Traducción de problemas de negocio a tareas de machine learning

Objetivo del profesor

El objetivo principal de esta clase es enseñar a los estudiantes cómo traducir problemas de negocio complejos y aparentemente abstractos en tareas específicas y ejecutables de machine learning. El profesor busca desarrollar la habilidad crítica de hacer la conexión entre el mundo empresarial y el técnico, enfatizando la importancia de entender el contexto antes de implementar soluciones.

Habilidades desarrolladas

• Traducción de problemas: Convertir necesidades de negocio en tareas técnicas de ML
• Formulación de preguntas específicas: Evitar generalidades y buscar objetivos concretos
• Análisis de contexto: Entender el dominio del problema antes de proponer soluciones
• Evaluación de riesgos: Considerar las consecuencias de errores del modelo
• Definición de métricas: Establecer criterios claros de éxito

Conceptos clave

• [0:36] Traducción problema-solución: Proceso de convertir problemas de negocio en tareas de machine learning
• [0:49] Preguntas específicas: Importancia de hacer preguntas puntuales en lugar de generales
• [1:07] Consecuencias de errores: Diferentes niveles de impacto según el dominio de aplicación
• [1:24] Predicción de demanda: Aplicación de regresión y series de tiempo en hospitales
• [2:01] Sistemas de recomendación: Filtrado colaborativo y basado en contenido
• [2:33] Clasificación de imágenes: Visión por computadora para control de calidad
• [3:05] Clasificación binaria: Evaluación de riesgo crediticio

Palabras clave importantes

• Machine Learning
• Jupyter Notebook
• Algoritmos
• Regresión
• Series de tiempo
• Filtrado colaborativo
• Visión por computadora
• Clasificación binaria
• Métricas de éxito
• Pipeline de datos

Hechos importantes

• [0:24] Tentación común: Los profesionales tienden a saltar directamente a la implementación sin análisis previo
• [0:40] Naturaleza dual: La traducción de problemas es "mitad arte y mitad ciencia"
• [1:12] Diferencia de impacto: Los errores en recomendaciones de películas vs. diagnósticos médicos tienen consecuencias muy diferentes
• [4:12] Diferenciación profesional: Esta habilidad separa a entusiastas de profesionales que agregan valor real

Principales puntos de datos

Ejemplos de traducción problema-solución:

1. [1:16] Hospital - Urgencias

   • Problema: Reducir tiempo de espera
   • Solución: Predicción de demanda (regresión/series de tiempo)
   • Datos: Registros históricos, horarios, tipos de urgencia, eventos locales
   • Métrica: Reducción del 20% en tiempo promedio de espera

2. [1:52] Streaming

   • Problema: Aumentar retención de usuarios
   • Solución: Sistema de recomendación
   • Datos: Historial de visualización, calificaciones, géneros, patrones de consumo
   • Métrica: Incremento en tiempo de visualización o reducción de cancelaciones

3. [2:26] Fábrica de automóviles

   • Problema: Detectar defectos en piezas
   • Solución: Clasificación de imágenes
   • Datos: Fotografías etiquetadas con diferentes condiciones
   • Métrica: Porcentaje de defectos detectados sin aumentar falsos positivos

4. [2:57] Banca

   • Problema: Identificar riesgo crediticio
   • Solución: Clasificación binaria
   • Datos: Historial crediticio, ingresos, deudas, datos sociodemográficos
   • Métrica: Precisión en identificación de clientes de riesgo