📅 Fecha
Miércoles 24 de junio de 2026
🕕 Horario
18:00 horas Chile – 17:00 horas Colombia y Perú
💻 Modalidad
Webinar online y en vivo
¿QUÉ APRENDERÁS EN ESTE WEBINAR?
Hoy, gran parte de los datos del mundo real se almacena en forma de tablas. Sin embargo, estas tablas contienen estructuras y relaciones que muchas veces los modelos tradicionales no consideran: dependencias funcionales, llaves foráneas, filas que comparten valores, usuarios asociados a los mismos productos o transacciones vinculadas a una misma tarjeta.
En este webinar se discutirá por qué analizar cada registro de forma aislada puede limitar la capacidad predictiva de los modelos, especialmente cuando el contexto y las relaciones entre los datos son relevantes para la toma de decisiones.
Al participar, conocerás nuevas formas de representar y analizar datos tabulares, integrando técnicas de grafos y atención para revelar relaciones y patrones que pueden quedar ocultos en los enfoques tradicionales.”
Comprende las limitaciones de los modelos tradicionales
Analiza por qué los modelos que tratan cada registro de forma aislada pueden perder información clave del contexto, especialmente cuando existen relaciones, dependencias o patrones compartidos entre los datos tabulares.
Descubre el puente entre tablas y grafos
Conoce cómo Grables permite transformar tablas en grafos para representar conexiones entre filas, columnas y entidades, revelando estructuras que pueden quedar ocultas en los enfoques tabulares clásicos.
Explora nuevas formas de aprendizaje sobre datos estructurados
Aprende cómo una interfaz modular permite comparar modelos tabulares clásicos, Message Passing Neural Networks y modelos tipo Transformer, integrando técnicas de grafos y atención para mejorar el análisis de datos complejos.
Expositor
Tamara Cucumides es PhD(c) en Computer Science por la University of Antwerp, Bélgica. Es subdirectora y profesora del Magíster en Ciencia de Datos de la Pontificia Universidad Católica de Chile.
Su trabajo académico se desarrolla en las áreas de bases de datos, bases de datos de grafos y aprendizaje sobre datos estructurados. Sus intereses de investigación incluyen el análisis de grafos, tablas y bases de datos relacionales, así como el desarrollo de enfoques que permiten incorporar estructura y contexto al aprendizaje automático sobre datos tabulares.
