Aprendizaje no supervisado para sistemas sociales
Muchos datos sociales llegan sin etiquetas limpias. No siempre sabemos de antemano qué tipos de estudiantes, firmas, barrios, conversaciones o trayectorias culturales existen en los datos.
El aprendizaje no supervisado permite convertir esa incertidumbre en una herramienta analítica. Clustering, embeddings, reducción de dimensionalidad, modelos de tópicos y detección de anomalías ayudan a encontrar estructura sin imponer categorías demasiado temprano.
En CRiSS-LAB esto es clave para preguntas sobre grupos de estudiantes, memoria científica, movilidad urbana y cultura. Buenos flujos no supervisados no reemplazan la teoría: ayudan a formular mejores hipótesis.
Cristian Candia
Profesor Asociado, Instituto de Data Science, Facultad de Ingeniería, Universidad del Desarrollo, Chile. Director de CRiSS-LAB.
Cristian Candia estudia cómo las sociedades transforman información en relevancia colectiva a través de la atención, la memoria, las preferencias y la coordinación. Su trabajo combina ciencia social computacional, ciencia de redes, IA y datos conductuales a gran escala para entender cómo grupos, instituciones y sociedades deciden qué importa.