El meme como la máxima cantidad de información en el mínimo espacio

Entendimiento del caso de estudio

Propuesta: análisis de datos multivariados (data-driven approach) con aprendizaje automático (machine learning)

Propuesta: análisis de datos multivariados (data-driven approach) con aprendizaje automático (machine learning)

Hipótesis: existen relaciones entre el cambio de temperatura e indicadores agrícolas y alimenticios

El Vector Space Model (VSM) como estructura/lattice de la representación del conocimiento (datos como objetos vectoriales)

Objetivo principal: crear el VSM del caso de estudio

Data Model as a VSM

Dato <-> objeto vectorial <-> feature vector

Estructura del feature vector

Estructura en alta dimensionalidad del feature vector

Contribución: DataReactor para la creación del VSM

Ejemplo: VSM para el indicador "Producción" 

Centralized ML Pipeline

• Dynamic ML/DL Architecture
• Features Domain Adaptative 

• MLOps Methodology

DataReactor para la creación del VSM

DataReactor Methodology:

Control de versión de iteración

Indicador: Emisiones

Indicador: Emisiones

Indicador: Emisiones

Indicador: Emisiones

Target-Autoencoder

Indicador: Emisiones

X, y

(X_train,

y_train)

(X_test,

y_test)

(X_train_p,

y_train)

(X_test_p,

y_test)

Autoencoder

PCA

X_test_data_p (34 dim)

Embeddings (4 dim)

TSNE

X -> y

Clustering

Clustering

Embeddings (4 dim)

Quality Label

2-Dim

3-Dim

JCR (Junio-Julio-Agosto):

• VSM para indicadores de producción, precios, emisiones y población
• Regresión o Clasificación del cambio de temperatura con el VSM

JCR (Junio-Julio-Agosto):

• VSM para indicadores de producción, precios, emisiones y población

Tesis (Agosto-Diciembre):

• Regresión o Clasificación del cambio de temperatura con el VSM