Correcciones en 12 - [Taller] - Fairness

08 - [Taller] - Exploracion de algoritmos para sistemas de recomendacion.ipynb

@@ -294,7 +294,7 @@
         "id": "l5-p5ve7ORoq"
       },
       "source": [
-        "Podemos ver que el dataset no está dispuesto como una matri, esto se debe a temas de eficiciencai, ya que al convertirlo en una matriz tendríamos una matriz gigante llena de 0s. Sin embargo, para este ejercicio podrás utilizar la representación que te permita trabajar con mayor comodidad. Si quisieras extraer la matrix gigante, solo tienes que hacer lo siguiente"
+        "Podemos ver que el dataset no está dispuesto como una matriz, esto se debe a temas de eficiciencia, ya que al convertirlo en una matriz tendríamos una matriz gigante llena de 0s. Sin embargo, para este ejercicio podrás utilizar la representación que te permita trabajar con mayor comodidad. Si quisieras extraer la matriz gigante, solo tienes que hacer lo siguiente"
       ]
     },
     {
@@ -815,9 +815,7 @@
       "metadata": {
         "id": "n0ueWRP1WndO"
       },
-      "source": [
-        ""
-      ],
+      "source": [],
       "execution_count": null,
       "outputs": []
     }

12 - [Taller] - Fairness en el proyecto de grado.md

@@ -1,8 +1,8 @@
 # Fairness en el proyecto de grado
 
-Ya discutimos la importancia de evaluar nuestro proceso y algoritmos con respecto a algunas caracterísitcas que pueden ser delicadas, asegurándonos de no poner sesgo o discriminación en nuestros modelos. Este taller será de reflexión por encima de código. Tu tarea es justificar la el reisgo o no de sesgo en el modelo que usarás en tu proyecto de grado.
+Ya discutimos la importancia de evaluar nuestro proceso y algoritmos con respecto a algunas características que pueden ser delicadas, asegurándonos de no poner sesgo o discriminación en nuestros modelos. Este taller será de reflexión por encima de código. Tu tarea es justificar el riesgo o no de sesgo en el modelo que usarás en tu proyecto de grado.
 
 ## Evaluación
 
 - [80 %] Identifica el riesgo de tener sesgo algorítmico en tu proyecto de grado. Justifica tu respuesta explicando las variables que estás usando y el contexto en el que podría desplegarse tu modelo.
-- [20 %] Calcula algunas métricas de *fairness*  para tu proyecto. Realmente hay muchas, más de las vistas en clase (sin contar que existen debates sobre la utilidad estas). Selecciona algunas justifcando tu respuesta. Si en el punto anterior concluímos, con una buena justificación, que tu proyecto no tiene ningún riesgo de sesgo algorítmico, este item dependerá de la justificación.
+- [20 %] Calcula algunas métricas de *fairness*  para tu proyecto. Realmente hay muchas, más de las vistas en clase (sin contar que existen debates sobre la utilidad estas). Selecciona algunas justificando tu respuesta. Si en el punto anterior concluimos, con una buena justificación, que tu proyecto no tiene ningún riesgo de sesgo algorítmico, este item dependerá de la justificación.