Próximo seminario. Análisis y optimización de redes sociales multiplex y Un Modelo Comparativo de Clustering para Aplicaciones Socioeconomicas Usando Errores Tipo I y Tipo II
20-lSe les invita al próximo seminario del Posgrado en Ciencias y Tecnologías de la Información (PCyTI)
Titulo de la ponencia: Análisis y optimización de redes sociales multiplex
Fecha: 25 de junio de 2020 a las 11:00 hrs
Zoom: https://uammx.zoom.us/my/pcyti (contraseña: semiPCyTI)
Presenta: Edwin Montes Orozco
Afiliación: Alumno del DCyTI
Asesores: Dr. Sergio Gerardo de los Cobos Silva y Dr. Román Anselmo Mora Gutiérrez (UAM-A)
Resumen:
En los últimos años, algunos tópicos como la influencia de los nodos, la robustez y la formación de comunidades en diversos modelos de redes, se han vuelto de interés en la comunidad de la ciencia de redes debido a que tienen diversas aplicaciones prácticas e interdisciplinares. En esta investigación, se abordan estas problemáticas mediante el uso, combinación y adaptación de métricas de redes complejas y técnicas de optimización para redes monoplex y multiplex de 2, 3 y 5 capas.
Titulo de la ponencia: Un Modelo Comparativo de Clustering para Aplicaciones Socioeconomicas Usando Errores Tipo I y Tipo II
Fecha: 25 de junio de 2020 a las 11:40 hrs
Zoom: https://uammx.zoom.us/my/pcyti (contraseña: semiPCyTI)
Presenta: Daniel Edahi Urueta Hinojosa
Afiliación: Alumno del DCyTI
Asesores: Dr. Pedro Lara Velázquez y Dr. Miguel Ángel Gutiérrez Andrade
Resumen:
Los sistemas de clasificación se utilizan para automatizar tareas repetitivas, para su implementación generalmente se sigue un enfoque supervisado, el cual se basa en el entrenamiento de un modelo utilizando ejemplos clasificados de una tarea; sin embargo, una desventaja de este enfoque es que se necesita una gran cantidad de muestras etiquetadas para construir un modelo y la tarea de etiquetado suele ser costosa y lenta, especialmente para aplicaciones críticas como el diagnóstico de enfermedades, porque es necesario consultar con expertos la posible clasificación que se debe dar a cada muestra específica. Existe otro enfoque basado en el aprendizaje no supervisado, donde no hay muestras etiquetadas, sino que los patrones se identifican utilizando el grado de similitud para determinar qué objetos pertenecen a una misma clase. Debido a que en este enfoque la tarea de etiquetado es eliminada, es posible construir modelos más rápidos, baratos y capaces de aplicarse en bases de datos más grandes. Por otro lado, para evaluar la calidad de un clasificador, el único parámetro a considerar suele ser la precisión, tratando a las predicciones incorrectas como si tuvieran la misma importancia cuando en realidad las consecuencias de diagnosticar un paciente sano como enfermo (Error Tipo I), que diagnosticar a un paciente enfermo como saludable (Error Tipo II) son diferentes. Es por eso, que dependiendo de la aplicación es preferible evitar cometer ciertos tipos de errores, aunque la precisión disminuya.
En este trabajo, se realiza una investigación sobre cuál es el mejor clasificador basado en técnicas de aprendizaje no supervisado que minimice el Error Tipo I o el Error Tipo II de acuerdo con el problema específico que se busca resolver, comparando su precisión y los errores obtenidos en instancias de negocios y pruebas de detección de salud.
Ultima actualización 10/07/2022 por pcyti