Estos artículos se centran en las partes que determinan si un modelo sigue siendo útil en producción: validación temporal, diseño de variables, detección de anomalías, calidad de probabilidades, explicabilidad, despliegue e ingeniería alrededor del modelo.
Por qué Payrithm no ordena simplemente las facturas por probabilidad de pago tardío y cómo combino el riesgo calibrado de ML con el valor, la urgencia y la actividad de cobro.
Por qué predecir pagos tardíos requiere más que una división cronológica train/test y cómo reconstruyo qué podía saberse realmente cuando se habría realizado cada predicción de Payrithm.
Cómo diseñé el pipeline de machine learning de Payrithm para predecir pagos tardíos sin fuga de datos, evaluar la calidad de las probabilidades y convertir las predicciones en prioridades de cobro accionables.
El trabajo a menudo ignorado de transformar datos brutos en variables informativas: encoding, escalado, valores ausentes, interacciones y selección de variables.
Cómo los modelos probabilísticos de difusión con denoising aprenden a generar imágenes invirtiendo un proceso gradual de adición de ruido, explicado desde cero.
Cómo construir un pipeline robusto de detección de anomalías para datos multivariantes de sensores con autoencoders LSTM en PyTorch, incluyendo selección de umbrales y despliegue.
Una explicación desde cero de las CNN: convolución, pooling, campos receptivos y las decisiones arquitectónicas que hicieron funcionar el deep learning para imágenes.
Una inmersión en el mecanismo de autoatención y en cómo los Transformers sustituyeron a las redes recurrentes para convertirse en la base de los modelos de lenguaje modernos.
Uso Google Analytics para entender cómo se utiliza este portfolio y mejorarlo. Las cookies de analítica y el seguimiento de páginas permanecen desactivados hasta que los aceptes. Puedes cambiar tu elección más adelante desde el pie de página.