Dentro de esta clase trabajaremos en conjuntos de datos del mundo real, para resolver problemas de negocios del día a día (Definitivamente no los aburridos conjuntos de datos de clasificación de iris o dígitos que vemos en todos los cursos). Aquí, trabajaremos en seis desafíos del mundo real:
- Redes Neurales Artificiales para resolver un problema de pérdida de clientes (Customer Churn)
- Redes neuronales convolucionales para el reconocimiento de imágenes
- Redes neuronales recurrentes para predecir los precios de las acciones
- Mapas auto-organizados para investigar el fraude
- Máquinas de Boltzmann para crear un Sistema de Recomendaciones
- Los AutoEncoders apilados* para enfrentarnos al reto por el premio del millón de dólares de Netflix
*Los AutoEncoders apilados son una nueva técnica del Deep Learning que hace un par de años aun no existía. Hasta ahora no hemos visto este método
TensorFlow y PyTorch son las dos librerías de código abierto más populares para el Deep Learning y en este curso aprenderás las dos.
TensorFlow fue desarrollado por Google y se utiliza en su sistema de reconocimiento de voz, en el nuevo producto de Google Photos, gmail, google search y mucho más. Las empresas que utilizan TensorFlow incluyen AirBnb, Airbus, Ebay, Intel, Uber y mcuhas más.
PyTorch es igual de potente y está siendo desarrollado por investigadores de Nvidia y universidades líderes: Stanford, Oxford, ParisTech. Las empresas que utilizan PyTorch incluyen Twitter, Saleforce y Facebook.
Dominar el Deep Learning no sólo consiste en conocer la intuición y las herramientas, sino también en ser capaz de aplicar estos modelos a escenarios del mundo real y obtener resultados reales y medibles para el negocio o proyecto. Es por ello que en este curso presentamos seis emocionantes retos:
Esta sección aborda un desafío crucial de análisis de datos centrado en la pérdida de clientes (Customer Churn) para un banco. Se proporciona un extenso conjunto de datos que incluye información como la identificación del cliente, puntaje de crédito, género, edad, antigüedad, balance y actividad. El objetivo es desarrollar una Red Neural Artificial que, basándose en datos geo-demográficos y transaccionales, prediga si un cliente abandonará el banco o permanecerá (Customer Churn). La clasificación de todos los clientes según su probabilidad de salida se logrará mediante un modelo de Deep Learning, basado en un enfoque probabilístico. El éxito en este proyecto proporcionará un valor significativo al banco al reducir la tasa de pérdida de clientes.
Esta sección se enfoca en la implementación de una Red Neuronal Convolucional capaz de detectar objetos en imágenes, inicialmente gatos o perros. La versatilidad de este modelo permite su adaptación para detectar otros objetos simplemente cambiando las imágenes de entrada. Se destaca la posibilidad de entrenar el modelo para reconocer tumores en imágenes cerebrales u otros objetos. El enfoque es aplicable incluso a nivel personal, como predecir la mascota de alguien a partir de una foto. La sección demuestra la flexibilidad y potencial de las Redes Neuronales Convolucionales en diversas aplicaciones.
En esta fase, se desarrolla un modelo de Deep Learning que se considera cercano a la "Inteligencia Artificial". Se introducen las Redes Neuronales Recurrentes, específicamente las LSTM (Long Short Term Memory), conocidas por su capacidad de mantener memoria a largo plazo. El desafío implica predecir el precio real de las acciones de Google, utilizando este modelo poderoso. Se destaca la relevancia de este enfoque innovador en el campo del Deep Learning y su aplicación práctica para la predicción financiera.
Esta sección aborda el creciente mercado de detección y prevención de fraudes, con un valor proyectado de 33.19 billones de dólares para 2021. Se presenta el desafío empresarial de la detección de fraude en aplicaciones de tarjetas de crédito. Los participantes crearán un modelo de Deep Learning para un banco, utilizando un conjunto de datos que incluye información de clientes solicitantes de tarjetas de crédito avanzadas. La tarea consiste en detectar posibles fraudes en estas aplicaciones, proporcionando al banco una lista explícita de clientes que podrían haber realizado trampas en sus solicitudes.
Este segmento se centra en la creación de sistemas de recomendación, una habilidad altamente demandada en la actualidad. Se trabajará con un conjunto de datos similar al de Netflix, incluyendo numerosas películas y miles de usuarios con calificaciones que van del 1 al 5. El sistema de recomendación final, construido con dos modelos diferentes de Deep Learning (Deep Belief Networks y AutoEncoders), será capaz de predecir las calificaciones de películas no vistas por los clientes. Este desafío ofrece una oportunidad única para destacarse en la creación de sistemas de recomendación efectivos y complejos, proporcionando un valor significativo en el mundo de la ciencia de datos.