Noticias en español
Deep Learning II: Redes Neuronales Recurrentes
Abstract: Continuando la línea de aprendizaje profundo, se extenderá la idea de redes neuronales al caso de entradas de transmisión continua como las series de tiempo o secuencias de video, bajo el concepto de redes neuronales recurrentes. Esta arquitectura ha demostrado gran capacidad en procesamiento de voz y texto, desplazando a metodologías alternativas como las cadenas de Markov en muchas aplicaciones. Partiendo por su definición más básica, se explicará su funcionamiento así como sus limitaciones, para luego elaborar en el concepto hasta las arquitecturas más modernas como Long...
Read MoreIntroducción al aprendizaje de máquinas y redes neuronales
Abstract: El objetivo de esta charla es presentar la disciplina de aprendizaje de máquinas (AM) y su una de sus herramientas fundamentales: redes neuronales. En la primera mitad de la charla veremos los orígenes del AM, su relación con otras disciplinas, su impacto en problemas actuales y campos de aplicación. Posteriormente, veremos una introducción a redes neuronales artificiales, donde comenzando por una motivación biológica presentaremos la estructura de una red, la importancia del número y configuración de sus neuronas, y técnicas de entrenamiento. Finalmente, terminaremos...
Read MoreDeep Learning I: Redes neuronales convolucionales
Abstract: En esta segunda charla de nuestra serie de charlas de Deep Learning revisaremos brevemente conceptos y nociones básicas de redes neuronales, desde el modelo de neurona básica hasta el perceptrón multicapa, para luego presentar uno de los temas más emocionantes en machine learning de los últimos años: redes neuronales convolucionales. Estas redes han demostrado ser una exitosa herramienta para solucionar problemas de procesamiento de voz y visión computacional, superando ampliamente el desempeño de muchos métodos anteriores. En particular explicaremos el funcionamiento de las...
Read MoreInference of Gene Regulatory Networks from Gene Expression Data using Artificial Neural Networks
Abstract: Gene Regulatory Networks (GRNs) are directed networks where nodes represent genes, and edges exist solely if the Transcription Factor (TF) encoded by a source gene directly regulates the expression of another target gene. Two main approaches exist for the inference of GRNs, high-throughput experiments and computational methods that solely make use of gene expression data. While the first ones are expensive and time consuming, the second ones are faster and require fewer resources. Computational methods for the inference of GRNs can be broadly classified into supervised, where...
Read MoreHow neuroscience can benefit from advances in machine learning? the example of high-resolution retinal prosthesis.
Abstract: Recent advances in experimental techniques have enabled large-scale recordings and stimulation of neural populations (e.g. multi-electro arrays, optogenetics) comprising thousands of neurons or even entire brains. The central question now is how do we make sense of these huge volumes of data: if methods for processing massive datasets were available, we could, for example, enable the online control of the activity of populations of neurons. This talk is concerned with the data-processing methods that are necessary to make possible these closed-loop interactions in the specific...
Read MoreMachine Learning for Financial Statement Fraud
Abstract: Financial statement fraud (FSF) is a global concern representing a significant threat to financial system stability. In recent years, data-informed quantitative models have been developed to automate and reduce the manual auditing processes. Although the existing techniques have improved the detection rate of FSF, these are very limited and can be improved in terms of data, accuracy and efficiency, leading to more targeted and effective examinations. The main objective of this study is to develop four machine learning methods – Discriminant Analysis, Logistic Regression,...
Read More