Program

• Artificial Intelliegence in the Social Sciences (Junio 2022)

Class Notes and Presentations

Aprendizaje Estadistico

• Introducción aprendizaje estadístico (Junio 2022)
• Lecturas
  • Statistical Modeling: The Two Cultures (Junio 2022)
  • Machine Learning Methods Economists Should Know About (Junio 2022)
  • Prediction Policy Problems (Junio 2022)
  • Economics in the age of big data (Junio 2022)

Principales tecnicas

• Métodos lineales de regresión y clasificación (Junio 2022)
• Métodos no lineales de regresión y clasificación (Junio 2022)
• Validación y Selección de Modelos (Junio 2022)
• Reconstruccion de Mapas de Manglares usando Bosques Aleatorios e Imagenes Satelitales (Junio 2022)
• Predicting Annual Length-Of-Stay and its Impact on Health Costs
• Lecturas
  • Three learning principles from Learning From Data (2012) , Yaser S. Abu-Mostafa, Malik Magdon-Ismail, Hsuan-Tien Lin .
  • Machine Learning Based Program to Prevent Hospitalizations and Reduce Costs in the Colombian Statutory Health Care System
  • Does Machine Learning Automate Moral Hazard and Error?

Interpretabilidad

• Interpretabilidad (junio 2022 – Nueva Version)
• Lecturas
  • Zero-Inflated Embeddings to Analyze Homicide Occurences Patterns.

Prediccion, Causalidad y Toma de Decisiones

• Fundamentos de Causalidad (junio 2022)
• Identificacion Econometrica de Efectos Causales (Junio 2022)
• A Spatial Discrete Choice Model of Crime (Junio 2022)
• Lecturas
  • An Introduction to Causal Inference

Privacidad

• Privacidad Algoritmica: Una introduccion (junio 2022)
• Lecturas
  • The Algorithmic Foundations of Differential Privacy
  • Collecting and Analyzing Multidimensional Data with Local Differential Privacy

Guia Propuesta/Presentacion de Trabajo Final

Hacerse estas preguntas y responderlas en la presentacion: Catecismo de Heilmeier

La propuesta/presentacion debe incluir:

1. El problema y su relevancia.
2. Revisión de la literatura.
3. Contribución especifica del artículo en el contexto de esta literatura.
4. Descripción muy preliminar de los datos (sinteticos o reales).
5. Sugerencia de aproximacion metodologica: modelos que se van a usar y por que.
6. Sugerencia de criterios de evaluacion de los modelos.
7. Resultados esperados.

Guía Trabajo Final

Una forma de evaluar el valor y riesgo de una propuesta de investigacion es seguir el Catecismo de Heilmeier

Un buen articulo en minería de datos debe tener un estructura como esta:

1. Introducción:  el problema y su relevancia, revisión de la literatura y contribución especifica del artículo en el contexto de esta literatura.
2. Descripción de los datos.
3. El modelo (si lo hay) y ojala algún resultado teórico.
4. El algoritmo utilizado.
5. Aplicación a por lo menos dos cosas: (1) Datos sintéticos y (2) Una base de datos del mundo real.
6. Conclusiones

Un excelente ejemplo es: Uplift Modeling with Multiple Treatments and General Response Types

El estándar de edición de las publicaciones académicas es Latex. Para instalar este sistema de edición recomiendo:

1. Descargar Latex de https://www.latex-project.org/
2. Descargar un editor de Latex. Texstudio es muy bueno: https://www.texstudio.org/
3. Este template puede ser bueno para comenzar a modificar: KDD Template Example

 Textos

• Introduction to Statistical Learning with Applications in R. Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani

Lecturas Adicionales

• McKinsey Global Institute: The age of analytics executive summary
• The data revolution and economic analysis
• Big Data: New Trick for Econometrics
• Statistical Learning Theory: Models. Concepts, and Results
• Top 10 algorithms in data mining
• The Markov Chain Montecarlo Revolution
• Support Vector Classification with Input Data Uncertainty
• Testing Rating Accuracy (véase también: http://www.hmeasure.net/)

Presentaciones adicionales

• Learning curves (Andrew Ng)
• Deciding what to do next revisited (Andrew Ng)
• Error metrics for skew classes (Andrew Ng)
• Trading off precision and recall (Andrew Ng)