banner

Site menu:

Principal >> Curso 2008-2009 >> Conferencias

Conferencias del Curso Académico 2008-2009

Fuzzy Logic in Machine Learning

Día Hora Lugar Imparte
01/04/2009 17:00 aula 1.8 de la Escuela Técnica Superior de Ingeniería Informática y de Telecomunicación
DR. EYKE HÜLLERMEIER Catedrático de la PHILLIPS-UNIVERSITÄT de Marburg (Alemania). El Dr. Eyke Hüllermeier es el responsable del Emergent Technologies Technical Committee (ETTC) Task Force on Data Mining de IEEE y co-coordinador del grupo de trabajo sobre Fuzzy Logic in Machine Learning & Data Mining de la Sociedad Europea para la Lógica y Tecnología Difusas (EUSFLAT), asociación de la que forma parte del board committee. Es asimismo miembro del comité editorial de Fuzzy Sets and Systems, entre otras revistas internacionales, en el área de Minería de Datos y Aprendizaje Automático. Ha participado en la organización de diversas conferencias, sesiones especiales y números especiales de revistas internacionales sobre los temas mencionados. Dirige el laboratorio KEBI (Knowledge Engineering & Bioinformatics) de la PHILLIPS-UNIVERSITÄT de Marburg (Alemania).
The purpose of this talk is threefold. First, it is intended to convey
an idea of the state-of-the-art in the field of fuzzy logic-based
machine learning, to be understood as the application of theoretical
concepts, methods, and techniques from fuzzy set theory and fuzzy logic
in the field of machine learning and related research areas, such as
data mining and knowledge discovery. Second, the potential contributions
that fuzzy logic can make to machine learning shall be assessed in a
somewhat systematic and critical way, highlighting potential advantages
of fuzzy extensions and recent advances in combining machine learning
methods with fuzzy modeling and inference techniques, but also pointing
to some deficiencies and pitfalls of this line of research. Finally,
some promising directions of future research shall be sketched and
promoted, including problems of ranking and preference learning, the
representation of uncertainty in model induction and prediction, and the
use of fuzzy modeling techniques for feature generation.

Learning Fuzzy Preference Relations for Prediction and Decision Making

Día Hora Lugar Imparte
30/03/2009 17:00 aula 1.8 de la Escuela Técnica Superior de Ingeniería Informática y de Telecomunicación
DR. EYKE HÜLLERMEIER Catedrático de la PHILLIPS-UNIVERSITÄT de Marburg (Alemania). El Dr. Eyke Hüllermeier es el responsable del Emergent Technologies Technical Committee (ETTC) Task Force on Data Mining de IEEE y co-coordinador del grupo de trabajo sobre Fuzzy Logic in Machine Learning & Data Mining de la Sociedad Europea para la Lógica y Tecnología Difusas (EUSFLAT), asociación de la que forma parte del board committee. Es asimismo miembro del comité editorial de Fuzzy Sets and Systems, entre otras revistas internacionales, en el área de Minería de Datos y Aprendizaje Automático. Ha participado en la organización de diversas conferencias, sesiones especiales y números especiales de revistas internacionales sobre los temas mencionados. Dirige el laboratorio KEBI (Knowledge Engineering & Bioinformatics) de la PHILLIPS-UNIVERSITÄT de Marburg (Alemania).
This lecture will address issues of uncertainy modeling in the context
of learning predictive models from data and, in this regard, especially
elaborate on the use and potential benefits of fuzzy logic. Subsequent
to an introduction and a discussion of some general problems and
questions, we will focus on an approach to learning fuzzy preference
relations that has recently been proposed in the literature. This
approach combines pairwise decomposition techniques for classifier
learning with ideas and tools from fuzzy preference modeling. By
establishing a mapping from instances to fuzzy preference structures, it
essentially reduces the problem of classification to a problem of
decision making based on a fuzzy preference relation. Corresponding
techniques, which have been investigated quite intensively in the field
of fuzzy set theory, hence become amenable to the task of
classification. In particular, by decomposing a preference relation into
a strict preference, an indifference, and an incomparability relation,
this approach allows one to quantify different types of uncertainty in
classification and thereby supports sophisticated  classification and
postprocessing strategies.

Fomento de la Iniciativa Empresarial: la Ruta Emprendedora

Día Hora Lugar Imparte
26/03/2009 12:00 Salón de Actos de la Escuela Técnica de Ingenierías Informática y de Telecomunicación
Jesús Chamorro Martínez. Director de la OTRI de la Universidad de Granada
Presentación de la ruta emprendedora http://otri.ugr.es/creaempresa/rutaemprendedora.asp

Razonamiento aproximado: Nuevas perspectivas en ideas básicas y su aplicación a la inteligencia artificial

Día Hora Lugar Imparte
06/02/2009 09:30 Salón de Actos de la ETSIIT
  Enrique H. Ruspini
SRI International
Menlo Park, CA. USA
Los métodos inferenciales clásicos permiten calcular el valor de verdad de ciertas expresiones lógicas a partir de información sobre el valor de verdad de expresiones lógicas relacionadas y la aplicación de ciertas reglas de procedimiento, Estas reglas deductivas formalizan procesos cognitivos fundamentales del pensamiento racional
Los métodos del razonamiento aproximado se asemejan a sus pares clásicos en su aplicación de procedimientos bien definidos para deducir el valor de verdad de ciertas expresiones a partir de información del valor de verdad de expresiones relacionadas. En el razonamiento aproximado, sin embargo, el concepto de verdad es calificado en varios respectos. Diferentes interpretaciones de la noción de verdad conducen a diferentes metodologías, ejemplificadas por los métodos probabilísticos y los métodos posibilísticos. En el pasado se ha considerado a menudo que los métodos del razonamiento aproximado no tienen el nivel de solidez conceptual de la lógica clásica. Resultados básicos han clarificado, sin embargo, la naturaleza de sus conceptos y reglas estableciendo definitivamente al razonamiento aproximado cómo una formalización sólida del razonamiento tradicional bajo ciertas reglas de interpretación de la noción de verdad.
Pese a tales avances al nivel conceptual existen todavía muchas áreas donde ciertos aspectos del razonamiento aproximado requieren mayor clarificación. En nuestra presentación recordaremos primero estructuras conceptuales que permiten interpretaciones coherentes de diferentes enfoques al razonamiento aproximado. Problemas metodológicos que aún requieren estudios adicionales—particularmente con respecto a las nociones de independencia, condicionamiento, y similaridad—serán discutidos en el contexto de aplicaciones a la inteligencia artificial, particularmente en las áreas de robótica, fusión de información, y descripción cualitativa de objetos. Esta conferencia ha sido financiada por la ayuda de movilidad de profesores visitantes MAS2008-00413 del Ministerio de Innovación y Ciencia.

Top 10 algorithms in data mining

Día Hora Lugar Imparte
06/02/2009 11:45 Salón de Actos de la ETSIIT
Xindong Wu
University of Vermont
USA
Esta charla presenta los mejores 10 algoritmos de minería de datos identificados en IEEE International Conference on Data Mining (ICDM) en diciembre de 2006: C4.5, k-Means, SVM, Apriori, EM, PageRank, AdaBoost, kNN, Naive Bayes, y CART. Estos 10 algoritmos se encuentran entre los algoritmos de minería de datos máa influyentes en la comunidad investigadora. Con cada algoritmo, mostramos una descripción del algoritmo, discutimos el impacto del algoritmo, y revisamos presentes y futuras investigaciones en el algoritmo. Estos 10 algoritmos cubren clasificación, agrupamiento, aprendizaje estadístico, análisis de asociaciones y minería de enlaces, encontrándose todos entre los temas más importantes en el desarrollo y aplicación de la minería de datos. Esta conferencia ha sido financiada por la ayuda de movilidad de profesores visitantes MAS2008-00413 del Ministerio de Innovación y Ciencia.

Web Mining or The Wisdom of the Crowds

Día Hora Lugar Imparte
05/02/2009 09:45 Salón de Actos de la ETSIIT
Ricardo Baeza-Yates
Yahoo! Research
Spain-Chile
La Web continúa creciendo y evolucionando muy rápido, cambiando nuestro día a día. Esta actividad representa el trabajo colectivo de los millones de instituciones y personas que aportan contenido a la Web así como de los mil millones de personas que la usan. En este océano de datos hiperenlazados hay información y conocimiento implícitos y explícitos. La minería Web es la tarea de analizar estos datos y extraer información y conocimiento para muy diversos propósitos. Los datos se presentan de tres modos distintos: contenido (texto, imágenes, etc.), estructura (hiperenlaces) y uso (navegación, consultas, etc.), implicando diferentes técnicas como minería de textos, de grafos o de bitácoras. Cada caso refleja la sabiduría de un grupo de personas que puede ser usada para mejorar la Web. Por ejemplo, etiquetas generadas por el usuario en los sitios Web 2.0. En esta charla recorreremos todo este proceso ofreciendo ejemplos concretos. Esta conferencia ha sido financiada por la ayuda de movilidad de profesores visitantes MAS2008-00413 del Ministerio de Innovación y Ciencia.

Collaborative and Knowledge-Oriented Fuzzy Clustering and Its Role in the Design of Fuzzy Models

Día Hora Lugar Imparte
05/02/2009 11:30 Salón de Actos de la ETSIIT
Witold Pedrycz
University of Alberta
Canada
El objetivo de esta charla es ofrecer una exhaustiva cobertura de los principios de diseño y prácticas de desarrollo de los modelos difusos. A pesar de la existente plétora de enfoques algorítmicos en el modelado difuso, los modelos difusos son inherentemente construcciones glanulares formadas por un grupo de conjuntos difusos (relaciones difusas). La calidad de los modelos difusos está directamente afectada por lo apropiado del diseño de los conjuntos difusos. A la luz de esta observación, el principal desafío del diseño es construir conjuntos difusos que reflejen por completo la estructura de los datos que serán capturados por el modelo difuso. El agrupamiento difuso juega un papel crucial en el desarrollo de los conjuntos difusos y por tanto es un vehículo esencial en la construcción de los modelos difusos.
En esta charla repasaremos cuidadosamente las propiedades del agrupamiento difuso, detallaremos las principales categorías de los algoritmos subyacentes y destacaremos sus principales virtudes y defectos. Una evaluación rigurosa del agrupamiento difuso desarrollada en el marco de los modelos difusos constituye un importante punto de vista que no está contemplado en las investigaciones. El agrupamiento difuso da lugar a construciones libres mientras que los modelos difusos se basan en entidades granulares fijas. Esta situación clama por un incremento del agrupamiento difuso genérico mediante una cuidadosa incorporación del conocimiento del dominio disponible en el entorno del modelado.
Hablaremos de una familia de agrupamientos difusos basados en contexto donde se captan algunos mecanismos de orientación al contexto provenientes de los gránulos de información formados en el espacio de las variables de salida. Tambié hablaremos de otros modos de incorporar conocimiento del dominio en las técnicas de agrupamiento existentes. Una clase importante de mejoras del agrupamiento difuso dentro del marco del modelado difuso se obtiene a partir de modelos difusos formados colaborativamente. Con éstos en mente desarrollamos una clase general de esquemas de agrupamiento difuso colaborativo.
La charla está autocontenida y aunque la audiencia puede beneficiarse de algún conocimiento previo de conjuntos difusos y modelado difuso, las bases esenciales serán presentadas en cierta medida. Esta conferencia ha sido financiada por la ayuda de movilidad de profesores visitantes MAS2008-00413 del Ministerio de Innovación y Ciencia.

PAC-Bayes Analysis of Generalisation

Día Hora Lugar Imparte
29/01/2009 10:30 Salón de Grados de la ETSIIT
John Shawe-Taylor
This approach to analysing the generalisation of a classifier will be reviewed with particular emphasis on its application to Support Vector Machines including the possibility of adapting the prior. More recent results applying to Gaussian Processes, Stochastic Differential Equations, and maximum entropy classifiers will be outlined. Esta conferencia ha sido financiada por la ayuda de movilidad de profesores visitantes MAS2008-00413 del Ministerio de Innovación y Ciencia.

Introduction to Statistical Learning Theory

Día Hora Lugar Imparte
28/01/2009 17:00 aula 1.8 de la ETSIIT
John Shawe-Taylor
The lectures will introduce the main motivation and results from Statistical Learning Theory. Learning with finite Vapnik Chervonenkis dimension classes will be assessed, before considering extensions to bounding the generalisation in terms of the margin of a classifier, the approach that motivates the Support Vector Machine. Esta conferencia ha sido financiada por la ayuda de movilidad de profesores visitantes MAS2008-00413 del Ministerio de Innovación y Ciencia.

Toma de Decisiones: Inteligencia Artificial aplicada a Sistemas Autónomos

Día Hora Lugar Imparte
20/11/2008 17:15 Salón de Grados de la ETSIIT
Javier García Pérez. Responsable del Área de Tecnologías de Apoyo a la Toma de Decisiones de Boeing Research & Technology Europe S.L. Ingeniero Aeronáutico y MBA por el Instituto de Empresa, Diplomado por Stanford en Análisis de Decisiones y Gestión del Riesgo. Víctor Pérez Villar. Responsable de proyectos relacionados con Computación Avanzada de Boeing Research & Technology Europe S.L. Experto en Sistemas Complejos (Análisis de Redes Sociales, Sistemas Auto-organizados). Licenciado en Ciencias Físicas (Física Aplicada), Doctorando en Ingeniería Aeronáutica.
Conferencia inaugural del curso 08/09 del Máster Soft Computing y Sistemas Inteligentes.
Máster: Soft Computing y Sistemas Inteligentes
Mapa Web
sugerencias
Dpto. Ciencias de la Computación e Inteligencia Artificial
E.T.S. Ingeniería Informática y de Telecomunicaciones
Universidad de Granada
 
¡CSS Válido!   Valid XHTML 1.1   AAA validation