Concha Bielza, catedrática en la Universidad Politécnica de Madrid y especialista en aprendizaje automático y redes bayesianas, impartirá el primer Coloquio de Matemáticas Conjunto ICMAT-UAM-UC3M-UCM. Tendrá lugar el 1 de octubre a las 11:30 en el ICMAT y también se emitirá en streaming.
Concha Bielza / Imagen: UPM
El aprendizaje automático está revolucionando el mundo actual. Entre las diversas herramientas matemáticas empleadas en esta área están las llamadas redes bayesianas. Una de las grandes expertas en este tema es Concha Bielza, catedrática de la Universidad Politécnica de Madrid y ponente del primer Joint Mathematics Colloquium ICMAT-UAM-UC3M-UCM. Su charla, “Bayesian Networks and Temporal Data”, será impartida el próximo 1 de octubre a las 11:30. Tendrá lugar en el ICMAT, de manera presencial, y también será retransmitida a través de Zoom.“Las redes bayesianas son grafos dirigidos en los que cada vértice es una variable aleatoria y cada arista dirigida, una probabilidad condicionada entre la variable de la que parte (padre) y a la que llega (hija)”, explica José Ignacio Burgos, investigador del ICMAT-CSIC y uno de los organizadores de la serie de coloquios. “A través del aprendizaje de datos se establece la estructura y parámetros de la red”, continúa. El resultado es un modelo que permite inferir probabilidades y ayudar en la toma de decisiones en muy diversos contextos, como la medicina, la neurociencia, la biología, la bioinformática, la industria, la agricultura o, incluso, la predicción del precio del mercado eléctrico.
Si, además, se añade la dimensión temporal, se obtienen las conocidas como redes bayesianas dinámicas, que ayudan a modelar datos secuenciales o series temporales (es decir, que evolucionan con el tiempo). De este tipo de red hablará Bielza en su charla, en la que también dará a conocer casos concretos de su aplicación en la industria.
Con esta cita comienza una nueva modalidad de coloquio en colaboración entre el ICMAT y las tres universidades de las que forma parte (Autónoma, Complutense y Carlos III de Madrid); desaparecen, así, los anteriores Colloquium UAM-ICMAT y Colloquium ICMAT-UCM. Los coloquios serán una actividad itinerante que se celebrarán en las cuatro instituciones.
Concha Bielza
Concha Bielza es catedrática de Investigación estadística y Operaciones en el Departamento de Inteligencia Artificial de la Universidad Politécnica de Madrid (UPM) desde 2010. Licenciada en Ciencias Matemáticas por la Universidad Complutense de Madrid, se doctoró en Informática por la UPM en el año 1996, lo que le ha permitido tener una base teórica interdisciplinar que aplica a la toma de decisiones sobre problemas reales.
Bielza ha participado en trabajos de campos como la medicina, la neurociencia, la biología, la agricultura, la gestión de embalses o, incluso, la predicción del precio del mercado eléctrico. Un ejemplo concreto de ello ha sido su trabajo en el tratamiento de la ictericia neonatal. Participó en el desarrollo del sistema de ayuda a la decisión llamado IctNeo, gracias al cual, se ha conseguido disminuir el número de exanguinotransfusiones, un procedimiento de alto riesgo que se realiza a bebés.
Bielza ha publicado seis libros y más de 300 contribuciones científicas, algunas de las cuales han aparecido en las revistas más importantes del campo. Ha dirigido 18 tesis doctorales y entre sus premios destacan el UPM Research Prize, recibido en 2014, y el Research Award for Significant Contribution in the Field of Machine Learning (Amity University, India), que le fue otorgado en 2020.
Joint Mathematics Colloquium ICMAT-UAM-UC3M-UCM: “Bayesian Networks and Temporal Data”, Concha Bielza (UPM)
1 de octubre de 2021 – 11:30. Aula Azul (ICMAT) y online
Abstract: This talk will describe how Bayesian network models can cope with temporal data. After a brief introduction to Bayesian networks in static domains, discrete-time versions will be presented, which include temporal nodes Bayesian networks, dynamic Bayesian networks and the popular hidden Markov models. The more recent continuous time Bayesian networks and their supervised classification counterparts, both in uni- and multi-dimensional settings, will be explained. Real cases from industry will be used for illustration purposes.