Jose Miguel Leiva Murillo
Las dos tecnologías más disruptivas actualmente en Inteligencia Artificial son el Deep Learning y el Reinforcement Learning. El deep learning se basa en redes neuronales profundas con distintas arquitecturas en función del tipo de datos de entrada (convolucionales en el caso de imágenes, recurrentes en el caso de texto, etc). El acceso a las tecnologías deep learning se ha democratizado gracias a librerías como Theano, Keras o TensorFlow. En esta charla nos centramos en la versión para Python de esta última, desarrollada por Google y que cuenta con amplia documentación que permite, mediante notebooks interactivos, desplegar redes neuronales desde cero para clasificación de caracteres o procesado de textos. En la charla nos centraremos en aplicaciones financieras del deep learning y daremos algunas claves sobre cómo usar Tensorflow para crear algoritmos basados en redes densas o recurrentes que aprenden a invertir en los mercados. También haremos una introducción al Deep Q Learning, un algoritmo de aprendizaje con refuerzo que aprende a “jugar” en los mercados con mecanismos de acción (orden de compra o venta) y recompensa (rentabilidad). La función Q (aquella que predice la recompensa a partir de un determinado estado del mercado y una acción en ese estado) es estimada mediante una red neuronal profunda.
José M. Leiva es científico de datos y analista cuantitativo en ETS, donde trata de aplicar técnicas de machine learning y redes neurales a distintas aplicaciones financieras. Anteriormente ha sido profesor en la UC3M, donde impartió diversas asignaturas de procesado de señal, procesado de imagen, machine learning y bioinformática a estudiantes de grado y master. Ha sido coautor de más de 30 artículos en revistas y congresos internacionales. Es un entusiasta de las competiciones de "data science". Ganó la competición MLSP Brain Decoding en 2010 y el Endesa Datathon (usando Python y Spark) en 2016. Es Kaggle Master.