El Seminario del IMM ha acogido una charla impartida por la profesora Myladis Cogollo, de la Universidad de C\u00f3rdoba (Colombia), dedicada a analizar las relaciones y posibilidades de integraci\u00f3n entre la estad\u00edstica y el aprendizaje autom\u00e1tico en el contexto actual de la ciencia de datos.<\/p>\n\n\n\n
Durante su intervenci\u00f3n, la profesora Cogollo explic\u00f3 c\u00f3mo, a pesar de que ambas disciplinas suelen presentarse como enfoques en competencia debido a sus fundamentos y metodolog\u00edas, en realidad pueden complementarse de forma eficaz. La estad\u00edstica se centra tradicionalmente en el an\u00e1lisis de fen\u00f3menos a nivel poblacional mediante la recopilaci\u00f3n controlada de datos y el uso de modelos que permiten cuantificar la incertidumbre. Por su parte, el aprendizaje autom\u00e1tico pone el \u00e9nfasis en el desarrollo de algoritmos capaces de aprender a partir de grandes vol\u00famenes de datos complejos, aunque a menudo con modelos dif\u00edciles de interpretar, conocidos como \u201ccajas negras\u201d.<\/p>\n\n\n\n
La charla no plante\u00f3 una elecci\u00f3n entre uno u otro enfoque, sino que propuso estrategias de integraci\u00f3n que aprovechan las fortalezas de ambas disciplinas para compensar sus respectivas limitaciones. En particular, se presentaron tres l\u00edneas de trabajo principales.<\/p>\n\n\n\n
En primer lugar, se expuso un enfoque de modelado predictivo h\u00edbrido que combina an\u00e1lisis de series temporales, selecci\u00f3n de variables basada en principios estad\u00edsticos y redes neuronales artificiales. En segundo lugar, se mostr\u00f3 c\u00f3mo la optimizaci\u00f3n metaheur\u00edstica puede emplearse para facilitar la estimaci\u00f3n de par\u00e1metros en modelos estad\u00edsticos complejos. Finalmente, se discuti\u00f3 la adaptaci\u00f3n de m\u00e9todos de control estad\u00edstico de la calidad a datos imprecisos, utilizando t\u00e9cnicas de aprendizaje autom\u00e1tico.<\/p>\n\n\n\n
La profesora Cogollo ilustr\u00f3 estas estrategias mediante aplicaciones en epidemiolog\u00eda, finanzas e industria, demostrando c\u00f3mo la integraci\u00f3n de herramientas estad\u00edsticas y de aprendizaje autom\u00e1tico puede mejorar la precisi\u00f3n de los pron\u00f3sticos, adem\u00e1s de generar modelos de aprendizaje autom\u00e1tico m\u00e1s interpretables y eficientes desde el punto de vista computacional.<\/p>\n\n\n\n
El seminario suscit\u00f3 el inter\u00e9s de investigadores y estudiantes asistentes, quienes participaron en un animado turno de preguntas al final de la sesi\u00f3n, destacando la relevancia de los enfoques interdisciplinarios para afrontar los retos actuales del an\u00e1lisis de datos.<\/p>\n\n\n\nngg_shortcode_0_placeholder\n","protected":false},"excerpt":{"rendered":"