Noticias en español
Physics-based Models for Uncertainty Quantification in Chemical Kinetics
Abstract: Prediction is a core element of science and engineering. Sophisticated mathematical models exist to make predictions in a variety of physical contexts including materials science, fluid mechanics, and solid mechanics. Most of these models do not have known analytical solutions. Moreover, they are generally difficult to solve numerically. In order to perform numerically tractable computations, researchers often try to develop reduced models that account for the essential physics while doing away with the complexity of the full model. Development of reduced models necessarily...
Read MoreNon-Parametric Bayesian Techniques for Spatial Temporal Models, Optimisation and Decision Making
Abstract: The use of Bayesian techniques for modelling spatial temporal phenomena has extensively increased over the last decade, providing flexibility and uncertainty quantification for inference and prediction. This talk focuses on how to place Gaussian Process models over complex phenomena and explores how the information from these models can be used for flexible uncertainty aware decision making. This talk provides examples of the application and advantages of using these techniques for environmental monitoring, quantitative social sciences, criminology and human behaviour. (Esta...
Read MoreVariational Inference
Abstract: Bayesian methods have shown to be very successful and attractive approaches in Machine Learning, thanks to the natural representation of uncertainty in real problems, the automatic control of overfitting, and the intuitive modeling of semantics through the use of latent variables and graphical models. In most cases, Bayesian approaches have to deal with the inference of posterior probabilities of latent variables given data, in order to make predictions for future cases or to perform model selection as well. Unfortunately, in most of the real cases, the estimation of those...
Read MoreExtracción jerárquica no-supervisada de características mediante Autoencoders.
Abstract: La creciente aplicación de redes profundas para la realización de tareas mediante aprendizaje automático, ha creado la necesidad de buscar metodologías para lidiar con el conocido problema de la desaparición del gradiente (Vanishing gradient problem) en el entrenamiento de redes neuronales con más de una capa oculta. Una de estas metodologías utiliza un modelo de aprendizaje no supervisado llamado Autoencoder, capaz de realizar un acercamiento “seguro” de los parámetros de la red a su valor óptimo. En esta charla se presentará el modelo Autoencoder con su justificación...
Read MoreData Science: Herramientas, lenguajes y Python
Abstract: Data Science es un área interdisciplinaria dedicada extraer conocimiento de grandes volúmenes de datos, utilizando diversas técnicas de Machine Learning, para resolver problemáticas de distinta naturaleza. La cantidad de datos y complejidad de los cálculos necesarios en aplicaciones de Data Science son en general muy altas, por lo que la eficiencia computacional es crucial. En esta charla revisaremos herramientas requeridas para trabajar con datos reales, principalmente sobre programación científica, lenguajes de programación y librerías de alto desempeño. Concluiremos la charla...
Read MoreDeep Learning: Desafíos actuales
Resumen: Para terminar el ciclo de Deep Learning se presentará una serie de aplicaciones de estas metodologías en áreas como la robótica, el procesamiento de lenguaje natural y la visión computacional, temáticas de gran interés en la actualidad debido al enorme desarrollo que se ha impulsado en los últimos años no sólo en la academia, sino también en la industria. El objetivo es entregar un marco general de lo que es posible realizar y/o investigar en el área hoy, así como ser una fuente de inspiración para los proyectos de los propios asistentes. Todas las charlas de GAMES están disponibles...
Read More