El Seminari de l’IMM ha acollit una xarrada impartida per la professora Myladis Cogollo, de la Universitat de C\u00f2rdova (Col\u00f2mbia), dedicada a analitzar les relacions i possibilitats d’integraci\u00f3 entre l’estad\u00edstica i l’aprenentatge autom\u00e0tic en el context actual de la ci\u00e8ncia de dades.<\/p>\n\n\n\n
Durant la seua intervenci\u00f3, la professora Cogollo va explicar com, a pesar que les dos disciplines solen presentar-se com a enfocaments en compet\u00e8ncia a causa dels seus fonaments i metodologies, en realitat poden complementar-se de manera efica\u00e7. L’estad\u00edstica se centra tradicionalment en l’an\u00e0lisi de fen\u00f2mens a nivell poblacional mitjan\u00e7ant la recopilaci\u00f3 controlada de dades i l’\u00fas de models que permeten quantificar la incertesa. Per part seua, l’aprenentatge autom\u00e0tic posa l’\u00e8mfasi en el desenrotllament d’algorismes capa\u00e7os d’aprendre a partir de grans volums de dades complexes, encara que sovint amb models dif\u00edcils d’interpretar, coneguts com a \u201ccaixes negres\u201d.<\/p>\n\n\n\n
La xarrada no va plantejar una elecci\u00f3 entre l’un o l’altre enfocament, sin\u00f3 que va proposar estrat\u00e8gies d’integraci\u00f3 que aprofiten les fortaleses de les dos disciplines per a compensar les seues respectives limitacions. En particular, es van presentar tres l\u00ednies de treball principals.<\/p>\n\n\n\n
En primer lloc, es va exposar un enfocament de modelatge predictiu h\u00edbrid que combina an\u00e0lisi de s\u00e8ries temporals, selecci\u00f3 de variables basada en principis estad\u00edstics i xarxes neuronals artificials. En segon lloc, es va mostrar com l’optimitzaci\u00f3 metaheur\u00edstica pot emprar-se per a facilitar l’estimaci\u00f3 de par\u00e0metres en models estad\u00edstics complexos. Finalment, es va discutir l’adaptaci\u00f3 de m\u00e8todes de control estad\u00edstic de la qualitat a dades imprecises, utilitzant t\u00e8cniques d’aprenentatge autom\u00e0tic.<\/p>\n\n\n\n
La professora Cogollo va il\u00b7lustrar estes estrat\u00e8gies mitjan\u00e7ant aplicacions en epidemiologia, finances i ind\u00fastria, demostrant com la integraci\u00f3 de ferramentes estad\u00edstiques i d’aprenentatge autom\u00e0tic pot millorar la precisi\u00f3 dels pron\u00f2stics, a m\u00e9s de generar models d’aprenentatge autom\u00e0tic m\u00e9s interpretables i eficients des del punt de vista computacional.<\/p>\n\n\n\n
El seminari va suscitar l’inter\u00e9s d’investigadors i estudiants assistents, els qui van participar en un animat torn de preguntes al final de la sessi\u00f3, destacant la rellev\u00e0ncia dels enfocaments interdisciplinaris per a afrontar els reptes actuals de l’an\u00e0lisi de dades.<\/p>\n\n\n\nngg_shortcode_0_placeholder\n","protected":false},"excerpt":{"rendered":"