Descripción de la Conferencia

Nombre de la Conferencia: Estrategias de aprendizaje profundo para clasificación de problemas de grano fino.

Fecha: 10 de Noviembre de 2023.

Hora: 12:00 a 13:00 hrs.

Lugar: Teatro Universitario

Conferencista:  Dr. Arturo Yee Rendón.

Registro: https://citis.fimaz.uas.edu.mx/registro/

Sesión sincrónica: Microsoft Teams https://bit.ly/citis2023tu

Breve descripción:                                                     

Un problema de clasificación de grano fino se caracteriza por su tendencia a mostrar similitudes significativas entre diferentes clases (inter-clases) y una notable variabilidad dentro de las mismas (intra-clase), lo que plantea un desafío significativo para la aplicación del aprendizaje profundo. Además, en la literatura se ha observado la escasez de conjuntos de datos lo suficientemente grandes para entrenar modelos de clasificación en esta tarea en particular. Esta limitación se convierte en un factor crítico que influye en la efectividad de los algoritmos de aprendizaje, especialmente debido al desbalance en la distribución de clases en el conjunto de datos. En este estudio, se exploran diversas estrategias de aprendizaje profundo diseñadas para abordar el problema de clasificación de grano fino en una situación en la que las clases no están balanceadas. Con este propósito, se considera la simplificación de los modelos como un enfoque, con el objetivo de reducir el elevado número de parámetros entrenables y, en consecuencia, disminuir el riesgo de sobreajuste en los modelos.

Dr. Arturo Yee Rendón.

Biografía:

Arturo Yee Rendón obtuvo su grado de Maestro y Doctor en Ciencias en Computación por parte del Centro de Investigación y de Estudios Avanzados del Instituto Politécnico Nacional (CINVESTAV-IPN), en el 2010 y 2015 respectivamente. El Dr. Yee es profesor e Investigador de la Facultad de Informática Culiacán de la Universidad Autónoma de Sinaloa. Además, es

  1. miembro del SISTEMA NACIONAL DE INVESTIGADORES (SNI) nivel 1 área de INGENIERÍA,
  2. miembro de la Academia Mexicana de Computación,
  3. miembro del CA consolidado “SISTEMA DE APOYO A LA TOMA DE DECISIONES UAS-CA-183”,
  4. profesor con PERFIL DESEABLE PRODEP por parte de la SEP,
  5. miembro de la Red Temática en Inteligencia Computacional Aplicada (RedICA) de CONACyT,
  6. miembro de la red temática de CONACyT en Sistemas y Redes de Próxima Generación de CONACyT, y es
  7. miembro del Sistema Sinaloense de Investigadores y Tecnólogos.

Ha publicado más de 27 artículos científicos en revistas (JCR), conferencias Internacionales y capítulos de libros, las cuales han generado más de 150 citas. Además, tiene una patente concedida por el Instituto Mexicano de Propiedad Intelectual (IMPI) y una patente en proceso por internacional ante World Intellectual Property Organization (WIPO.)

Sus líneas de investigación son Inteligencia Artificial, Teoría de Juegos, Algoritmos de optimización bio-inspirados, Aprendizaje de máquina tradicional y profundo.