top of page
RE 1.jpg

AI and Quantum Computing in

Real Estate 

 

 

 

COURSE OBJECTIVE

Curso avanzado que usa la inteligencia artificial clásica y computación cuántica para la valoración de propiedades, clasificación de imágenes, estado de las propiedades, valoración del alquiler, análisis de tendencias de mercado y gestión de riesgos en el real estate.

 

Una nueva ola de innovación tecnológica, como lo es la inteligencia artificial (IA), se está aplicando hoy en día en diversos sectores económicos, especialmente en los últimos años, debido a las mejoras en el rendimiento del hardware y al aumento del uso de datos. El machine learning (ML) es una herramienta muy potente para recopilar, analizar e interpretar big data con el fin de predecir resultados. Se ha utilizado ampliamente en muchos sectores, incluido el Real Estate. El uso del ML en el mercado inmobiliario puede ayudar a mejorar la toma de decisiones, reducir el riesgo y aumentar la eficiencia en la valoración, gestión e inversión de propiedades.

 

  • En el curso se explican modelos de ML que con datos históricos sobre operaciones inmobiliarias anteriores,  se pueden reconocer patrones y relaciones entre múltiples variables para predecir cómo afectarán tales parámetros al coste de un activo, agilizando así la valoración de la propiedad. Algunas variables que se tienen en cuenta son la ubicación, el tamaño, los servicios cercanos como el transporte , la disponibilidad de parking así como el índice de delincuencia.

  • También categorizan automáticamente las propiedades, clasificando los resultados de las búsquedas y sugiriendo propiedades comparables. El ML puede simplificar las transacciones inmobiliarias. También puede ayudar en el proceso de toma de decisiones tanto a compradores como a vendedores.

  • Los algoritmos de ML pueden localizar propiedades cuyo valor se prevé que se revalorice o que produzcan unos ingresos por alquiler elevados utilizando datos históricos y patrones de mercado recientes. Pueden utilizarse para analizar las tendencias del mercado, los datos sobre propiedades y los indicadores económicos para evaluar el riesgo asociado a la inversión en una propiedad o un mercado concretos.

  • El análisis de los datos sobre las tasas de ocupación, las tasas de alquiler y el comportamiento de los inquilinos puede utilizarse para optimizar las operaciones de gestión de la propiedad, como son el precio del alquiler, la renovación de los contratos de arrendamiento, el cobro de los alquileres y la programación del mantenimiento.

  • Los sitios web y las aplicaciones inmobiliarias pueden utilizar el ML automático para recomendar propiedades a los consumidores en función de sus intereses, historiales de búsqueda y actividad.

 

Acerca del ML, se expone un módulo sobre procesamiento avanzado de datos, explicando entre otros temas: muestreo, análisis exploratorio, detección de valores atípicos, técnicas avanzadas de segmentación, ingeniería de características y algoritmos de clasificación.

Durante el curso se muestran modelos predictivos de ML y Deep Learning como: árboles de decisión, redes neuronales, redes bayesianas, Support Vector Machine, modelo ensemble, etc. Y en cuanto a redes neuronales, se exponen las arquitecturas feed forward, RNN recurrente, CNN convolucionada y Generativa adversarial. Además, se han incluido modelos probabilísticos de aprendizaje automático como los procesos gaussianos y las redes neuronales bayesianas.

La visión por ordenador es una forma de inteligencia artificial (IA) y aprendizaje automático que permite a los ordenadores extraer información significativa de las imágenes y automatizar acciones basadas en esa información, rápidamente y a gran escala.

 

Durante el curso se explica como la visión por ordenador puede clasificarse y valorarse las imágenes de interiores y exteriores de las propiedades (cocina, salón, baño principal, etc.). En medio de la escasez de tasadores, los inversores, prestamistas, suscriptores y portales en línea están recurriendo a las tecnologías de visión por ordenador para acceder a datos precisos sobre el estado de los inmuebles. En la actualidad, las soluciones más sólidas utilizan la visión por ordenador para analizar fotografías aéreas de alta resolución y proporcionar datos sobre el estado de decenas de millones de propiedades.

QUANTUM COMPUTING

El Aprendizaje Automático Cuántico es la integración de algoritmos cuánticos dentro de programas de Aprendizaje Automático. Los algoritmos de aprendizaje automático se utilizan para calcular grandes cantidades de datos, el aprendizaje automático cuántico utiliza qubits y operaciones cuánticas o sistemas cuánticos especializados para mejorar la velocidad de cálculo y almacenamiento de datos que realizan los algoritmos de un programa. Por ejemplo, algunas técnicas matemáticas y numéricas de la física cuántica son aplicables al aprendizaje profundo clásico. Una red neuronal cuántica tiene capacidades computacionales para disminuir el número de pasos, los qubits utilizados y el tiempo de computación.

 

El objetivo importante del curso es mostrar el uso de la computación cuántica y las redes tensoriales para mejorar el cálculo de algoritmos de aprendizaje automático.

Además, en el curso se explica la computación cuántica, los circuitos cuánticos, importantes algoritmos cuánticos, la mecánica cuántica, el error y la corrección cuánticos, y el aprendizaje automático cuántico.

La simulación de Monte Carlo, es una herramienta de uso habitual en el sector financiero, incluidas las previsiones del mercado inmobiliario.  La simulación de Monte Carlo Cuántica que supera el tiempo de resolución de la simulación clásica, por lo que puede alcanzar mayor precisión. 

En el curso se explica el uso de algoritmos cuánticos, incluido la simulación de Monte Carlo cuántica  para predecir la evolución del precio de la vivienda.

¿QUIÉN DEBE ASISTIR?

 

El Curso está dirigido a profesionales del Real Estate interesados en desarrollar potentes de de modelos de valoración y clasificación de imágenes de propiedades usando la inteligencia artificial y computación cuántica.

 

Para una mejor comprensión de los temas es necesario que el participante tenga conocimientos de estadística y matemáticas.​

 

 

 

RE 2.jpg
Time.png

Schedules:

  • Europe: Mon-Fri, CEST 16-19 h

 

  • America: Mon-Fri, CDT 18-21 h

  • Asia: Mon-Fri, IST 18-21 h

 

 

 

 

Price.png

Price: 7.900 €

 

Level.png

Level: Advanced

Duration.png

Duration: 36 h

 

Material.png

     Material: 

  • Presentations PDF

  • Exercises in Excel, R, Python, Jupyterlab y Tensorflow

Download.png
Diapositiva1.png
fondo-azul-degradado-lujo-abstracto-azul-oscuro-liso-banner-estudio-vineta-negra.jpg

AGENDA
 AI and Quantum Computing in Real Estate

 

 

Anchor 10

Machine Learning

Module 1: Machine Learning

 

  • Definition of Machine Learning

  • Machine Learning Methodology

    • Data Storage

    • Abstraction

    • Generalization

    • Assessment

  • Supervised Learning

  • Unsupervised Learning

  • Reinforcement Learning

  • Deep learning

  • Typology of Machine Learning algorithms

  • Steps to Implement an Algorithm

    • information collection

    • Exploratory Analysis

    • Model Training

    • Model Evaluation

    • Model improvements

    • Machine Learning in consumer credit risk

  • Machine Learning in credit scoring models

  • Quantum Machine Learning

Module 2: EDA Exploratory Analysis

  • Data typology

  • Transactional data

  • Unstructured data embedded in text documents

  • Social Media Data

  • Data sources

  • Data review

  • Target definition

  • Time horizon of the target variable

  • Sampling

    • Random Sampling

    • Stratified Sampling

    • Rebalanced Sampling

  • Exploratory Analysis:

    • histograms

    • Q Q Plot

    • Moment analysis

    • boxplot

  • Treatment of Missing values

    • Multivariate Imputation Model

  • Advanced Outlier detection and treatment techniques

    • Univariate technique: winsorized and trimming

    • Multivariate Technique: Mahalanobis Distance

  • ​Exercise 1: EDA Exploratory Analysis

Module 3: Feature Engineering

  • Data Standardization

  • Variable categorization

    • Equal Interval Binning

    • Equal Frequency Binning

    • Chi-Square Test

  • Binary coding

  • Binning

    • Kind of transformation

    • Univariate Analysis with Target variable

    • Variable Selection

    • Treatment of Continuous Variables

    • Treatment of Categorical Variables

    • Gini

    • Information Value

    • Optimization of continuous variables

    • Optimization of categorical variables

  • Exercise 2: Detection and treatment of Advanced Outliers

  • Exercise 3: Stratified and Random Sampling in R

  • Exercise 4: Multivariate imputation model

  • Exercise 5: Univariate analysis in percentiles in R

  • Exercise 6: Continuous variable optimal univariate analysis in Excel

  • Exercise 7: Estimation of the KS, Gini and IV of each variable in Excel

  • Exercise 8: Feature Engineering of variables

Unsupervised Learning

Module 4: Unsupervised models

  • Hierarchical Clusters

  • K Means

  • Standard algorithm

  • Euclidean distance

  • Principal Component Analysis (PCA)

  • Advanced PCA Visualization

  • Eigenvectors and Eigenvalues

  • Exercise 9: Segmentation of the data with K-Means R

 

Supervised Learning

Module 5: Logistic Regression and LASSO Regression

 

  • Econometric Models

    • Logit regression

    • probit regression

    • Piecewise Regression

    • survival models

  • Machine Learning Models

    • Lasso Regression

    • Ridge Regression

  • Model Risk in Logistic Regression

  • Exercise 10: Lasso Logistic Regression in R

  • Exercise 11: Ridge Regression in R

Module 6: Trees, KNN and Naive Bayes

 

  • Decision Trees

    • Modeling

    • Advantages and disadvantages

    • Recursion and Partitioning Processes

    • Recursive partitioning tree

    • Pruning Decision tree

    • Conditional inference tree

    • Tree display

    • Measurement of decision tree prediction

    • CHAID model

    • Model C5.0

  • K-Nearest Neighbors KNN

    • Modeling

    • Advantages and disadvantages

    • Euclidean distance

    • Distance Manhattan

    • K value selection

  • Probabilistic Model: Naive Bayes

    • Naive bayes

    • Bayes' theorem

    • Laplace estimator

    • Classification with Naive Bayes

    • Advantages and disadvantages

  • Exercise 12: KNN and PCA

Module 7: Support Vector Machine SVM

  • Support Vector Classification

  • Support Vector Regression

  • Optimal hyperplane

  • Support Vectors

  • Add costs

  • Advantages and disadvantages

  • SVM visualization

  • Tuning SVM

  • Kernel trick

  • Exercise 14: Pricing con Support Vector Machine in R

Module 8: Ensemble Learning

  • Classification and regression ensemble models

  • Bagging

  • Bagging trees

  • Random Forest

  • Boosting

  • Adaboost

  • Gradient Boosting Trees

  • Xgboost

  • Advantages and disadvantages

  • Exercise 15: Pricing  Boosting in R

  • Exercise 16: Pricing Bagging in R

  • Exercise 17: Pricing Random Forest, R and Python

  • Exercise 18: Pricing Gradient Boosting Trees

Deep Learning

Module 9: Introduction to Deep Learning

  • Definition and concept of deep learning

  • Why now the use of deep learning?

  • Neural network architectures

  • Feedforward network

  • R deep learning

  • Python deep learning

  • Convolutional Neural Networks

  • Use of deep learning in image classification

  • Cost function

  • Gradient descending optimization

  • Use of deep learning

    • How many hidden layers?

    • How many neurons, 100, 1000?

    • How many times and size of the batch size?

    • What is the best activation function?

  • Hardware, CPU, GPU and cloud environments

  • Advantages and disadvantages of deep learning

 

Module 10: Deep Learning Feed Forward Neural Networks

  • Single Layer Perceptron

  • Multiple Layer Perceptron

  • Neural network architectures

  • Activation function

    • sigmoidal

    • Rectified linear unit (Relu)

    • The U

    • Selu

    • Hyperbolic hypertangent

    • Softmax

    • Other

  • Back propagation

    • Directional derivatives

    • Gradients

    • Jacobians

    • Chain rule

    • Optimization and local and global minima

  • Exercise 19: Pricing using Deep Learning Feed Forward

Module 11: Deep Learning Convolutional Neural Networks CNN

  • CNN for pictures

  • Design and architectures

  • Convolution operation

  • Descending gradient

  • Filters

  • Strider

  • Padding

  • Subsampling

  • Pooling

  • Fully connected

  • Exercise 20: Pricing using deep learning CNN

Module 12: Deep Learning Recurrent Neural Networks RNN

  • Natural Language Processing

  • Natural Language Processing (NLP) text classification

  • Long Term Short Term Memory (LSTM)

  • Hopfield

  • Bidirectional associative memory

  • descending gradient

  • Global optimization methods

  • One-way and two-way models

  • Deep Bidirectional Transformers for Language Understanding ​

  • Exercise 21: Pricing using Deep Learning LSTM

Module 14: Generative Adversarial Networks (GANs)

 

  • Generative Adversarial Networks (GANs)

  • Fundamental components of the GANs

  • GAN architectures

  • Bidirectional GAN

  • Training generative models

  • Exercise 22: Pricing using GANs

Module 15: Tuning Hyperparameters

  • Hyperparameterization

  • Grid search

  • Random search

  • Bayesian Optimization

  • Train test split ratio

  • Learning rate in optimization algorithms (e.g. gradient descent)

  • Selection of optimization algorithm (e.g., gradient descent, stochastic gradient descent, or Adam optimizer)

  • Activation function selection in a (nn) layer neural network (e.g. Sigmoid, ReLU, Tanh)

  • Selection of loss, cost and custom function

  • Number of hidden layers in an NN

  • Number of activation units in each layer

  • The drop-out rate in nn (dropout probability)

  • Number of iterations (epochs) in training a nn

  • Number of clusters in a clustering task

  • Kernel or filter size in convolutional layers

  • Pooling size

  • Batch size

  • Exercise 23: Optimization Pricing Xboosting, Random forest and SVM

  • Exercise 24: Optimized Pricing Deep Learning

Probabilistic Machine Learning 

 

Module 16: Probabilistic Machine Learning

​​

  • Introduction to probabilistic machine learning

  • Gaussian models

  • Bayesian Statistics

  • Bayesian logistic regression

  • Kernel family

  • Gaussian processes

    • Gaussian processes for regression

  • Hidden Markov Model

  • Markov chain Monte Carlo (MCMC)

    • Metropolis Hastings algorithm

  • Machine Learning Probabilistic Model

  • Bayesian Boosting

  • Bayesian Neural Networks

  • Exercise 25: Gaussian process for regression

  • Exercise 26: Pricing  model using Bayesian Neural Networks

Model Validation

Module 17: Validation of traditional and Machine Learning models

  • Model validation

  • Validation of machine learning models

  • Regulatory validation of machine learning models in Europe

  • Out of Sample and Out of time validation

  • Checking p-values in regressions

  • R squared, MSE, MAD

  • Waste diagnosis

  • Goodness of Fit Test

  • multicollinearity

  • Binary case confusion matrix

  • K-Fold Cross Validation

  • Diagnostico del modelo

  • Exercise 27: Validación avanzada de la regression

  • Exercise 28: Diagnostico de la regresión

  • Exercise 29: K-Fold Cross Validation in R

Auto Machine Learning and XAI

Module 18: Automation of ML

 

  • What is modeling automation?

  • That is automated

  • Automation of machine learning processes

  • Optimizers and Evaluators

  • Modeling Automation Workflow Components

    • Summary

    • Indicted

    • Feature engineering

    • Model generation

    • Assessment

  • Hyperparameter optimization

  • Global evaluation of modeling automation

  • Implementation of modeling automation in banking

  • Technological requirements

  • Available tools

  • Benefits and possible ROI estimation

  • Main Issues

  • Genetic algorithms

  • Exercise 30: Automation of the modeling, optimization and validation of pricing models

Explainable Artificial Intelligence

Module 19: Explainable Artificial Intelligence XAI

 

  • Interpretability problem

  • Machine learning models

    • 1. The challenge of interpreting the results,

    • 2. The challenge of ensuring that management functions adequately understand the models, and

    • 3. The challenge of justifying the results to supervisors

  • ​Black Box Models vs. Transparent and Interpretable Algorithms

  • interpretability tools

  • Shap, Shapley Additive explanations

    • Global Explanations

    • Dependency Plot

    • Decision Plot

    • Local Explanations Waterfall Plot

  • Lime, agnostic explanations of the local interpretable model

  • Explainer Dashboard

  • Other advanced tools

  • Exercise 31: XAI interpretability of pricing

Quantum Computing

Module 20: Quantum computing and algorithms

  ​

Objective: Quantum computing applies quantum mechanical phenomena. On a small scale, physical matter exhibits properties of both particles and waves, and quantum computing takes advantage of this behavior using specialized hardware. The basic unit of information in quantum computing is the qubit, similar to the bit in traditional digital electronics. Unlike a classical bit, a qubit can exist in a superposition of its two "basic" states, meaning that it is in both states simultaneously.

  • Future of quantum computing in insurance

  • Is it necessary to know quantum mechanics?

  • QIS Hardware and Apps

  • quantum operations

  • Qubit representation

  • Measurement

  • Overlap

  • matrix multiplication

  • Qubit operations

  • Multiple Quantum Circuits

  • Entanglement

  • Deutsch Algorithm

  • Quantum Fourier transform and search algorithms

  • Hybrid quantum-classical algorithms

  • Quantum annealing, simulation and optimization of algorithms

  • Quantum machine learning algorithms

  • Exercise 32: Quantum operations multi-exercises

Module 21: Introduction to quantum mechanics

  • Quantum mechanical theory

  • Wave function

  • Schrodinger's equation

  • Statistical interpretation

  • Probability

  • Standardization

  • Impulse

  • The uncertainty principle

  • Mathematical Tools of Quantum Mechanics

  • Hilbert space and wave functions

  • The linear vector space

  • Hilbert's space

  • Dimension and bases of a Vector Space

  • Integrable square functions: wave functions

  • Dirac notation

  • Operators

  • General definitions

  • Hermitian adjunct

  • Projection operators

  • Commutator algebra

  • Uncertainty relationship between two operators

  • Operator Functions

  • Inverse and Unitary Operators

  • Eigenvalues and Eigenvectors of an operator

  • Infinitesimal and finite unit transformations

  • Matrices and Wave Mechanics

  • Matrix mechanics

  • Wave Mechanics

  • Exercise 33: Quantum mechanics multi-exercises

Module 22: Introduction to quantum error correction

  • Error correction

  • From reversible classical error correction to simple quantum error correction

  • The quantum error correction criterion

  • The distance of a quantum error correction code

  • Content of the quantum error correction criterion and the quantum Hamming bound criterion

  • Digitization of quantum noise

  • Classic linear codes

  • Calderbank, Shor and Steane codes

  • Stabilizer Quantum Error Correction Codes

  • Exercise 34: Noise Model, Repetition Code and quantum circuit

​Module 23: Quantum Computing II

 

  • Quantum programming

  • Solution Providers

    • IBM Quantum Qiskit

    • Amazon Braket

    • PennyLane

    • cirq

    • Quantum Development Kit (QDK)

    • Quantum clouds

    • Microsoft Quantum

    • Qiskit

  • Main Algorithms

    • Grover's algorithm

    • Deutsch–Jozsa algorithm

    • Fourier transform algorithm

    • Shor's algorithm

  • Quantum annealers

  • D-Wave implementation

  • Qiskit Implementation

  • Exercise 35: Quantum Circuits, Grover Algorithm Simulation, Fourier Transform and Shor

Module 24: Quantum Machine Learning

  • Quantum Machine Learning

  • hybrid models

  • Quantum Principal Component Analysis

  • Q means vs. K means

  • Variational Quantum Classifiers

  • Variational quantum classifiers

  • Quantum Neural Network

    • Quantum Convolutional Neural Network

    • Quantum Long Short Memory LSTM

  • Quantum Support Vector Machine (QSVC)

  • Exercise 36: Quantum Support Vector Machine

 

Module 25: Tensor Networks for Machine Learning

 

  • What are tensor networks?

  • Quantum Entanglement

  • Tensor networks in machine learning

  • Tensor networks in unsupervised models

  • Tensor networks in SVM

  • Tensor networks in NN

  • NN tensioning

  • Application of tensor networks in credit scoring models

  • Exercise 37: Neural Network using tensor networks

 

Modelo de Tasación y Alquiler Quantum AI 

Module 26: Real estate Pricing usando AI y computación cuántica 

  • Situación del Real Estate en Europa y España

  • Situación del Real Estate en Estados Unidos

  • Situación del Real Estate en Latinoamerica 

  • Factores claves 

  • Costes de material de la construcción

  • Costes de energia 

  • Inflación y tipos de interés 

  • Demanda de la vivienda

  • Construcción de la vivienda

  • Precio de la vivienda

  • Impacto del Covid-19 en la construcción de vivienda

  • Incremento de precios de materiales

  • Escasez de Mano de obra cualificada

  • Análisis de Modelos clásicos de pricing de Real Estate

  • Análisis de variables para modelizar el precio

    • Precio ajustado a la inflación

    • Superficie bruta del inmueble residencial

    • Antigüedad de la propiedad residencial

    • Estructura del edificio

    • Nivel de piso de la propiedad

    • Disponibilidad de parking

    • Distancia a estación de tren

    • Distancia a transporte público más cercano

    • Ubicación

    • índice de delincuencia

  • Feature Engineering

  • Modelos de ML

    • Support Vector Machine Regression

    • Neural Networks Feed Forward

    • Convolutional Neural Network CNN

  • Modelos de ML cuántico 

    • Qubit and Quantum States

    • Quantum circuits

    • Quantum k means

    • Support Vector Quantum Machine

    • Quantum Neural Networks

    • Variational Quantum Regressor ( VQR )

  • Exercise 38: Variational Quantum Regressor ( VQR ) for pricing model

  • Exercise 39: Quantum Support Vector Machine and classical SVM for pricing model

  • Exercise 40: Quantum feed forward Neural Networks  and  classical NN for pricing model

  • Exercise 41: Classical CNN for pricing model

 

Module 27: Modelo de ML de estimación de precios por m2 y modelo de clasificación de habitabilidad

 

  • Modelización del precio justo

  • Estrategias de compra, venta o alquiler

  • Estrategias para empresas de real estate

  • Localización a través de coordenadas GPS

  • Clasificación de habitabilidad

  • Feauture engeneering 

  • Modelos de Regresión de precio

    • Random Forest

    • Adaptive Boosting

    • Gradient Boosting

    • Dense Neural Network 

  • Modelos de Clasificación

    • Random Forest

    • Gradient Boosting

    • Deep Learning Feed Forward

    • Deep Learning CNN

  • XAI del modelo

  • Validación del modelo​

  • Diagnostico del modelo

  • Análisis de resultados

Exercise 42: Pricing usando modelos de regresión de machine y deep learning 

Exercise 43: Modelización de la habitabilidad con modelos de clasificación de deep y machine learning

Module 28: Modelo predictivo de Alquiler

 

  • Situación de la oferta y demanda del alquiler en España y América Latina

  • Nueva Ley de vivienda en España

    • Límites al precio del alquiler

    • Protección contra desahucios

    • Nueva definición de gran propietario

    • Zona tensionada

  • Número de dormitorios, vestíbulo, cocina

  • Alquiler de las Casas/Apartamentos/Pisos

  • Tamaño de las casas/apartamentos/pisos

  • Pisos situados en qué Piso y Número Total de Pisos

  • Superficie construida.

  • Localidad de la zona: Localidad de las Casas/Apartamentos/Pisos.

  • Ciudad donde se encuentran las casas/apartamentos/pisos.

  • Estado del mobiliario de las casas/apartamentos/pisos, ya sea amueblado, semiamueblado o sin amueblar.

  • Tipo de inquilino preferido por el propietario o el agente.

  • Modelización del alquler

  • Random Forest

  • Adaptive Boosting

  • Gradient Boosting

  • Dense Neural Network 

  • Exercise 44:  Modelos de  alquiler usando modelos de regresión de machine y deep learning 

 

Modelo de precios de Real Estate con series temporales

Module 29: Deep Learning models for real estate pricing and macroeconomic projections

​​

  • Modelo de series temporales para predecir los precios de la vivienda

  • Variables macroeconómicas que impactan el Real Estate

  • Modelos de series temporales

    • Data exploration and analysis

    • Feature engineering and data preprocessing

    • Model development and training

    • Model perfomance and evaluation

    • Model prediction

  • ​Trading strategies with forecasting models

  • Multivariate Models

    • VAR Autoregressive Vector Models

    • ARCH models

    • GARCH models

    • GARCH Models Multivariate Copulas

    • VEC Error Correction Vector Model

    • Johansen's method

  • Machine Learning Models

    • Supported Vector Machine

    • neural network

      • Forecasting market time series yields

      • NN and SVM algorithms for performance forecasting

      • Forecasting volatility NN vs. Garch

    • Development and validation base

  • Deep learning

    • Recurrent Neural Networks RNN

    • Elman's Neural Network

    • Jordan Neural Network

    • Basic structure of RNN

    • Long short term memory LSTM

    • temporary windows

    • Development and validation sample

    • Regression

    • Sequence modeling

  • Quantum Deep Learning

  • Exercise 45: Charge-off model with VAR and VEC

  • Exercise 46: Forecasting financial series and Bayesian LSTM indices in Python

  • Exercise 47: Forecasting using Multivariate RNN LSTM in Python

  • Exercise 48: Forecasting using Quantum LSTM

Clasificación de Imágenes Real Estate

Module 30: Clasificación de Imágenes

  • Clasificación de imágenes multiclase

  • Colección de imágenes como dormitorios, salón, cocina, etc.

  • Verificación de las propiedades

  • Clasificación de imagenes en Real Estate

    • Problem Statement

    • Deep Learning Problem Formulation

    • Project and Data Source

    • Image Dataset

    • Evaluation Metric

    • Exploratory Data Analysis

    • Image Preprocessing

    • Model Training

    • Productionizing

  • Image Classification: Data-driven Approach

  • Convolutional Neural Networks

  • Data and the Loss preprocessing,

  • Hyperparameters

    • Train/val/test splits

    • L1/L2 distances

    • Hyperparameter search

    • Optimization: Stochastic Gradient Descent

    • Optimization landscapes

    • Black Box Landscapes

    • Local search

    • Learning rate

  • Weight initialization,

  • Batch normalization

  • Regularization (L2/dropout)

  • Loss functions

  • Gradient checks

  • Sanity checks

  • Hyperparameter optimization

  •  Architectures

    • Convolution / Pooling Layers

    • Spatial arrangement,

    • Layer patterns,

    • Layer sizing patterns,

    • AlexNet/ZFNet/VGGNet

  • Convolutional Neural Networks tSNE embeddings

  • Deconvnets

  • Data gradients

  • Fooling ConvNets  

  • Human comparisons Transfer Learning and

  • Fine-tuning Convolutional Neural Networks

  • Exercise 49: Convolutional Neural Networks para clasificación de colección de imágenes como dormitorios, salón, cocina, etc.

  • Exercise 50: Convolutional Neural Networks para clasificación de verificación de inmuebles

Quantum Real Estate Pricing 

Module 31: Quantum Real Estate Pricing

  • Modelización cuántica de los precios del Real Estate

  • Física cuántica

  • Probabilidad cuántica

  • Computación cuántica

  • Simular un sistema cuántico

  • Simulación de Monte Carlo clásica

  • Monte Carlo Cuántico

  • Codificar problema de Monte Carlo 

  • Estimación de Amplitud

  • Aceleración  aplicando el algoritmo de estimación de amplitud

  • Exercise 51: Quantum Monte Carlo Simulation vs. Classical Monte Carlo Simulation para estimar el precio en el Real Estate

bottom of page