Skip to main content

X Jornadas de Ingeniería Matemática

Fecha de inicio

La Maestría en Ingeniería Matemática de la Facultad de Ingeniería (Fing) invita a participar de su evento X Jornadas de Ingeniería Matemática. Se desarrollará el sábado 14 de octubre en el Edificio Polifuncional "José Luis Massera" a las 8:30 hs; asistencia gratuita con inscripción previa.

La idea de la actividad es generar un espacio de encuentro entre estudiantes de la Maestría, docentes, egresados, y potenciales estudiantes, en un ámbito distendido, donde se podrá disfrutar de algunas exposiciones de investigadores y estudiantes, así como presentar y conversar sobre posibles temas de tesis.

En la página de Maestría en Ingeniería Matemática encontrarán un formulario de inscripción donde se encontrará información sobre el programa y otros detalles. La inscripción es gratuita, e incluye almuerzo y coffee breaks.

Programa

  • 8:30 - 9:00 hs      Desayuno
  • 9:00 - 9:45 hs      Charla plenaria: Mauricio Delbracio
  • 9:55 - 10:40 hs    Charla plenaria: Carolina Crisci
  • 10:40 - 11:20 hs  Pausa café
  • 11:25 - 12:05 hs  Charlas de estudiantes: Lucas Langwagen y Alejandra Marroig
  • 12:10 - 12:55 hs  Charlas plenaria: Diego Armentano
  • 13:00 - 15:00 hs  Almuerzo en Rodelú


Expositores

  • Dr. Mauricio Delbracio (IIE - FING)
    Título: Aplicaciones del Aprendizaje Profundo a la Visión Artificial: Algunos avances y varias interrogantes.

En los últimos años, el aprendizaje profundo (deep learning) se ha convertido en una herramienta fundamental en el aprendizaje automático para una amplia variedad de dominios y aplicaciones. Uno de sus mayores éxitos ha sido su aplicación a la visión artificial, donde el desempeño en problemas como el reconocimiento de objetos y acciones ha permitido importantes mejoras en la última década.
El aprendizaje profundo es una técnica que emplea redes neuronales para aprender representaciones a partir de una serie de datos observados, que puedan ser de utilidad para resolver una cantidad de problemas diversos como ser predicción, restauración o clasificación de señales. Dichas representaciones se denominan profundas por estar construidas a partir de una jerarquía compuesta de sucesivas capas que representan las observaciones con un nivel creciente de abstracción.
En esta charla, presentaré una introducción al aprendizaje profundo con un enfoque a a los problemas de la visión artificial. En particular, se mostrará el importante avance que ha tenido el área en el último quinquenio, y también algunas interrogantes y problemas abiertos que actualmente son objeto de estudio por la comunidad científica.

  • Dra. Carolina Crisci (CURE)
    Título: Aproximación multi-modelo para predecir la biomasa y composición del fitoplancton en la Laguna del Sauce

La predicción de la biomasa y composición del fitoplancton, y particularmente de floraciones de cianobacterias, es un tema central en el estudio de los ecosistemas acuáticos que son fuente de agua potable. Además de presentar un riesgo potencial para la salud humana dada la producción potencial de cianotoxinas, las floraciones de cianobacterias ocasionan la pérdida de servicios ecosistémicos, afectan las tramas tróficas y la biodiversidad. Si bien la eutrofización (enriquecimiento de nutrientes) es una de las principales causas de la ocurrencia de floraciones, hay otros factores que pueden afectar la dinámica espacial y temporal de las mismas, como ser la disponibilidad de luz, la temperatura, la presión por herbivoría y la variabilidad climática. En este trabajo presentamos los resultados de un enfoque multi-modelo utilizado para predecir la biomasa (clorofila a) y composición (grupos funcionales basados en morfología) del fitoplancton en la Laguna del Sauce (Maldonado), sistema que constituye la segunda fuente de agua potable del país y que se encuentra fuertemente influenciado por el régimen de vientos. Utilizando análisis estadísticos de series temporales, modelos físicos y modelos estadísticos de la rama del aprendizaje automático, se logró explicar una parte importante de la variabilidad temporal de la biomasa y composición del fitoplancton, así como la generación de modelos con buena capacidad predictiva. Dado los problemas de suministro de calidad de agua experimentados en la laguna en los últimos años, la predicción de la dinámica del fitoplancton se vuelve crucial para aportar herramientas de monitoreo y gestión a las autoridades del agua.

  • Dr. Diego Armentano (CMAT - FCIEN)
    Título: TBA

 

  • Lucas Langwagen
    Título: Aplicación de aprendizaje automático a la prevención de fraude en transacciones de crédito

 
Cada año, los fraudes cometidos en tarjetas de crédito ocasionan perdidas importantes para los bancos en todo el mundo. Una manera habitual de resolver este problema es mediante sistemas de detección automáticos que evalúen en línea las transacciones que se van recibiendo y rechacen las que presenten un riesgo alto de ser fraude, sin perturbar la operativa normal de los clientes. Estos sistemas pueden construirse usando herramientas típicas de Aprendizaje Automático. Sin embargo, las particularidades del problema (desbalance de clases, cantidad y formato de los datos, etc) hace que la tarea de entrenar un clasificador de buen desempeño en este contexto sea mucho más complicado de lo habitual.
El objetivo de esta tesis es implementar un método de construcción de modelos que alcance buenos resultados, usando como medidas de performance la Efectividad y la Precisión. Durante esta charla, contaremos los principales avances resultantes de la investigación, haciendo énfasis en un modelo que nos permite hacer detección de anomalías para alertar transacciones que se desvíen del comportamiento habitual de un cliente.

  • Alejandra Marroig
    Título: Trayectoria nutricional y desempeño escolar: Una aplicación de modelos conjuntos para datos longitudinales y de sobrevivencia

En el trabajo se analiza la trayectoria nutricional de una cohorte de niños y niñas de Uruguay en edad escolar y su vínculo con el desempeño educativo mediante la estimación de Modelos Mixtos de Clases Latentes y Modelos Mixtos Conjuntos de Clases Latentes. La metodología se enmarca en los modelos estructurales y permite analizar el cambio con la edad del estado nutricional y su relación con el desempeño escolar. Además, supone heterogeneidad entre individuos no capturada por variables observadas que se representa mediante lapertenencia a grupos latentes. Se identificaron tres grupos de niños y niñas según trayectorias nutricionales en el período escolar. La niñas tienen trayectorias nutricionales normales (90 %) para la edad aunque en algunos casos superan el umbral de sobrepeso y se identificó un grupo (10 %) con problemas de sobrepeso en edad escolar. Por su parte, la mayoría de niños tiene trayectoria normal (70 %), algunos (20 %) superan en algunas edades el umbral de sobrepeso y un grupo minoritario (10 %) presenta obesidad. Las niñas con sobrepeso tienen mayor peso y talla al nacer pero no hay diferencias en el nivel educativo de sus madres. El grupo de niños con obesidad tiene mayor peso al nacer pero la talla no presentó diferencias significativas. Además, hay mayor proporción de madres con nivel educativo terciario en el grupo con obesidad. Para la relación entre trayectoria nutricional y desempeño escolar, los niños abandonan antes que las niñas. Sin embargo, los grupos según trayectorias nutricionales no presentan diferencias en la edad de abandono escolar. Ninguno de los grupos identificados muestra déficit nutricional o decrecimiento durante el período escolar, pero sí problemas de sobrepeso u obesidad lo que podría ser objeto de estudio en futuras investigaciones.