Taller conjunto sobre Deep Learning y Ciencia de Datos CIMAT-INAOE

El Centro de Investigación en Matemáticas A.C. (CIMAT) y el Instituto Nacional de Astrofísica, Óptica y Electrónica (INAOE) invitan a investigadores y estudiantes al Taller conjunto sobre Deep Learning y Ciencia de Datos CIMAT-INAOE (DLDS 2019) que se llevará a cabo el 2 y 3 de octubre del 2019 en las instalaciones de CIMAT, Guanajuato, Gto. El evento contará con cursos impartidos por ponentes nacionales e internacionales. El evento está dirigido a estudiantes, investigadores y profesionales que desean mantenerse actualizados sobre los desarrollos recientes y las tendencias futuras. Dado que habrá una variedad de niveles, se puede asumir el conocimiento específico de algunos de los cursos.

INVESTIGADORES INVITADOS

Cursos magistrales:

Dr. Stephen J. Wright (University of Wisconsin)
Dr. Aaron Courville (University of Montreal)
Dr. Jonathan Huang (Google Al)

Ponencias

Dr. Carlos Alfonso Ruiz Guido (Escuela Bourbaki/Oxford University)
Dr. Juan Irving Vásquez Gómez (Instituto Politécnico Nacional)
Dr. Bogdan Raducanu (Universitat Autónoma de Barcelona)
Dr. Ángel Sánchez Calle (Universidad Rey Juan Carlos)
Dra. Aura Conci (Universidade Federal Fluminense)

Formato y envío de trabajos.

El evento recibirá trabajos siguiendo un formato por definir. Los trabajos enviados serán revisados por un comité que determinará la pertinencia de los trabajos. Los trabajos podrán aceptarse para presentarse como póster.

Si va a presentar un trabajo favor de llenar los datos correspondientes y subir en documento en el siguiente link.

Formato de las ponencias:

Se invita a la comunidad a someter resúmenes extendidos (2 a 4 páginas) en temas relacionados con el evento.

  • Se podrá someter en formato electrónico libre (.docx o .pdf) y debe incluir las secciones
    • Breve Introducción
    • Método Propuesto
    • Resultados
    • Conclusiones
    • Bibliografía
  • El idioma del resumen puede ser inglés o español.

Temas de Interés

a. Deep Learning: Redes Adversariales; Arquitecturas de las CNN; Autoencoders profundos; Métodos de inferencia eficientes; Métodos de entrenamiento eficientes; Modelos generativos; Optimización para Redes Profundas; Modelos predictivos; Redes recurrentes; Redes profundas supervisadas; Entornos virtuales; Técnicas de visualización de redes profundas.
b. Métodos probabilísticos: Teoría bayesiana y métodos no paramétricos; Inferencia; Procesos gaussianos; Modelos gráficos; Modelos jerárquicos; Modelos de variables latentes; MCMC; Inferencia variacional, Matrices aleatorias. Desigualdades de concentración.
c. Optimización: Optimización Combinatoria; Optimización convexa y no convexa.
d. Algorítmos: Clasificación; Agrupamiento; Filtrado colaborativo; Análisis de componentes; Estimación de densidad; Métodos de Kernel; Aprendizaje de métricas; Datos perdidos; Selección de modelos; Transferencia de aprendizaje; Reducción de la dimensionalidad no lineal; Regresión; Representación dispersa; Sensado comprimido; Métodos espectrales; Métodos estocásticos; Aprendizaje no supervisado.
e. Aplicaciones: Visión computacional; Segmentación de imagen; Denoising; Superresolución; Recuperación de información; Procesamiento de audio y voz; Procesamiento de lenguaje natural; Minería de Textos; Factorización de Matrices; Reconocimiento de actividades y eventos; análisis de gestos; bioinformática; Fotografía computacional; Ciencias sociales computacionales; Modelado y análisis de música; Detección de objetos; Reconocimiento de objetos; Privacidad y seguridad; Finanzas y Econometría; Sistemas de recomendación; Robótica; Procesamiento de señales; Separación de fuentes; Reconocimiento de voz; Análisis de texto; Análisis de series temporales; Seguimiento y movimiento en video; Análisis de video; Segmentación de video; Características visuales; Análisis e interpretación de la escena visual.

Comité Organizador

Oscar S Dalmau Cedeño (CIMAT, Coordinador)
Jean Bernard Hayet (CIMAT)
Víctor Pérez Abreu (CIMAT)
Hugo Jair Escalante (INAOE, CINVESTAV)