Actividades

Seminario: «Evolving Social Networks: trajectories of communities»

  • Por João Gama Associate Professor en Universidade do Porto. J. Gama es vicedirector de LIAAD, grupo que pertenece a INESC TEC.
  • Presentación del seminario.
  • Resumen/Abstract.Gama comenzó su exposición analizando el impresionante avance tecnológico en el campo de las redes sociales para analizar la cantidad de datos masivos generados por la evolución de este tipo de redes y sus distintas comunidades. Analizar su aparición, evolución, transformación y desaparición es posible utilizando métodos basados en probabilidades condicionales y clustering jerárquico destinados al análisis y comprensión de la evolución de los datos.

Seminario: «A Big-Data-based assessment of the forthcoming revolution in domestic energy»

  • Por José Miguel Leiva Data Scientist & Quantitative Analyst en Expert Timing Systems.
  • Presentación del seminario.
  • Resumen/Abstract.Se analizaron los últimos avances tecnológicos en el campo de la energía en cuanto al consumo de electricidad que realizamos. Se habló de la bajada de precios de las instalaciones fotovoltaicas, las diferentes soluciones comercializadas para el almacenamiento doméstico de energía (baterías tradicionales, de litio, tesla…) y el precio del kilovatio por hora.

Seminario: «Predicción inmediata y a muy corto plazo de la radiación solar a partir de datos de satélite y modelos numéricos»

  • Por Antonio Rodríguez Martínez trabaja para la AEMET desde 1985.
  • Presentación del seminario.
  • Resumen/Abstract.El objetivo de la conferencia era mostrar el proyecto conjunto entre AEMET y el operador único del sistema eléctrico español, Red Eléctrica de España (REE), impulsado para mejorar la predicción de la radiación solar en los emplazamientos de las plantas solares españolas a través de técnicas de Nowcasting. Esta técnica para la predicción de radiación solar a muy corto plazo (normalmente hasta 6 horas) en una región geográfica específica tiene el potencial de disminuir los costes de generación de energía eléctrica.

Seminario: «Data science in telecommunications»

  • Por Rubén Lara doctor en Informática por la UAM, ha sido también director del programa de postgrado en Big Data de la U-Tad y tiene una dilata experiencia en empresas como Etihad-Etisalat o Telefónica, tanto en el sector financiero como en el de las telecomunicaciones, como responsable de desarrollo de producto y analítica Big Data.
  • Resumen/Abstract. El objetivo de la conferencia era mostrar las diferentes aplicaciones que los datos tienen en el sector de las telecomunicaciones. El uso cada vez más extendido de dispositivos y datos móviles ha generado una inmensa cantidad de datos y ha hecho crecer enormemente este sector. La ciencia de datos o Data Science permite aplicar técnicas Big Data a estos datos para estudiar el comportamiento y las interrelaciones de los usuarios. Estos proyectos parten del estudio y análisis de los datos con los que ya cuanta la organización. Si los estructuramos y almacenamos anonimizados convenientemente, y añadimos datos externos relacionados, tendremos una base de datos lo suficientemente rica como para empezar a obtener información de valor. Si a esto añadimos las técnicas necesarias para un buen análisis de datos, el uso de herramientas como Hadoop y un equipo de científicos de datos bien preparados podremos exprimir los datos para desmarcarnos de la competencia.

Seminario: «El impacto de la energía eólica en el precio de la luz»

  • Por Ricardo Alba Valmorisco responsable del Centro de Control en Gas Natural Fenosa Renovables desde 2008.
  • Presentación del seminario.
  • Resumen/Abstract. Durante la conferencia se incidió sobre la importancia de adecuar la demanda y la generación de energía y el impacto de ese equilibrio en el precio de la luz. También se analizó la evolución de la energía eólica en su carrera por igualarse con las energías convencionales como el carbón, nuclear o ciclos combinados, centrándose en las ventajas e inconvenientes de una energía en el cual su recurso es volátil y no almacenable y se detalló el efecto de la energía eólica en el precio de la energía.

Seminario. Ciencia de Datos en Acción: Ayudando a diseñar un plan de seguridad operacional»

  • Por David Ríos AXA-ICMAT Chair in Adversarial Risk Analysis en ICMAT-CSIC.
  • Resumen/Abstract. Muchas organizaciones internacionales demandan a sus estados miembros el diseño de un Plan de Seguridad Estatal en sus áreas de actividad. Un ejemplo es la International Civil Aviation Organization, ICAO, que requiere un Plan que les apoye en la asignación de recursos para mejorar la seguridad operacional en aviación. En esta conferencia se describirá un proyecto destinado a facilitar la elaboración de tal Plan, haciendo hincapié en cuestiones clave, como son la predicción bayesiana de incidentes y sus consecuencias y el uso de modelos de análisis de decisiones para la asignación de recursos en la gestión de riesgos. Se explicará también la arquitectura general del sistema que apoyará la implantación de la metodología propuesta.

Seminario: «Seminario. Big Data: Tecnologías para el procesamiento de datos masivos»

  • Por Francisco Herrera received his M.Sc. in Mathematics in 1988 and Ph.D. in Mathematics in 1991, both from the University of Granada, Spain.
  • Presentación del seminario.
  • Resumen/Abstract. Vivimos en una sociedad digital donde el desarrollo de las tecnologías de la información y las comunicaciones y su popularidad a nivel mundial han ayudado a eliminar fronteras y han creado multitud de servicios donde los datos son un eje central de su funcionamiento.

    La gran cantidad de datos disponible en la actualidad junto con las herramientas necesarias para su procesamiento conforman lo que conocemos hoy día como big data. En esta conferencia se realiza un breve recorrido sobre las tecnologías de big data que han emergido con fuerza en los últimos años, prestando atención tanto a la tecnología (Hadoop, Spark, …) como a las aplicaciones en diferentes ámbitos.

Seminario: «Segmentación de series temporales mediante algoritmos de aprendizaje de máquinas»

  • Por César Hervás Martínez es Catedrático del Departamento de Informática y Análisis Numérico de la Universidad de Córdoba, en el área de Ciencias de la Computación e Inteligencia Artificial. Sala de grados EPS-UAM, 6 de marzo de 2014.
  • Presentación del seminario.
  • Resumen/Abstract. En la conferencia se abordará la metodología y el desarrollo de algoritmos híbridos de segmentación de series temporales que utilicen, por una parte, una técnica de agrupamiento y un algoritmo genético para encontrar los segmentos con características estadísticas similares y poder determinar los puntos de corte de la serie. La segunda parte de la metodología, se aplica a la mejor serie segmentada obtenida en la última generación del algoritmo evolutivo, y se basa en, si es necesario, volver a buscar nuevos puntos de corte de la serie mediante la maximización del cociente de verosimilitudes, bajo la hipótesis de normalidad de los datos de la serie. Una aplicación a la segmentación de series de paleontoclima, que trata de prevenir de forma eficaz la aparición de periodos de glaciación (eventos del tipo Dansgaard-Oeschger, DO), busca una mejor comprensión de la propuesta.

Seminario: «Practical Implications of Classification Calibration»

  • Por Irene Rodríguez Luján. Biocircuits Institute University of California S. Diego el 13 de enero de 2013 en Sala de Grados A, EPS-UAM.

  • Resumen/Abstract Practical Implications of Classification Calibration.The importance of classification calibration falls on its relationship with the Bayes consistency. Most research in the literature has analyzed classification calibration under a mathematical framework that implicitly assumes that the decision functions can be separately defined for each point. Therefore, this framework generally overlooks the practical consequences of using a specific classification model based on these loss functions.

    Therefore, the goal of this seminar is to give practical point of view of the classification calibration concept by trying to address the following questions: Is it possible to have a continuous family of loss functions in such a way that we can easily control their classification calibration properties? Are the classification calibration requirements feasible when such set of functions is used with a parametric classifier? In other words, does the classifier inherit the classification calibration properties of the loss function?

    We propose a continuous family of loss functions defined by a control parameter that allows us to shift the loss function from classification uncalibrated to calibrated. We characterize the decision functions that make a loss function classification calibrated to determine whether these decision functions are achievable in parametric classifiers. As an example, we embed this continuous family of loss functions in a multiclass Support Vector Machine (SVM) to analyze SVM's solutions as a function of the control parameter, obtaining as byproduct a new classification model when the control parameter tends to infinity. Our experiments on multiclass problems show similar classification accuracy for classification calibrated and uncalibrated loss functions, and they point to the classifier with the control parameter tending to infinity as a promising model in terms of classification accuracy and training time.

Defensa fin de master. Algoritmos SVM para problema sobre big data.

  • Por Yvonne Gala García el 9 de octubre de 2013 en Sala de Grados A, EPS-UAM.

Defensa fin de master. Sparse Linear Models and Proximal Optimization.

  • Por Alberto Torres Barrán el 7 de octubre de 2013 en Sala de Grados A, EPS-UAM.

Seminario: Intrinsic dimensionality reduction with application to chemical simulation models .

  • El 19 de septiembre de 2013 a las 15:30 h. en el Salón de Grados de la Escuela Politécnica Superior de la Universidad Autónoma de Madrid tiene lugar el seminario «Intrinsic dimensionality reduction with application to chemical simulation models», impartido por Neta Rabin, de Department of Exact Science at Afeka Academice College of Engineering, Tel-Aviv, Israel.

  • Resumen/Abstract Simulation data from physical and chemical processes is typically high-dimensional.The dynamics of such systems can often be well described in fewer dimensions. In this talk we present a method for nonlinear dimensionality reduction that embeds a high-dimensional data set in a low-dimensional intrinsic space. The obtained reduced variables are constructed through the eigendecomposition of a Laplace operator. The Laplace operator is built by using a Riemannian metric, which captures the intrinsic geometry of the data. We apply the method to two simulated data sets resulting from different partial observations of the same underlying dynamic process and use the intrinsic variables to map the data into a common low-dimensional space. Furthermore, we demonstrate how to extend the partially observed high-dimensional data in the ambient space from the constructed reduced coordinates. Neta Rabin. Received her B.Sc degree in Mathematics and Computer Science, and her M.Sc and Ph.D degrees in Computer Science from TelAviv University, Tel-Aviv, in 2001, 2004, and 2010, respectively. From 2010 to 2012, she was a Gibbs Assistant Professor in the Applied Mathematics Department at Yale University. Since October 2012 she is a faculty member in the Department of Exact Science at Afeka Academice College of Engineering, Tel-Aviv, Israel. Her research interests include high dimensional data analysis, manifold learning and signal processing.

Sesión formativa de Energías Renovables. Predicción Probabilística de Variables Meteorológicas.

  • El pasado 1 de marzo se celebró la sesión formativa «La predicción probabilística de variables meteorológicas», organizada por el Grupo de Trabajo en Energías Renovables y la cátedra UAM-IIC de Aprendizaje Automático en Modelado y Predicción.

    Al evento asistieron profesionales involucrados en la predicción de energías renovables y contó con la presencia de ponentes de prestigio en el sector.

    Puede acceder al resumen del evento y descargar las presentaciones de las distintas ponencias, así como visualizar las fotografías del evento.

9º seminario de la cátedra. Aplicaciones de los algoritmos para la clasificación de series temporales.

  • El 6 de julio de 2012, a las 12:00 horas en el salón de grados de la Escuela Politécnica Superior de la Universidad Autónoma de Madrid, tuvo lugar el seminario bajo el título Aplicaciones de los algoritmos para la clasificación de series temporales. El seminario en esta ocasión será impartido por D. Ramón Huerta de la Universidad de California en San Diego.

  • Resumen: Hoy en día existen multitud de problemas donde se disponen de secuencias multidimensionales con estructura temporal. El problema consiste en determinar la causa, el origen o la fuente de esas fluctuaciones temporales que se manifiestan en sensores multidimensionales. Típicamente las series temporales se descomponen en un conjunto de características o “features” que posteriormente se utilizan como entradas de algoritmos de clasificación clásicos, como pueden ser redes neuronales artificiales o máquinas de soporte vectorial.

    Si bien estos algoritmos son capaces de extraer unos niveles más que aceptables de rendimiento en la identificación y discriminación de señales, es obvio que se pueden mejorar los resultados si se tiene en consideración que las series temporales tienen una estructura temporal. ¿Qué quiere decir que tengan estructura temporal? Que dos medidas próximas en el tiempo tienen alta correlación entre ellas. Curiosamente esta propiedad tan básica de las series temporales ha sido ignorada en los campos de Inteligencia Artificial y Estadística por dos suposiciones dominantes: la estacionalidad de la señal y, en menor medida, la independencia estadística de las medidas.

    El objetivo de este seminario es explicar diferentes metodologías actuales que se utilizan para la clasificación y discriminación de series temporales, y en concreto mostrar cómo se pueden utilizar sistemas dinámicos junto con las máquinas de vectores soporte para la resolución de problemas de clasificación de series temporales.

 


8º seminario de la cátedra. La Meteorología de las Energías Renovables.

  • El 30 de noviembre tuvo lugar en la Escuela Politécnica Superior de la Universidad Autónoma de Madrid (UAM) el octavo seminario organizado por la cátedra de patrocinio UAM-IIC de Aprendizaje Automático en Modelado y Predicción, bajo el título «La Meteorología de las Energías Renovables».

    Al evento asistieron profesionales involucrados en la predicción de energías renovables y contó con la presencia de ponentes de prestigio en el sector.

    Puede acceder al resumen del evento, así como consultar las fotografías del evento o descargar las presentaciones de las distintas ponencias.

 7º seminario de la cátedra. "Real AdaBoost" con Fusión Controlada por Puerta (GCF-RAB).

El 19 de septiembre de 2011, en el salón de grados de la EPS, tuvo lugar el seminario bajo el título "Real AdaBoost" con Fusión Controlada por Puerta (GCF-RAB), a cargo de Aníbal R. Figueiras Vidal DTSC, Universidad Carlos III de Madrid.

  • Resumen: Los algoritmos de clasificación constituidos mediante técnicas cooperativas tipo “boosting” han demostrado excelentes prestaciones y una singular –pero no absoluta– resistencia a la nociva tendencia al sobreajuste. Aunque atribuida dicha resistencia a la forma de las funciones de coste empleadas en las versiones originales de estos algoritmos, resulta más verosímil la explicación de que su construcción progresiva y el carácter débil de los aprendices que integran los diseños son las causas reales de esa ventaja. La aparición de sobreajuste, sin embargo, es posible en problemas con un número relevante de muestras imposibles de clasificar correctamente. Para reducir esa tendencia, se ha propuesto un amplio número de modificaciones que moderen la influencia de dichas muestras en el progresivo enfatizado que se emplea para construir sucesivos aprendices. Pero es posible otra aproximación: dado que las muestras imposibles reciben excesiva atención, una fusión diferente de la lineal podría limitar los efectos negativos de tal exceso.En esta conferencia se examinará la posibilidad de incorporar una puerta al proceso de fusión de los aprendices de un conjunto “Real AdaBoost”, discutiendo las condiciones convenientes para proceder así y evaluando los resultados de diversas opciones en una serie de aplicaciones tradicionales. Tras presentar las conclusiones del trabajo, se revisarán posibles líneas de mejora y ampliación.

    Puede consultar la agenda del seminario.

 6º seminario de la cátedra. Predicción de energías renovables.

  • El pasado 27 de junio tuvo lugar en el salón de actos de la Escuela Politécnica Superior de la Universidad Autónoma de Madrid el 6º seminario de la cátedra con el título Adaptive Learning in a World of Projections, impartido por Sergios Theodoridis Dept. of Informatics and Telecommunications, National and Kapodistrian University of Athens, Greece.

    Puede consultar la agenda del seminario.

 5º seminario de la cátedra. Predicción de energías renovables.

  • El pasado 9 de marzo tuvo lugar en la Escuela Politécnica Superior de la Universidad Autónoma de Madrid el 5º seminario sobre Predicción de Energías Renovables, actividad organizada por la cátedra de patrocinio UAM-IIC de Aprendizaje Automático en Modelado y Predicción. El evento, dirigido a profesionales involucrados en la predicción de energías renovables, contó con la presencia de más de de cien personas entre los que se encontraban investigadores de reconocidas Universidades Españolas, estudiantes, agentes del sector de energía como Iberdrola, Endesa, Acciona, REE y Gas Natural Fenosa y otros centros e Instituciones de prestigio.

    Puede acceder al resumen del seminario y consultar la agenda del seminario.

 4º seminario de la cátedra.

  • El día 30 de abril de 2010, de 12:30 a 14:00 en la Sala de Grados de la EPS (UAM), se celebra el 4º seminario de la Cátedra UAM-IIC de aprendizaje automático en modelado y predicción. El título de este seminario impartido por Pedro Larrañaga es «Modelos Gráficos Probabilísticos en Biomedicina, Bioinformática y Neurociencia»Pedro Larrañaga es Licenciado en Matemáticas por la Universidad de Valladolid y Doctor en Informática por la Universidad del País Vasco. Es Catedrático del Departamento de Inteligencia Artificial en la Universidad Politécnica de Madrid donde forma parte del Grupo de Sistemas Inteligentes.

    Resumen: Durante la charla se mostrará el uso de los modelos gráficos probabilísticos en la resolución de distintos problemas de aprendizaje automático(modelización de interdependencias, clasificación supervisada) dentro del contexto "bio", enfatizándose las ventajas derivadas de tal aproximación. Los problemas a abordar se refieren a dominios tales como la neonatología, las unidades de cuidados intensivos, la reproducción asistida, los microarrays de ADN, la espectrometría de masas, la predicción de citas en artículos científicos, la utilización de señales MEG para el desarrollo de interfaces cerebro-máquina, y la reconstrucción de árboles dendríticos. 

 3er Seminario de la cátedra.

  • El día 11 de marzo de 2010 a las 12:30 horas se celebra el 3º Seminario de la cátedra en la Sala de Grados de la Escuela Politénica Superior de la UAM. El título del seminario es «Técnicas de Inteligencia Computacional en Predicción de Viento en Parques Eólicos y Problemas Relacionados», impartido por D. Sancho Salcedo Sanz. D. Sancho Salcedo Sanz es Licenciado en Ciencias Físicas por la Universidad Complutense de Madrid, en 1998, y Doctor en Telecomunicaciones por la Universidad Carlos III de Madrid en 2002. Actualmente dirige el grupo de investigación GHEODE (Grupo de Heurísticos Modernos de Optimización y Diseño de Redes) de la Universidad de Alcalá, donde es profesor Titular de Universidad en el Departamento de Teoría de la Señal y Comunicaciones.

    Resumen: El objetivo europeo de alcanzar el 20% del suministro de energía procedente de fuentes renovables para el año 2020 proporciona una importante continuidad en el desarrollo de la energía eólica para los próximos años. Específicamente, se espera que hasta el 16% de la electricidad generada en Europa pueda proceder del viento. Esta cifra coloca a la energía eólica como uno de los actores principales en el mix energético de los diferentes países que están apostando por su desarrollo, pero el camino a seguir no va a ser nada fácil. Las características del viento llevan consigo importantes problemas de integración en la red, que deben de ser minimizados al máximo para alcanzar los objetivos propuestos. En este escenario de alta integración de la energía eólica, la predicción de la velocidad de viento en parques eólicos juega un papel fundamental, tanto para los productores como para la gestión de la red. Este seminario se centra en describir una serie de sistemas propuestos recientemente, basados en técnicas de inteligencia computacional para la predicción a corto plazo de velocidad de viento en parques eólicos. También se tratarán problemas abiertos relacionados como por ejemplo las últimas tendencias en algoritmos emergentes para el diseño óptimo del posicionamiento en parques eólicos, la mejora de modelos de mesoescala mediante técnicas de optimización o la modelización a largo plazo del viento en parques eólicos, a partir de clasificación no supervisada.

    Para ver la presentación pulse aquí.

 2º Seminario de la cátedra.

  • El día 25 de septiembre de 2009, en la Sala de Grados de la EPS (UAM), se celebra el 2º Seminario de la Cátedra UAM-IIC de aprendizaje automático en modelado y predicción. El título de dicho seminario impartido por Julio Usaola es «Predicción a Corto Plazo de la Producción Eólica y sus Aplicaciones».

    Para ver la presentación pulse aquí.

 1º Seminario de la cátedra.

  • El martes día 26 de mayo a las 12:00 horas se celebra el 1º Seminario de la cátedra en la Sala de Grados de la Escuela Politénica Superior de la UAM. El título del seminario es «Modelos de Predicción a Corto Plazo del Precio del Mercado Eléctrico Español», impartido por Antonio Muñoz San Roque, Director del Instituto de Investigación Tecnológica (IIT), Escuela Técnica Superior de Ingeniería (ICAI) de la Universidad Pontificia Comillas.

    Resumen: En este seminario se presentará un estudio comparativo de modelos de predicción a corto plazo de los precios horarios de la electricidad en el mercado eléctrico español. En primer lugar se revisarán las propiedades de las series de precios así como las variables fundamentales que intervienen en su proceso de formación y que por lo tanto pueden ser consideradas como variables exógenas de los modelos. A continuación se expondrán los modelos utilizados en el estudio, que incluirán tanto modelos univariantes (ARIMA y Holt-Winters) como multivariantes (Función de Transferencia, VAR y modelos periódicos). Finalmente se analizan los resultados obtenidos y se propondrán futuros desarrollos.

    Para ver la presentación pulse aquí.


Investigación actual.

  • Modelos SVM y similares en problemas a gran escala.
  • Aprendizaje concurrente de múltiples núcleos.
  • Análisis de la interpredictibilidad de las producciones eólicas en las Islas Canarias.
  • Predicción mediante sistemas dinámicos y redes recurrentes.


Tesis doctorales en curso.

  • Alaíz, C. M. Proximal Methods in Convex Optimization. [Tesis de doctorado en curso.] UAM, Universidad Autónoma de Madrid. Madrid, España.

  • Fernández, A. Diffusion Methods and Applications. [Tesis de doctorado en curso.] UAM, Universidad Autónoma de Madrid. Madrid, España.

  • Torres, A. Advanced Sparse Modelling. [Tesis de doctorado en curso.] UAM, Universidad Autónoma de Madrid. Madrid, España.

  • Gala, Y. Advanced Machine Learning Algorithms for Big Sample Data. [Tesis de doctorado en curso.] UAM, Universidad Autónoma de Madrid. Madrid, España.

 
Defensas de tesis doctorales.
  • López, J. (2012). Analysis and Convergence of SMO-like Decomposition and Geometrical Algorithms for Support Vector Machines. UAM, Universidad Autónoma de Madrid. Madrid, España.

  • Barbero, A. (2011). Efficient Optimization Methods for Regularized Learning: Support Vector Machines and Total-Variation Regularization. UAM, Universidad Autónoma de Madrid. Madrid, España.

Trabajos de fin de master.
  • Torres, A. (2013). Sparse linear models and proximal optimization. UAM, Universidad Autónoma de Madrid. Madrid, España.

  • Rojas, S. (2012). Meta-parameter selection for Support Vector Machines in wind energy forecasting models. Technical University of Denmark. Denmark.

  • Díaz, D. (2012). Deep Neural Networks. UAM, Universidad Autónoma de Madrid. Madrid, España.

  • Reguero, J. (2011). Aplicación de las redes bayesianas dinámicas a la predicción de series de datos y a la detección de anomalías. UAM, Universidad Autónoma de Madrid. Madrid, España.

  • Alaíz, C. M. (2010). Advanced Methods for Recurrent Neural Networks Design. UAM, Universidad Autónoma de Madrid. Madrid, España.

  • Fernández, A. (2010). Advanced methods for dimensionality reduction and clustering: Laplacian Eigenmaps and Spectral Clustering. UAM, Universidad Autónoma de Madrid. Madrid, España.