El seminario conjunto de Estadística y Ciencia de Datos se inició en 2020 como un esfuerzo entre las sedes del CIMAT en Guanajuato y Monterrey con el fin de enfatizar temas de investigación conjunto entre las áreas de Estadística y Ciencia de Datos.
El seminario está dirigido a investigadores y estudiantes de posgrado de las áreas afines, así como a cualquier persona interesada, para difundir temas de investigación en la estadística, computación y matemáticas relacionadas a estos dos grandes tópicos, así como para ser un foro de la investigación y aplicaciones en otras áreas del conocimiento, que pueden beneficiarse de la integración de resultados y métodos de la Estadística y Ciencia de Datos.
El objetivo del seminario es la difusión y la promoción de trabajos conjuntos en el avance de la investigación en estas dos áreas. El cual se realiza mediante la plataforma BlueJeans, mediante el siguiente enlace. (Entrar)
Agenda
|
|
|
|
Resumen
Recently there has been an important progress on the representation and learning of causal models, in particular graphical casual models. Causal models can help us have a deeper understanding of the problem, and take more informed decisions based con causal relations. In this talk I will give a general introduction to causal Bayesian networks, including how to reason with them: interventions and counterfactuals. Then I will introduce the problem of causal discovery: how to infer a causal model from observational and/or interventional data; and present some recent work of our group in learning causal models, and combining causal models with reinforcement learning. Finally, I will present some applications: (I) discovering effective connectivity in the brain, (ii) finding causal relation in COVID-19, and (iii) accelerating reinforcement learning for robotic manipulation. |
Resumen
Mario Graff es Catedrático del Consejo Nacional de Ciencia y Tecnología (Conacyt) y asignado a INFOTEC, en la sede Aguascalientes (desde el 2014). Miembro del Sistema Nacional de Investigadores (SNI) nivel I. Actualmente, se encuentra de sabático como Profesor Visitante en la Universidad Colgate, Nueva York, Estados Unidos. Obtuvo el doctorado en ciencia de la Universidad de Essex, Inglaterra, bajo la supervisión del profesor Riccardo Poli en el área de programación genética. Las líneas de investigación instruidas por el Dr. Graff son procesamiento de lenguaje natural, computación evolutiva, programación genética, teoría de algoritmos evolutivos y aplicación de cómputo evolutivo en problemas de aprendizaje supervisado. |
Resumen
En esta charla presentaremos una lista de herramientas usadas en la estimación no paramétrica aplicadas a procesos funcionales autoregresivos controlados por un régimen de Markov oculto. En particular se estima el número de estados de la cadena oculta. Este tipo de procesos tiene amplia aplicabilidad en la modelación de procesos alternantes como el PIB, así como en metereología. Forma parte de una serie de artículos escritos con Luis Rodriguez de la Universidad de Carabobo, en Venezuela. |
|
|
|
|
Resumen
De acuerdo con una investigación hecha por la empresa Gartner, alrededor de 85% de los proyectos de IA en 2022 tendrán algún tipo de sesgo debido a los datos, el algoritmo o el equipo responsable de su desarrollo. Durante 2020 se llevó a cabo en la ENES-Morelia un proyecto que tuvo como objetivo crear puentes pedagógicos entre la IA y las humanidades, de manera que estudiantes con un currículo fuertemente orientado a las ciencias computacionales adquirieran herramientas conceptuales que les permitieran llevar a cabo un análisis crítico de la tecnología y cuestionar algoritmos entendiendo su dimensión social, cultural y política. En esta charla voy a comentar algunas de las ideas, material y ejes de investigación más importantes derivados del proyecto. |
Resumen
En esta charla se dará (i) una visión de los métodos de procesamiento y clasificación de señales, (ii) del software más utilizado para aplicaciones útiles para generar prototipos de procesamiento rápidos y (iii) de la amplia gama de aplicaciones del procesamiento de imágenes y señales biomédicas, por medio de modelos derivados de las metodologías de inteligencia computacional y de los modelos híbridos que se pueden generar a partir de ellas. Las aplicaciones que se describirán están relacionadas con la implementación de sistemas de diagnóstico no invasivo. |
Resumen
El reconocimiento de la marca, modelo y año de fabricación de coches es muy importante en un gran número de aplicaciones. Ejemplos de estas pudieran ser el monitoreo de vehículos, la clasificación basada en la apariencia del vehículo, la detección de vehículos robados y también en el mapeo del índice de desarrollo, entre otros. El uso de técnicas de Deep Learning ofrece buenos resultados al identificar modelos usados en el entrenamiento, pero afrontamos el reto de identificar vehículos no conocidos o restyling de modelos existentes. |
Comité Organizador
- José Ulises Márquez Urbina
- Andrés Christen
Staff
- Hernández, Héctor
- H. López, Pavel;
Si desea recibir más información sobre el Seminario en Estadística y Ciencias de Datos, por favor llenar el formato en la sección de registro.(Aquí)