforma Social.
Tel: +52 5564212121
Mensaje de WhatsApp