Actualidad

Seminario. Data Science en el Sector Retail

Fecha: viernes 1 de diciembre de 2017
Hora: de 12:00 h.
Lugar: Sala de Grados A, edificio A, EPS-UAM.

··· INSCRIPCIÓN GRATUITA ···

Ponente:

Silvia Ferreira, Doctora en Ciencias Físicas por la Universidad Complutense de Madrid, es actualmente Responsable de Data Science en el CiC, Centro de Innovación Carrefour España. Previamente ha desarrollado su trabajo en el ámbito de la investigación en materiales avanzados y metrología científica en el CSIC, IMA y CEM.

Resumen:

La industria del Retail es una de las más competitivas que existen, con un enfoque en aumentar las ventas constantemente y retener la mayor cantidad de clientes.

Es un sector que genera grandes volúmenes de datos y donde la implantación del Big Data y Data Science están desempeñando un papel estratégico. 

En este seminario veremos algunos casos de uso de las técnicas de Machine Learning en Retail, como modelos de predicción de ventas, segmentación personalizada de clientes, predicción del abandono y detección de fraude entre otros.

Seminario. Evolving Social Networks: trajectories of communities

El pasado 8 de junio tuvo lugar el seminario «Evolving Social Networks: trajectories of communities», organizado por la Cátedra de Ciencia de datos y aprendizaje automático UAM-IIC, en la Escuela Politécnica Superior (EPS) de la Universidad Autónoma de Madrid (UAM). En esta ocasión fue impartido por João Gama y estuvo dirigido a investigadores, tecnólogos y gestores interesados en los últimos avances realizados en el campo de las Redes Sociales o Social Networks.

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.

Para entender el comportamiento a lo largo del tiempo de un fenómeno cualquiera han ido apareciendo nuevos métodos e infraestructuras centrados en la evolución temporal de los datos y de los modelos. Lo interesante durante el seminario fue ver cómo se creó una metodología de trabajo efectiva a raíz de la combinación de diferentes técnicas matemáticas para entender laevolución o trayectoria de los clusters y comunidades que surgen como redes sociales.

Cuando no hay suficiente información sobre los nodos de una comunidad, cuando estos cambian continuamente (Evolving Social Data) o son diferentes en cada ocasión es complicado realizar una adecuada caracterización y clustering de los nodos de dicha comunidad. Sin embargo, partir de un análisis descriptivo adecuado, saber rastrearlos y mapearlos permite hallar una solución a problemas mucho más complejos.

Durante el seminario se presentaron de forma sencilla los elementos básicos para poder seguir con la investigación en métodos de análisis de datos evolutivos y se debatieron los retos y las oportunidades de negocio que abre entender la evolución de las comunidades en redes sociales.

Para más información puedes consultar un resumen más extenso del seminario y descargar la presentación «Evolving Social Networks: trajectories of communities» (PDF).

Ponente:

João Gama, Associate Professor en Universidade do Porto. J. Gama es vicedirector de LIAAD, grupo que pertenece a INESC TEC. Ingeniero por la Universidad de Oporto, ha trabajado en varios proyectos nacionales y europeos sobre los sistemas de aprendizaje adaptativo e incremental, el descubrimiento del conocimiento ubicuo y el aprendizaje de datos masivos, etc. Ha participado también en la programación de numerosos congresos (ECML'2005, DS'2009, ADMA'2009, IDA' 2011 y ECML/PKDD'2015). Asimismo ha organizado talleres sobre Knowledge Discovery from Data Streams with ECML/PKDD y Knowledge Discovery from Sensor Data with ACM SIGKDD. Gama es autor de varios libros sobre Minería de datos y un monográfico sobre Knowledge Discovery from Data Streams. Igualmente ha trabajado como revisor de más de 250 artículos relacionados con el aprendizaje automático, la minería de datos y los Data Streams. Es miembro del equipo editorial de revistas internacionales como ML, DMKD, TKDE, IDA, NGC y KAIS; y a lo largo de su trayectoria académica ha supervisado a más de 12 doctorandos y 50 estudiantes de máster.