Documentos de Académico
Documentos de Profesional
Documentos de Cultura
computólogos.
Fundamentación:
Los debates en torno a los datos, inteligencia artificial, etc, ocupan cada vez una agenda más
grande en las discusiones académicas en tecnología , política, y cultura, a la vez que en los
medios y los pasillos, pero muchas veces estas preocupaciones y debates llegan a puntos ciegos
o hipotéticos al no saber como funcionan o qué fundamentos tienen estas tecnologías. La idea es
trabajar algunas de estas problemáticas a través de la experimentación con tecnologías de este
tipo, especialmente con algunas técnicas de Machine Learning.
Objetivo general:
Compartir saberes prácticos sobre ciencia de datos (data science - DSC) que ayuden a reflexionar
críticamente a partir de la experimentación sin requerir conocimientos previos.
Objetivos particulares:
+ Comprender la noción de flujo de trabajo en data science
+ Experimentar con algunos de los algoritmos más utilizados.
+ Entender qué es un modelo, cómo se aplica y evalúa.
+ Reflexionar sobre algunos límites en las técnicas de data science.
Metodología:
Se priorizará la modalidad aula-taller para experimentar y reflexionar sobre la práctica.
Destinatarios: Personas que no sean programadores pero no teman instalar y experimentar con
un programa desconocido.
Requisitos:
+ Traer una computadora
+ Traer el programa knime instalado. Disponible en: https://www.knime.com/
Contenidos:
¿Cómo adivina/adivinamos?
¿Que tipo de preguntas nos dan más información que otras?
Construir un árbol de decisiones para la representación del conocimiento.
¿Podemos saber qué hace exactamente cada modelo? (Explicabilidad, árboles de decisión vs el
resto)
Preguntas:
Le hago caso a un solo algoritmo?
Lo uso como insumo para una decisión humana?
Probleaticas:
Clases subrepresentadas - (quitar casos del arbol de isis, y ver que pasa con la detecciond e
cancer en mujeres)
Problemas con eventos de probabilidad baja (casos de cancer)
Causalidad vs correlación.
https://www.gaussianos.com/hay-que-decirlo-mas-correlacion-implica-causalidad/
Ampliatorio:
https://www.youtube.com/watch?v=qzZCKENi3po
Bibliografía:
Tony Monleon (2017), Big data, hacia la cuarta revolución industrial
Cathy O’neil(2016), Armas de destrucción matemática
Carolina Martínez Elebi. (2019) IMPACTOS SOCIALES DE LA INTELIGENCIA ARTIFICIAL
Quedan afuera para otro taller
Parte 2: Recomendadores.
+ Como nos recomendaba cosas el video club
+ como nos recomienda cosas netflix
+ filtrado colaborativo: https://es.wikipedia.org/wiki/Filtrado_colaborativo