Recursos para cientifícos de datos (enero 2023)
El día de hoy, les comparto una serie de artículos variados, que van desde la discusión de métodos estadísticos aplicados a la evaluación, el análisis visual, el uso de IA en finanzas, y por qué no, el uso del aprendizaje automático para evaluar el impacto de la electrificación. Finalmente, un recurso para practicar el uso de TensorFlow. Así que, arrancamos con nuestra primera recomendación para los científicos de datos que les gusta la evaluación de impacto Bayesiana: Bringing informative priors into your experiment: Bayesian impact evaluation (Development Impact).
En Medium, Fahad Mirza nos comparte sus 25 mejores visualizaciones para resumir datos en STATA (con código completo).
Suptech in insurance supervision: Dada la importancia del papel de la tecnología de supervisión (suptech) en la "nueva normalidad", los supervisores de seguros ven la necesidad de comprender claramente el potencial de la suptech para ayudar a su trabajo. Este documento pretende contribuir a esta comprensión citando ejemplos concretos de cómo 22 supervisores de seguros utilizan las herramientas de suptecnología (análisis de datos, aprendizaje automático e inteligencia artificial). El documento abarca 38 herramientas de suptecnología, que se clasifican en función de su uso previsto, ya sea para la supervisión prudencial o de la conducta, o para ambas.
Data and analytics innovations to address emerging challenges in credit portfolio management: Los resultados de una nueva encuesta de McKinsey y la IACPM revelan los retos y las oportunidades de las nuevas técnicas de datos para la gestión de carteras de crédito.
Continuamos con los temas del uso de técnicas de aprendizaje automático aplicado a las finanzas, esta vez con: What Can AI Do for Investment Portfolios? A Case Study (CFA Institute).
En la revista Nature, Ratledge et al. utilizan el aprendizaje automático para estudiar el impacto causal de la electrificación en Uganda: "mostramos cómo se puede utilizar una combinación de imágenes por satélite y visión por ordenador para desarrollar mediciones de los medios de subsistencia a nivel local apropiadas para inferir el impacto causal del acceso a la electricidad en los medios de subsistencia. A continuación, mostramos cómo las técnicas de inferencia basadas en ML proporcionan estimaciones más fiables del impacto causal de la electrificación que las alternativas tradicionales cuando se aplican a estos datos. Estimamos que el acceso a la red eléctrica mejora la riqueza en activos a nivel de aldea en la Uganda rural hasta en 0,15 desviaciones estándar".
Por último, How to Define Custom Layer, Activation Function, and Loss Function in TensorFlow (Regenerative).
Hasta aquí el post del día de hoy y recuerda que puedes seguirme en Twitter y mantenerte informado de lo último de ciencia, tecnología e innovación en el mundo de la economía y las finanzas.
Comentarios