Agregar un primer caso introductorio

[felipegonzalez]

Este es un primer caso corto (de putts de golf) que puede servir de introducción, o de ejemplo para ir llevando durante el curso. Este tipo de ejemplos me gustan porque realmente puedes usar información de expertos del tema, tanto en mecanismos a modelar como en iniciales, y no es un tema demasiado complicado.

Creo que los ejemplos genéricos no son tan buenos para este curso porque es difícil anclar las decisiones de modelación, y entonces todo parece más o menos arbitrario, difícil de aplicar en la práctica, o parece que se resolvería mejor con métodos genéricos de machine learning, etc.

Otros que pienso agregar: modelos de retorno sobre inversión en marketing, los modelos semi-mecanísticos del imperial college para epidemias, y uno de experimentación secuencial multi-armed bandits bayesianos

[agarbuno]

Me parece muy buena idea. Para el caso epidemiológico propongo seguir el que esta en la documentación de stan por que aparte usa la interfase de stan para resolver ODEs. También propongo utilizar el caso de estudio sobre procesos Gaussianos (las tres partes) pues es un caso muy importante para cuidar las previas en los parametros de escala. Por último me gustaría incluir uno sobre supply chains pues muestra el workflow completo y llega hasta la toma de decisión como un problema de optimización y no he visto esto en otros tutoriales/casos.

Me llamó la atención que hay una base de datos de la afluencia del metro de la ciudad de Mexico. Me gustaría diseñar un caso o si no da tiempo incluso dejarlo como proyecto final por que podemos incluir: modelo jerarquico, datos de medio ambiente e incluso errores heteroscedasticos. O si de plano es mucho, lo podriamos usar como proyecto de investigación. Qué opinas?

[felipegonzalez]

Se oyen bien esos casos. El de las ODEs de epidemiología me gusta porque viene con datos. El de supply chain se oye bien, sólo hay que buscar unos datos reales e interesantes, y creo que para el de procesos Gaussianos hay varias opciones de datos que podemos usar (por ejemplo he visto ejemplos de curvas de mortalidad para seguros donde usan splines tradicionales).

Los datos de afluencia del metro se ven también interesantes. No tenemos que empezar en grande, podemos hacer un caso con una estación y ver cómo va saliendo. Y si falla también está bien, creo que en este curso fracasar y diagnosticar debe ser el tema general! O sea: darles una visión realista de cómo es modelar sin hacer tanto cherry picking como en otros cursos.