Añadiendo causalidad a tus modelos predictivos

Taller práctico para aprender a obtener conclusiones de causalidad y vencer las debilidades de los modelos de ML o DL en sus predicciones.

Continuamos esta temporada de webinars ofreciendo contenido de valor para que no dejes de aprender y lo hagas en todas las áreas y con los mejores expertos y expertas. Y en esta ocasión volvemos con una de nuestras Tech Talks junto a Rubén Martínez, Ingeniero informático y Data Scientist ¿Te lo vas a perder?

SOBRE LA CHARLA

Las debilidades de los modelos de Machine Learning o Deep Learning a la hora de realizar predicciones sobre situaciones que se alejan de la distribución de los datos con los que fueron entrenados así como sus sesgos, pueden empezar a ser explicadas cuando se tiene en cuenta la ausencia de estudio de causalidad.

El objetivo de esta charla es el de mostrar de forma totalmente práctica cómo realizar, empleando Python, un estudio que permita obtener conclusiones de causalidad entre las features del problema, en situaciones en las que sólo se tiene acceso a datos observacionales.

PONENTE: Rubén Martínez

Ingeniero Informático (UPM), Postgrado en Deep Learning (UPC), certificación de Computación Cuántica ofrecido por https://www.qubitbyqubit.org/ e IBM y estudiante de Máster oficial en IA (UNIR). Con experiencia profesional procedente del ámbito de la seguridad informática. Miembro del grupo de hacking MundoHacker (https://mundohackerday.com/).

En 2013 reorientó su carrera al sector de la Inteligencia Artificial. Ha trabajado, entre otras tareas, desarrollando proyecto de I+D+i para implementar modelos de Deep Learning en el robot humanoide Pepper para la asistencia de personas con Alzheimer. LinkedIn: https://www.linkedin.com/in/rubén-martínez-sánchez/