Interactive data visualization of high-dimensional data: A dimensionality reduction viewpoint

El objetivo del área de investigación emergente, denominada visualización interactiva de datos (IntDataVis), consiste, en términos generales, en relacionar explícitamente el campo de reducción de dimensionalidad (DR) con el de visualización de información (IV), de forma que se importen conceptos de IV para mejorar el desempeño y/o la interpretabilidad de las técnicas de DR. En particular, son de interés las propiedades de controlabilidad e interactividad, las cuales pueden hacer que los resultados de DR sean significativamente más comprensibles y manejables para el usuario (quien no es necesariamente experto en analítica de datos ni en la naturaleza de los datos). Estas dos propiedades le permiten al usuario tener libertad para seleccionar la mejor manera de representar datos. Particularmente, en esta charla, se resume una breve descripción de algunos trabajos sobresalientes en el área de IntDataVis, con especial interés en un modelo interactivo de vanguardia que se basa en una mezcla del efecto de diferentes técnicas de DR y en una formulación generalizada de DR de tipo espectral basada en funciones kernel. Finalmente, se menciona algunos problemas abiertos y tendencias en esta área.

Peluffo

Dr. Diego Hernán Peluffo-Ordóñez
El profesor Diego Peluffo nació en San Juan de Pasto, Nariño (Colombia). Él es ingeniero eléctrico, magíster en automatización industrial, y doctor en ingeniería de la Universidad Nacional de Colombia. Realizó una estancia postdoctoral la realizó en la Universidad Católica de Lovaina (Bélgica). Actualmente, trabaja como profesor en la Facultad de Ciencias Matemáticas y Tecnología de la Información, e investigador en la Línea de Investigación de Inteligencia Computacional en Yachay Tech – Ecuador. Es supervisor y miembro externo del grupo de investigación ALEPHSYS (Algoritmos incorporados en sistemas físicos) de la Universitat Rovira i Virgila – España. Es profesor invitado en la Universidad de Nariño y Corporación Universitaria Autónoma de Nariño. También es el director del Grupo de Investigación SDAS. Anteriormente, trabajó como profesor asistente en la Universidad Cooperativa de Colombia (Pasto, 2014), investigador y docente en la Universidad Técnica del Norte – Ecuador (2015-2017). Sus principales intereses de investigación son los métodos basados en kernel y espectrales para clasificación basada en múltiples anotadores, agrupación de datos y reducción de dimensionalidad. Sus aplicaciones de interés abarcan el análisis de datos complejos de alta dimensión, señales, imágenes y análisis de videos para escenarios médicos y de la industria.

Reconocimiento de patrones utilizando redes atractivas: aplicaciones para video automotriz, huellas digitales y gestos

Redes neuronales atractivas, ya que los sistemas dinámicos se utilizan generalmente como modelos para resolver una variedad de problemas. Debido a su naturaleza inherente del procesamiento paralelo y distribuido de la información, las redes neuronales atractivas son modelos computacionales prometedores para una amplia variedad de aplicaciones científicas y de ingeniería que incluyen control de procesos, procesamiento de señales e imágenes, reconocimiento y clasificación de patrones, etc. Información espacialmente localizada en Attractor Neural Networks con conectividad métrica. La información espacial examinada se organiza en estructuras de actividad / memoria de bloques y baches y se caracteriza en la topología del mundo pequeño (conectividad local a aleatoria) de la red. La transición entre información local (estructurada espacialmente) y global se evalúa para la capacidad de almacenamiento de la red y los parámetros topológicos de la red. Se investigan aplicaciones a patrones del mundo real. Se demostró la viabilidad de almacenar y recuperar videos de tráfico de automóviles utilizando una ANN de codificación dispersa con una topología de mundo pequeño. El enfoque se probó con éxito en dos patrones complejos, las secuencias de video de tráfico de una encrucijada de Kiev y una rotonda de Valencia, para diferentes combinaciones de los parámetros de red involucrados. En otra aplicación, la red métrica fue probada con éxito para diferentes configuraciones de huellas dactilares ruidosas, y la recuperación demostró ser robusta con una gran cuenca de atracción. La evolución dinámica condujo a un estado de red final que coincidía mejor con la huella dactilar de referencia correspondiente, de un candidato aparentemente más distante, lo que ayudó a distinguir entre dos huellas dactilares que podrían atribuirse al mismo individuo. Además, las huellas dactilares superpuestas encontradas en escenarios forenses se podrían separar utilizando redes neuronales de atracción métrica. Finalmente, se presenta el reconocimiento de los gestos 2D, se utiliza un conjunto de redes atractivas para aprender el conjunto de datos altamente correlacionado. Los patrones se dividen en subconjuntos, que se asignan a diferentes módulos de conjunto. El conjunto de atractor demostró reconocer los gestos para diferentes condiciones iniciales que muestran robustez a la traducción de gestos, movimientos múltiples y rotación hasta cierto punto. La optimización de entrada de los patrones a los conjuntos de conjuntos para maximizar la recuperación de patrones en términos de cantidad y calidad abre un enfoque interesante para el reconocimiento de patrones utilizando redes atractivas.

Mario

Mario Gonzalez
Mario Gonzalez recibió un Ph.D. en Informática por la Universidad Autónoma de Madrid (UAM) en 2012. Su investigación doctoral se realizó en el Grupo de Investigación en Neurocomputación Biológica de la Escuela Politécnica de la UAM, participando en proyectos financiados por el Ministerio de Educación y Ciencia de España. Hizo una estancia de doctorado en la Facultad de Ingeniería de la Universidad de Porto (FEUP), Portugal, financiado por el programa EMECW Lot 20. Actualmente es profesor e investigador en la Universidad de las Américas, Quito, Ecuador. Ha publicado en el área de Inteligencia Artificial, procesamiento de información utilizando redes neuronales, sistemas complejos y socio-física. Ha colaborado en proyectos multidisciplinarios en áreas como el modelado de redes Attractor y el reconocimiento de patrones, el modelado de la calidad del aire mediante aprendizaje automático, la telemedicina para la detección y rehabilitación de la actividad física y el modelado socio-físico, entre otros.

Proyecto LALA: Marco de trabajo para la adopción de analítica de aprendizaje en Latinoamérica

La analítica de aprendizaje propone el desarrollo de guías, metodologías, técnicas y herramientas tecnológicas que soporten el análisis de datos educativos. En esta charla se presentará el marco metodológico LALA (The LALA Framework) cuyo objetivo es apoyar el desarrollo de la cultura de la analítica de aprendizaje en las instituciones de educación superior en Latinoamérica. Este marco metodológico guía en el diseño, la implementación y la adopción de herramientas de analítica de aprendizaje desde cuatro dimensiones fundamentales: (1) la dimensión institucional, relacionada con los aspectos políticos y estratégicos de la institución; (2) la dimensión tecnológica, relacionada con los aspectos técnicos asociados al diseño e implementación de herramientas tecnológicas; (3) la dimensión ética, relacionada con los aspectos éticos de tratamiento y gestión de datos; y (4) la dimensión comunal, relacionada con la generación de una comunidad de investigación y buenas prácticas alrededor de la analítica de aprendizaje en América Latina.

Miguel

Miguel Zúñiga Prieto
Miguel Zúñiga Prieto recibió un doctorado en Informática por la Universitat Politècnica de València, España. Recibió su maestría en Administración de Tecnología de la Universidad San Francisco de Quito, Quito – Ecuador (2005). Es diplomado en Pedagogías Innovadoras por la Universidad Técnica Particular de Loja, Cuenca – Ecuador (2008). En la Universidad de Cuenca, es profesor asociado en la Facultad de Ingeniería y Director del Departamento de Ciencias de la Computación. Sus habilidades y experiencia incluyen la gestión de proyectos de investigación y proyectos de desarrollo de software. Actualmente dirige proyectos de investigación en la Universidad de Cuenca, entre ellos está coordinando el equipo de la Universidad de Cuenca en el proyecto Erasmus + “Construcción de Capacidades para el uso de Analítica de Aprendizaje para mejorar la Educación Superior en Latino América (LALA)”. El Proyecto LALA busca desarrollar la capacidad local de crear, adaptar y usar herramientas de Analítica de Aprendizaje en Instituciones de Educación Superior en América Latina, para lo cual cuenta con la participación de 3 universidades europeas y 4 latino americanas. Ha participado también en el proyecto “Desarrollo Incremental de Servicios en la Nube Dirigido por Modelos y Orientación al Valor del Cliente” financiado por el Ministerio de Economía y Competitividad, España.