Mujeres en tecnología - Una aproximación usando Machine Learning

Women Lightning Tech Talks (virtual)

Transcript

1. ¿Cuántas mujeres hay en tecnología? Una aproximación utilizando Machine Learning Stefani Castellanos @fefi95 /fefi95 1
2. Agenda • Planteamiento del problema • Conjunto de Datos • Algoritmo de clasificación. SVM • Implementación • Resultados 2
3. Planteamiento del Problema 3
4. Predicción de género Dado el conjunto de datos con los usuarios en Github, se desea predecir el género de cada uno de ellos utilizando el algoritmo Support Vector Machine. 4 OR
5. Conjunto de Datos: Usuarios de Github 5
6. Usuarios de Github Los datos fueron obtenidos de un conjunto de datos de la Universidad de Harvard que cuenta con aproximadamente 400 mil usuarios de Github y de su API. Utiliza el formato JSON. Para el experimento, se utilizaron 73.349 usuarios • 2.330 para entrenamiento, clasificados manualmente. • 71.019 para predicción. 6 Fuente: Universidad de Harvard
7. Estructura de los datos 7 Atributo Tipo de dato Login String Id Entero Avatar_url String Name String Company String Type String
8. Estructura de los datos 8 Atributo Tipo de dato Location String Bio String Public_repos Entero Public_gists Entero Followers Entero Following Entero
9. Algoritmo de Clasificación: SVM 9
10. Support Vector Machine • Es un algoritmo de clasificación. • Separa las muestras con un hiperplano que tenga la mayor distancia posible con los puntos más cercanos a él. 10 Fuente: SVM
11. Implementación: Python 11
12. Librerías 12
13. Selección de características No todas las características son importantes, por eso eliminamos: • Login • id • Avatar_url • Bio 13
14. Preprocesamiento 14
15. Codificar 15 Name Company Location Repos Gists Followers Following Gender Stefani SB Ecuador 10 0 5 5 Female
16. Codificar - Ordinal 16 Name Company Location Repos Gists Followers Following Gender Stefani SB Ecuador 10 0 5 5 Female Stefani SB Ecuador 10 0 5 5 1 1
17. Codificar - Target 17 Name Company Location Repos Gists Followers Following Gender Stefani SB Ecuador 10 0 5 5 1 Stefani 1 1 SB Ecuador 10 0 5 5 1
18. Codificar - OneHot 18 Name Company Location Repos Gists Followers Following Gender 1 SB Ecuador 10 0 5 5 1 1 1 Ecuador 10 0 5 5 1 is_SB 1
19. Codificar - OneHot 19 Name is_SB Location Repos Gists Followers Following Gender 1 SB Ecuador 10 0 5 5 1 1 1 1 10 0 5 5 1 is_Ecuador 1
20. Codificar - Otro ejemplo 20 Name Company Location Repos Gists Followers Following Gender Pedro Google US 10 0 5 5 Male Name is_SB is_Google is_Ecuador is_US Repos Gists Followers Following Gender 1 0 1 0 1 10 0 5 5 2
21. Codificar 21
22. Entrenamiento y Predicción 22 Fuente: Medium
23. Resultados 23
24. 93.5% Precisión en la predicción 24
26. 26 Notas finales • Es necesario un conjunto de entrenamiento con más ejemplos para tener mejores resultados. • La característica de la biografía podría haber sido utilizada para mejorar la predicción. • Los problemas de Machine Learning requieren de mucha experimentación para encontrar los parámetros adecuados.
27. ¿Preguntas? 27
28. 28 ¡Gracias! community@stackbuilders.com ¡Cuéntanos tus ideas! @quitolambda @stackbuilders stackbuilders.com/join Trabaja con nosotros Contáctanos