Control de costes bancarios y productos de inversión de riesgoLuis Pineda
Luis Pineda, abogado y doctor en Derecho, fundó y preside desde su creación Ausbanc, entidad que lucha por defender los intereses de los consumidores a cualquier nivel. Fruto de este objetivo Pineda ha ofrecido infinidad de jornadas formativas, como la que nos ocupa, bautizada como “Control de costes bancarios y productos de inversión de riesgo".
En ella Luis Pineda habla de comisiones indebidas, cobro irregular de intereses, sentencias judiciales sobre el tema, fondos de inversión, comisiones de descubierto, tarjetas de crédito...
Control de costes bancarios y productos de inversión de riesgoLuis Pineda
Luis Pineda, abogado y doctor en Derecho, fundó y preside desde su creación Ausbanc, entidad que lucha por defender los intereses de los consumidores a cualquier nivel. Fruto de este objetivo Pineda ha ofrecido infinidad de jornadas formativas, como la que nos ocupa, bautizada como “Control de costes bancarios y productos de inversión de riesgo".
En ella Luis Pineda habla de comisiones indebidas, cobro irregular de intereses, sentencias judiciales sobre el tema, fondos de inversión, comisiones de descubierto, tarjetas de crédito...
Presentación hecha por Juan Guillermo Restrepo en el #DigitalAnalyticsInAction en Colombia, con la participación de @metriplica, @google y @bancolombia.
Slideshare de modelos de recomendación para marketplaces y e-commerces. Aumentar el ticket medio o liberar estocaje son necesidades que fácilmente se pueden cubrir. Echa un vistazo a la presentación de Carlos Arciniega Martínez de Smartup.
Presentation Webinar 30/4 - "Cómo aumentar las ventas con eCommerce Automation"eCommerce Institute
En esta última edición del Ciclo de Webinars “Conversando con los Líderes del Internet” Jonathan Baldovino, Co-Founder y CMO de Making Experience y Roberto Jasinski, Co-Founder y CEO de Making Experience fuerón los expositores con la temática “Cómo aumentar las ventas con eCommerce Automation”
Al descargar este ebook podrás resolver muchas de las dudas que tienes sobre el marketing de contenidos y por que esta herramienta es el gran aliado del comercio electrónico.
Descargalo ya mismo!
En él descubrirás:
¿Qué es el marketing de contenidos?
¿Qué beneficios directos tiene el marketing de contenidos para una marca de eCommerce?
¿Qué formatos son más efectivos en una estrategia de marketing de contenidos para un eCommerce?
El marketing de contenidos,el mejor aliado de nuestro negocio en línea
Esta presentación está basada en el Libro de "Lean Analitycs" de Alistair Croll. La presentación muestra por qué es importante crear KPI´s en una StartUp o en cualquier organización que esté desarrollando innovación, esta presentación la puedes complementar con una anterior que hicimos "Leaders Guide". Espero te sea útil. Saludos!!!
Reinforcement Learning (RL) approaches to deal with finding an optimal reward based policy to act in an environment (Charla en Inglés)
However, what has led to their widespread use is its combination with deep neural networks (DNN) i.e., deep reinforcement learning (Deep RL). Recent successes on not only learning to play games but also superseding humans in it and academia-industry research collaborations like for manipulation of objects, locomotion skills, smart grids, etc. have surely demonstrated their case on a wide variety of challenging tasks.
With application spanning across games, robotics, dialogue, healthcare, marketing, energy and many more domains, Deep RL might just be the power that drives the next generation of Artificial Intelligence (AI) agents!
Esta charla se pregunta sobre el rol del Big Data en las Smart Cities y la construcción de la ciudad futura. Gracias al desarrollo de campos como el Data Science, Internet of Things y Urban Analytics, surgen nuevas maneras de comprender las dinámicas y los entornos urbanos.
Los "Entornos Naturalmente Inteligentes" son la visión de una ciudad futura, como un organismo vivo y complejo que se adapta, se transforma y se reinventa; este proceso, es una búsqueda constante por construir nuevas maneras más sostenibles de coexistir con otros sistemas.
Estamos en un momento fascinante en el área de salud. Hoy en día es posible tener diagnósticos clínicos muy oportunos y generar predicciones en tiempo real, lo cual abre espacios que impactarán a la sociedad de forma muy positiva. Uno de éstos es la medicina de precisión que trata de explotar insights de condiciones biológicas, de entorno y hábitos para mejorar de forma preventiva la salud en los individuos.
Llegó el momento... las predicciones del futuro son ahora y en Colombia ya se están dando los primeros pasos!
Ayudando a los Viajeros usando 500 millones de Reseñas Hoteleras al MesBig Data Colombia
TrustYou analiza reseñas de hoteles en linea para crear un resumen para cada hotel en el mundo: http://www.trust-score.com/ ;
Los datos procesados por TrustYou son integrados por servicios como Kayak, Trivago, HipMunk entre otros.
Cada semana analizamos la web para descargar 3 millones de reviews. Estos son analizados usando técnicas de lingüística computacional, procesamiento de lenguaje natural y aprendizaje de maquinas. Para ello usamos casi exclusivamente Python. En esta charla Miguel les contará qué estrategias y herramientas usa TrustYou para lograr este objetivo.
Presentador: Miguel Fernando Cabrera. (@mfcabrera) Ing. de Sistemas e Informática de la Universidad Nacional de Colombia (Medellin), M.Sc. en Computer Science de la TU Munich con un Honours en Administración Tecnológica del CDTM. Fundó y lideró hasta principio del 2015 Munich DataGeeks, un grupo de interés en ML y Data Science más Baviera. Actualmente trabaja como como Data Engineer / Scientist para TrustYou.
Deep learning: el renacimiento de las redes neuronalesBig Data Colombia
El deep learning, o aprendizaje profundo, ha revolucionado el panorama del aprendizaje automático, en particular, y de la inteligencia artificial, en general. Los modelos de redes neuronales profundas (con un gran número de capas) han permitido obtener avances importantes en diversas tareas de aprendizaje, percepción y análisis de datos, que van desde la clasificación de imágenes hasta el reconocimiento del habla.
En la charla se presentarán, de manera general, los fundamentos de estos modelos y diferentes casos de aplicación en aprendizaje de la representación, visión por computador y análisis de texto entre otros. Se revisarán los avances teóricos y tecnológicos que han permitido abordar estos complejos problemas y se discutirá la experiencia tecnológica y científica en proyectos de investigación adelantados en Colombia.
Presentador: Fabio Gonzalez. Profesor Titular del Depto. de Ingeniería de Sistemas e Industrial de la Universidad Nacional de Colombia, donde lidera el Laboratorio de aprendizaje, percepción y descubrimiento automático (MindLab). Su trabajo de investigación se concentra en el aprendizaje automático, la recuperación de información y la visión por computador, con aplicaciones en campos diversos como el análisis de imágenes médicas, el análisis automático de textos y el aprendizaje a partir de información multimodal, entre otros.
Un estudio reportado por la Harvard Business Review muestra las tres estrategias encontradas para explotar totalmente las capacidades de Big Data y Analytics en una organización, estas son: 1) identificar, combinar y manejar múltiples fuentes de datos. 2) Construir modelos analíticos avanzados para predecir y optimizar resultados. 3) Transformar las capacidades de la organización de tal forma que los datos utilizados y el análisis de los mismos lleven a tomar mejores decisiones. El modelo de Cloud computing sirve para cada uno de las capacidades anteriormente mencionadas.
https://www.youtube.com/watch?v=eXtWRkfMisM
Esta charla presentará conceptos introductorios de Machine Learning haciendo uso de kaggle.com (El portal de Data Scientists más grande del mundo). La charla se divide en:
1. Introducción a kaggle.com
2. Competencias de Machine Learning
3. Kaggle.com como sitio de contratación/búsqueda de trabajo
4. Cómo competir y obtener buenos resultados en competencias de ML
5. Ejemplos prácticos de competencias pasadas
https://www.youtube.com/watch?v=eXtWRkfMisM
Durante el 2012 el nivel de fraude en tarjeta de crédito llego a 11.3 billones de dólares, un aumento de casi un 15% comparado con el 2011, esto demuestra el problema que el fraude representa no solo a las instituciones financieras sino también para la sociedad. Tradicionalmente la prevención del fraude consistía en proteger físicamente la infraestructura, sin embargo con cada vez más medios y canales de pago, la información financiera se ha vuelto cada vez más susceptible a ser hurtada. La siguiente opción para prevenir y controlar el fraude consiste en determinar si una transacción está siendo realizada por el cliente de acuerdo con sus patrones históricos de comportamiento. Este es el enfoque de Fraud Analytics.
En esta presentación se mostrara cómo es posible por medio de Fraud Analytics, determinar la probabilidad que una transacción sea o no realizada por el cliente, utilizando la información de compra de los clientes, sus interacciones con la entidad financiera, y por medio de análisis de redes sociales. Adicionalmente, se discutirán y compararan los resultados de las comúnmente utilizadas reglas de decisión y modelos avanzados de Machine Learning.
Realizar análisis de datos cuando se tienen que cruzar grandes cantidades de información, procesarla y limpiarla es un reto difícil y dispendioso. Apache Spark es un framework para procesar grandes cantidades de información.
Introducción a las bodegas de datos: qué son y para qué son. Metodologías para el diseño y construcción de una bodega de datos, procesos ETL e integración de tecnologías.
El mundo de Big Data y Data Science es altamente técnico, pero entender cuáles son sus ideas centrales no requiere súper poderes. Explicaremos en qué consiste esta fascinante tendencia tecnológica y sus principales conceptos, herramientas y posibilidades.
¿Wearables para medir el progreso de una enfermedad? ¿Otorgar préstamos usando información de redes sociales? ¿Usar un algoritmo para encontrar la pareja ideal? Éstas son algunas de las cosas que Big Data Analytics está haciendo posible hoy en día. Veremos éstos y otros ejemplos de emprendimientos que están cambiando las reglas del juego.
Datos y más datos !! ... Todos días la humanidad genera información por todas partes, saber agruparla y tratarla es la esencia del movimiento impulsado por el Big Data...pero, el impacto en los negocios es algo que pocos nos cuentan, este será el eje de nuestra charla, conozca cómo integrando Big Data al proceso de toma de decisiones las empresas logran ventajas competitivas de este universo de información.
Diapositivas D.I.P.. sobre la importancia que tiene la interpol en HonduraspptxWalterOrdoez22
Es un conjunto de diapositivas creadas para la información sobre la importancia que tienen la interpol en honduras y los tratados entre ambas instituciones
Ipsos, empresa de investigación de mercados y opinión pública, divulgó su informe N°29 “Claves Ipsos” correspondiente al mes de abril, que encuestó a 800 personas con el fin de identificar las principales opiniones y comportamientos de las y los ciudadanos respecto de temas de interés para el país. En esta edición se abordó la a Carabineros de Chile, su evaluación, legitimidad en su actuar y el asesinato de tres funcionarios en Cañete. Además, se consultó sobre el Ejército y la opinión respecto de la marcha en Putre.
Portada De Revista De Ciencia Elegante Moderno Azul y Amarillo.pdf
Kaggle: Coupon Purchase Prediction
1. Kaggle: Coupon Purchase Prediction.
Predecir que es lo que los clientes quieren antes que ellos.
Alejandro Tobon
Karen Viviana Torres
Roby Rubiano
2. Sistemas de recomendación
El Premio Netflix era un concurso abierto para el mejor algoritmo
de recomendación.
Premio un millón de dólares.
Amazon cuenta con un algoritmo personalizado de recomendación
que ellos llaman filtrado colaborativo ítem a ítem.
Fue desarrollado en casa y esta patentado en los
Estados Unidos.
Los videos recomendados representaron aproximadamente el 60%
de los clics en la página principal.
Se encontró la tasa de clics (CTR) se incrementó en un 207% para
los videos recomendados.
Un sistema de recomendación es un sistema inteligente que
proporciona a los usuarios una serie de sugerencias
personalizadas
5. Antecedentes
Ponpare es un sitio web muy parecido a
Groupon.
Ponpane el es sitio web líder en Japón,
que ofrece grandes descuentos de todo
tipo, desde el yoga, hasta sushi gourmet
Por medio del uso de la información
histórica de compras y el
comportamiento de navegación, se
quiere predecir que cupones el cliente
va a comprar en un período
determinado de tiempo
Se utilizarán los modelos resultantes
para mejorar el sistema de
recomendación actual.
7. Solución propuesta:
Planteamiento
Clientes y
cupones
Información Histórica de
compras.
Información de histórica
de navegación.
Información detallada
de los groupones
Datos demográficos del
cliente
Modelo
Analítico
El modelo entrega como resultado por cada cliente la lista de los 10
cupones mas propensos a la compra.
8. Modelo Analítico Fases
Calculo de similitud de
usuarios.
Esta medida depende de los
productos que compren en
común.
Vector de preferencias de cada
usuario.
VP: vector que contiene la
proporción de cuponesque
compro o visito con sus
características
Se emiten recomendaciones
Se mide la calidad y efectividad
del modelo
1
2
3
4
10. Modelo Analítico: Vector de
preferencias de su comunidad
Cada variable que se define en el vector tiene un peso.
Diana
• 20% de los cupones los compro en SPA
• 40% de los cupones los comro en restaurantes.
• 50% de los cupones los compro en Bogota
• 40% de los cupones costaban menos de 50.000
Pilar……..
Arturo ……..
11. Modelo Analítico: Calidad
Se entrena con todos los registros que están entre
las fechas (2011-07-01 to 2012-06-16), casi un año.
Se mide la calidad con las compras que se
efectuaron entre (2011-06-13 to 2012-06-23)
Se debe encontrar la combinación de pesos en el
vector de preferencias que maximizan la métrica de
calidad del modelo
La métrica que se utiliza es la MAP@10
Notas del editor
Ponpare
Amazon: Jeffrey Bezos 1994
where if the denominator is zero, the result is set zero; P(k) means the precision at cut-off k in the item list, i.e., the ratio of number of users followed up to the position k over the number k, and P(k) equals 0 when k -th item is not followed upon recommendation; n = 10
(1) If the user follows recommended nodes #1 and #3 along with another node that wasn't recommend, then ap@10 = (1/1 + 2/3)/3 ≈ 0.56
(2) If the user follows recommended nodes #1 and #2 along with another node that wasn't recommend, then ap@10 = (1/1 + 2/2)/3 ≈ 0.67
(3) If the user follows recommended nodes #1 and #3 and has no other missing nodes, then ap@10 = (1/1 + 2/3)/2 ≈ 0.83