Overview
La modelización y predicción son conceptos presentes tanto en el desarrollo tecnológico como en gran parte de las disciplinas que componen el campo de las ciencias exactas y naturales, como así también las ciencias sociales y la economía. Clásicamente la estadística ha provisto a estas ciencias del arsenal necesario para el desarrollo de modelos, su prueba o validación, y la predicción o pronóstico de comportamientos.
No obstante en las dos últimas décadas hemos sido testigos de la explosión de nuevas herramientas, las que provienen de campos diversos e interdisciplinarios (biología, computación, ingeniería, matemática, física) como las redes neuronales y la lógica difusa, las que han probado su eficacia en la modelización y predicción de modelos, llegando a ser preferidas a la hora de su realización práctica o implementación.
Durante los últimos años, estas tecnologías han dejado de ser meramente un área de investigación científica para plasmarse en realizaciones tecnológicas presentes en numerosas aplicaciones (sistemas de control, predicción, reconocimiento de patrones). Su difusión ha sido tan amplia que se hallan en equipos del tipo doméstico al alcance del consumidor.
Como ejemplo de la expansión hallamos a los controladores del tipo “neuro-fuzzy” que se encuentran en equipos electrónicos de uso masivo (heladeras, lavarropas, equipos de video), los vehículos de conducción autónoma, los buscadores inteligentes de Internet, los modelos de predicción meteorológica, la publicidad contextual en las redes sociales, los traductores de idiomas, los reconocedores de rostros de Google Photos o Facebook, las recomendaciones de Netflix, los buscadores de imágenes de Google, la detección de fraude, entre muchísimas otras.
A partir de esta realidad, es que observamos la necesidad de incluir esta temática en la currícula de grado de las carreras de ingeniería.
Proponemos una asignatura que, a partir de dos ejes principales, brindará al alumno el conocimiento básico que le permita abordar realizaciones tecnológicas que los abarquen. Los temas principales son: lógica difusa y redes neuronales. Dos enfoques no clásicos en la modelización y predicción que se consideran de utilidad en campos diversos. Ejemplos de aplicaciones abarcan las áreas como:
- Reconocimiento de patrones: voz, imágenes, registros biomédicos, detección de fallas.
- Predicción de series temporales: demanda eléctrica, mercado financiero,
- Procesos de manufactura: modelización de plantas, pruebas no destructivas, sistemas de inspección .
- Finanzas: evaluación de riesgos, índices bursátiles.
- Telecomunicaciones: compresión de voz e imagen.
Competencias a adquirir con el curso
Las principales competencias que brindará esta asignatura pueden resumirse en los siguientes puntos:
- Conocer los fundamentos epistemológicos de la Inteligencia Computacional y Machine Learning.
- Diseñar aplicaciones con Lógica Difusa.
- Optimizar modelos o procesos con Algoritmos Genéticos.
- Aplicar algoritmos de Redes Neuronales Artificiales al reconocimiento de patrones y a la predicción de funciones.
- Analizar, debatir y evaluar el uso de las distintas tecnologías en aplicaciones de ingeniería.
- Comprender las nuevas aplicaciones.
Competencias adicionales
El alumno podrá manejar los conceptos contenidos en los siguientes sitios, entre muchos otros:
http://scikit-learn.org/stable/