 |
|
Dr. Jose Luis Verdegay (Más información: Curriculum, Web)
Catedrático de Ciencias de la Computación e Inteligencia Artificial de la
Universidad de Granada (UGR).
Conferencia:
Los pilares de la Soft Computing
En el área de los Sistemas Inteligentes, la Soft Computing es una metodología que ha demostrado repetidamente su eficiencia y su eficacia de cara a modelizar situaciones y resolver problemas complejos en una ámplia diversidad de ámbitos, pero aún quedan entornos tecnológicos en los que no se ha ensayado su aplicabilidad o, si se ha intentado, se han estudiado poco sus posibilidades. Este puede ser el caso de las Energías Renovables, la Evaluación de la Calidad de los Servicios, la Prospectiva Tecnológica, la Lógistica, la Biología de Sistemas y otros más. Se trata de entornos tecnológicos avanzados de una importancia crucial para nuestra sociedad que, por la trascendencia que pueden tener las soluciones que se les den a los problemas que en ellos aparecen, pueden afectar a nuestra forma de vida y relación.
Desde que en 1965 L.A. Zadeh diera la definición de conjunto fuzzy, las aplicaciones y desarrollos basados en ese sencillo concepto han evolucionado de tal modo que, hoy en día, es prácticamente imposible calcular el volumen de negocio que generan en todo el mundo, pudiendo encontrar Sistemas Inteligentes cuyo funcionamiento está directamente basado en dicha noción, y que van desde los más cotidianos controladores, hasta los más sofisticados modelos para la identificación de sistemas. Pero, si bien la traza histórica de los conjuntos y los sistemas fuzzy es bien conocida, no pasa lo mismo con la de la Soft Computing, a pesar de su actual popularidad, por lo que es esencial poner negro sobre blanco su origen y definición.
El establecimiento de lo que denominamos los pilares de la Soft Computing, será el argumento central de esta conferencia, en la que también se mostrará el potencial aplicativo que tiene la Soft Computing, particularizando especialmente algún campo concreto y describiendo cómo enfocar correctamente con esta metodología la resolución de distintos problemas de diferente naturaleza, para así facilitar el posterior diseño, producción y desarrollo de nuevos Sistemas Inteligentes Sostenibles, es decir, que por sus características no estén abocados a quedarse en el dominio de “lo teórico”, sino más bien todo lo contrario: que por estar equipados con suficientes argumentos y recursos, estén destinados a ser transferidos sin riesgos al sector productivo.
|
 |
|
Dr. Tom M. Mitchell (Más información: Curriculum, Web)
Profesor de la Universidad Carnegie Mellon, Departamento de Máquinas de aprendizaje.
El profesor Tom Mitchell es el director del Departamento de Aprendizaje Automático e la Universidad Carnegie Mellon (EEUU). Sus intereses científicos se centran en el aprendizaje automático, el procesamiento de lenguaje natural, la inteligencia artificial y la neurociencia cognitiva. El profesor Mitchell es miembro de la Academia de EEUU de Ingeniería, fellow de la Aosiciación Americana para el Avance de la Ciencia (AAAS) y fué presidente de la Asociación Americana para la Inteligencia Artificial. Ha publicado numerosos artículos de investigación, muchos de ellos se han convertido en referencias dentro del campo. Particularmente su libro "Machine Learning" es referencia habitual en asignaturas de grado y postgrado en aprendizaje automático.
[CV completo en pdf]
Conferencia:
Learning Forever
This talk considers the question of how to construct intelligent software agents that learn forever.We present one case study - a system called NELL that has been learning daily for well over a year, 24 hours each day. NELL has two goals each day. The first is to read, or extract, more information from the web to populate its growing knowledge base of structured knowledge.The second is to learn to read better than yesterday, as evidenced by its ability to go back to the same web pages it read yesterday, and extract more facts more accurately today. The talk will describe the design of NELL, its successes and its failures (so far), and use this case study to explore more braodly the quesiton of how to design never-ending machine learners. You can follow NELL's progress daily at http://rtw.ml.cmu.edu/.
|
|
|
Dr. Maria-Amparo Vila Miranda (Más información: Curriculum, Web)
Catedrática de Ciencias de la Computación e Inteligencia Artificial de la Universidad de Granada.
Conferencia:
El tratamiento de la información imprecisa e incierta, algunas soluciones y nuevos problemas.
Pocas comunidades científicas dentro del campo de las Ciencias de la Computación han reflexionado tanto acerca de su presente y futuro como la de los investigadores que se dedican a bases de datos. Desde hace más de quince años un grupo muy amplio de autores de reconocido prestigio en este campo se reúnen periódicamente para fijar los principales desafíos y problemas a resolver que se prevén, y proponer con base en ello las líneas de investigación más necesarias y prometedoras. Sus conclusiones se han recogido en un conjunto de informes que han aparecido en publicaciones de ACM y SIGMOD y que han tenido amplia difusión.
Uno de los problemas que aparece con más continuidad e insistencia en estos informes es el del tratamiento de la información imprecisa e incierta en bases de datos. Ya en 1991 se cita como uno de los factores a tener en cuanto en el diseño de un nuevo modelo de datos. Posteriormente, en todos y cada uno de sus informes siguen planteando este objetivo como prioritario, tanto desde el punto de vista del acceso a bases de datos como desde el de la Minería de Datos.
El tratamiento mediante Lógica Difusa de la información imprecisa e incierta en bases de datos, es una línea de investigación muy consolidada, que ha venido desarrollándose durante más de 20 años. El uso de la Lógica Difusa en problemas de Minería de Datos está también ampliamente difundido. De hecho antes incluso que esta área de trabajo se configurase como tal, se trataron problemas inherentes a la misma mediante enfoques difusos. Posteriormente se ha trabajado para conjugar la capacidad de representación y manipulación del conocimiento impreciso que la Lógica Difusa proporciona, con las capacidades que poseen las Redes Neuronales y los Algoritmos Genéticos y Bioinspirados, proporcionando un excelente enfoque para la Minería de Datos.
El objetivo de esta charla es presentar cómo la Soft Computing y especialmente la Lógica Difusa han abordado la solución a importantes problemas imprecisión e incertidumbre en sistemas de información, recogiendo también los resultados obtenidos por nuestro grupo de investigación y las aplicaciones que hemos desarrollado.
|
Conferenciantes invitados
