El Seminario del IMM ha acogido una charla impartida por la profesora Myladis Cogollo, de la Universidad de Córdoba (Colombia), dedicada a analizar las relaciones y posibilidades de integración entre la estadística y el aprendizaje automático en el contexto actual de la ciencia de datos.
Durante su intervención, la profesora Cogollo explicó cómo, a pesar de que ambas disciplinas suelen presentarse como enfoques en competencia debido a sus fundamentos y metodologías, en realidad pueden complementarse de forma eficaz. La estadística se centra tradicionalmente en el análisis de fenómenos a nivel poblacional mediante la recopilación controlada de datos y el uso de modelos que permiten cuantificar la incertidumbre. Por su parte, el aprendizaje automático pone el énfasis en el desarrollo de algoritmos capaces de aprender a partir de grandes volúmenes de datos complejos, aunque a menudo con modelos difíciles de interpretar, conocidos como “cajas negras”.
La charla no planteó una elección entre uno u otro enfoque, sino que propuso estrategias de integración que aprovechan las fortalezas de ambas disciplinas para compensar sus respectivas limitaciones. En particular, se presentaron tres líneas de trabajo principales.
En primer lugar, se expuso un enfoque de modelado predictivo híbrido que combina análisis de series temporales, selección de variables basada en principios estadísticos y redes neuronales artificiales. En segundo lugar, se mostró cómo la optimización metaheurística puede emplearse para facilitar la estimación de parámetros en modelos estadísticos complejos. Finalmente, se discutió la adaptación de métodos de control estadístico de la calidad a datos imprecisos, utilizando técnicas de aprendizaje automático.
La profesora Cogollo ilustró estas estrategias mediante aplicaciones en epidemiología, finanzas e industria, demostrando cómo la integración de herramientas estadísticas y de aprendizaje automático puede mejorar la precisión de los pronósticos, además de generar modelos de aprendizaje automático más interpretables y eficientes desde el punto de vista computacional.
El seminario suscitó el interés de investigadores y estudiantes asistentes, quienes participaron en un animado turno de preguntas al final de la sesión, destacando la relevancia de los enfoques interdisciplinarios para afrontar los retos actuales del análisis de datos.
