A xornada sobre Machine Learning do CESGA abranguerá máis de dúas ducias de relatorios

O vindeiro 27 de outubro, na sede do CESGA (Centro de Supercomputación de Galicia) en horario de 10.00 a 18.00 horas, vaise celebrar unha xornada de traballo para amosar o máis avanzado da nosa terra en materia de tecnoloxías intelixentes: ou sexa, sistemas con capacidade de aprender de maneira automática (identificando patróns complexos en millóns de datos por medio de algoritmos específicos). Falamos do Machine Learning Workhop Galicia 2016, unha cita que xa avanzamos os días pasados dende Código Cero pero que agora vén de amosar o seu programa completo. Este abranguerá catro sesións con media ducia de relatorios por sesión. Tocaranse un amplo abano de temas: dende as posibilidades das tecnoloxías smart para o ámbito enerxético até a súa aplicación no eido das emocións e dos sentimentos, pasando polo seu importante potencial para a Rede (por exemplo nos sistemas de recomendación).
O obxectivo da xornada, en palabras da organización, “é presentar os proxectos e resultados do emprego de tecnoloxías Machine Learning nas universidades, nos centros de investigación, nos centros tecnolóxicos e nas empresas de Galicia, tanto a nivel de uso como de desenvolvemento específico de novos algoritmos”.
Outra das finalidades é identificar as posibilidades destas tecnoloxías nos sectores referenciais en Galicia, amais das necesidades de infraestruturas e as posíbeis sinerxías.
O comité científico do obradoiro está integrado por Ricardo Cao (CITIC-UDC), Milagros Fernández Gavilanes (AtlantTIC, UVigo), David Mera Pérez (CITIUS-USC) e Andrés Gómez Tato (CESGA). O comité organizador está formado por Andrés Gómez (CESGA), Juan Touriño (UDC), Fernando Bouzas (CESGA), Raquel García (CESGA), Javier Cacheiro López (CESGA) e José Carlos Mouriño (CESGA). Contarase coa colaboración da Rede Galega de Tecnoloxías Cloud e Big Data para HPCn R2014/041 e Torusware.
A continuación damos conta do programa.
10:00h. Apertura
10:10h. Sesión 1
Modera: Andrés Gómez Tato
Nonparametric Inference for big-but-biased data
Ricardo Cao e Laura Borrajo.
Machine Learning Escalable con Spark ML na plataforma BD|CESGA
Javier Lopez Cacheiro.
Aplicacións do control estatístico da calidade na eficiencia enerxética
Javier Tarrío Saavedra, Salvador Naya, Sonia Zaragoza, Miguel Flores, Manuel FebreroBande e Manuel Oviedo.
OTEA, o sistema experto que xestiona a distancia instalacións
Nerea Vilela Barreira, Anxo David Feijóo Lorenzo e Pedro Pérez Gabriel.
Chequeando homoxeneidade de dúas mostras: proposta e aplicacións
Pablo Montero-Manso and Jose Vilar
Predición puntual e intervalos de predición en demanda e prezo da electricidade
Paula Raña, Juan Vilar e Germán Aneiros
Recommender Systems: machine learning vs. theoretical approaches
Paula Saavedra, Pablo Barreiro, Roi Durán, Ameed Almomani, Rosa Crujeiras, Maria Loureiro e Eduardo Sánchez Vila.
11:40h. Pausa Café
12:10h. Sesión 2
Modera: David Mera Pérez
Distributed Embodied Evolution for Real-Time Optimization of Dynamic Engineering Problems
Abraham Prieto, Francisco Bellas, Pedro Trueba e Richard Duro.
Sistema automatizado para a limpeza con láser de superficies non planas
Alberto Ramil, Javier Lamas e Ana J. López.
Aplicación de Apache Spark e librería MLlib para o deseño de sistemas de recomendación
Enrique Costa-Montenegro, Alexander Tsybanev, Héctor Cerezo-Costas, Francisco Javier González-Castaño, Felipe Gil-Castiñeira, Belén Barragáns-Martínez e Diego Almuiña-Troncoso
S-FRULER: aprendizaxe automático escalábel de regras de predición en Big Data
Ismael Rodríguez-Fdez, Manuel Mucientes e Alberto Bugarín.
Using Neural Networks for Discriminative Feature Localization
Javier Sánchez Rois e Daniel González Jiménez.
Sistemas NLP para a análise de sentimento e deteción de aspectos baseados en Machine Learning
Milagros Fernández-Gavilanes, Jonathan Juncal-Martínez, Tamara Álvarez-López, Silvia García-Méndez, Enrique Costa-Montenegro e Francisco Javier González-Castaño
13:30h. Pausa Comida
14:30h. Sesión 3
Modera: Milagros Fernández Gavilanes
Clasificación de Imaxes Hiperespectrais baseada en Kernel ELM sobre GPU
Alberto S. Garea, Dora Blanco Heras e Francisco Argüello
Finis Terrae II como plataforma de Machine Learning
Andrés Gomez Tato, José Carlos Mouriño Gallego e Aurelio Rodríguez.
Deep Learning para a detección de obxectos en imaxes
Brais Bosquet, Manuel Mucientes e Victor Brea
Aplicación de técnicas de selección de características para a mellora dos sistemas automáticos
David Mera, Verónica Bolon-Canedo, Jose Manuel Cotos e Amparo Alonso-Betanzos
Retos na Abstracción Semántica de Frases con Deep Learning
Héctor Cerezo-Costas
Robots que aprenden de ti e coma ti. Aplicación en robots guía
Roberto Iglesias Rodríguez, Carlos Vázquez Regueiro, Xosé Manuel Parlo López e Miguel A. Rodríguez González.
15:50h. Sesión 4
Modera: Ricardo Cao
Predición de augas turbias nun río con redes neuronais artificiais: aplicación ao río Nalón
Carla Iglesias, Javier Martínez Torres e Javier Taboada Castro
BiGuardian: Sistema de detección proactiva e predictiva de ameazas de ciberseguridade
Diego Fustes Villadóniga, Eduardo San Miguel Martín e Juan Ramón González Hernández
Plataformas Big Data Eficientes e Escalábeis para Machine Learning
Guillermo L. Taboada
Desenvolvemento dun clasificador de placas de lousa baseado en técnicas de visión artificial e Machine Learning
Javier Martínez, Carla Iglesias e Javier Taboada.
Detección de defectos en liña baseada en Machine Learning
Jorge Rodríguez-Araújo e Antón García-Díaz
Machine learning for the management of agricultural soil data
M.S. Sirsat e M. Fernández Delgado.
17:10h. E agora que?
Debate / Conclusións/ Seguintes accións.
Moderan: Ricardo Cao, Milagros Fernández Gavilanes, David Mera Pérez e Andrés Gómez Tato
17:50h. Peche Workshop
A importancia do Machine Learning
Segundo lembra o CESGA acerca da importancia futura da temática a tratar no obradoiro, as tecnoloxías asociadas á aprendizaxe das máquinas (ou Machine Learning -ML-) utilízanse cada vez máis en investigación, xeración de servizos da Sociedade da Información (coma en servizos de recomendación, clasificadores, etc.) ou na xestión dos sistemas de produción (detección de anomalías, predición de fallos, sistemas de control, etc.). Ademais, engade o centro galego, a dispoñibilidade de contornas de computación cada vez máis potentes ou a mellora nos algoritmos, entre outros avances innovadores (por exemplo o acceso a máis datos e con menor custe), transformaron estas tecnoloxías en “referentes en calquera eido do coñecemento”.