Modalidad remota a través de Plataforma electrónica ZOOM

1

PLENARIA N° 614

Sexcentésima décima cuarta

Jueves 7 de enero de 2021

Modalidad remota a través de Plataforma electrónica ZOOM.

Horario de inicio: 15.07 horas. Horario de término: 17.53 horas.

Tabla

Excusas por inasistencia

Acta N° 611 de 10 de diciembre de 2020

Acta Nº 612 de 17 de diciembre de 2020

Cuentas de Comisiones

Cuenta de la Mesa

1. Continuidad Punto Plenaria Nº613. Declaración Senadoras Medina y Valencia.

Iniciativas de convivencia universitaria (60 minutos)

2. Propuesta de creación de Grado Académico de Magíster en Ciencia de Datos de la

Facultad de Ciencias Físicas y Matemáticas. Oficio de Rectoría N° 572 de 7 de

octubre de 2020. (40 minutos)

3. Presentación del Presupuesto del Senado Universitario para el período 2021. (50

minutos)

4. Varios o Incidentes. (10 minutos)

En modalidad remota a través de la plataforma electrónica ZOOM, el 07 de enero de 2021, a

las quince horas con siete minutos, con la dirección de la Senadora Verónica Figueroa

Huencho, en calidad de Presidenta subrogante, se inicia la Sexcentésima décima cuarta, que

corresponde a la sesión N°109 del Senado 2018 – 2022.

Asistencia

1. Allan Álvarez H.

2. Antonia Atria F.

3. Leonardo Basso S.

18. Sergio Lavandero G.

19. Matilde López M.

20. Rocío Medina U.

Documento emitido con Firma Electrónica Avanzada por la Universidad de Chile.La autenticidad puede ser verificada en:https://ceropapel.uchile.cl/validacion/600ad464097f61001c3bdbd4

2

4. María Soledad Berríos Del S.

5. Josiane Bonnefoy M.

6. Alejandra Bottinelli W.

7. Patricio Bustamante V.

8. Ricardo Camargo B.

9. Jaime Campos M.

10. Mauricio Domínguez M.

11. Verónica Figueroa H.

12. María Consuelo Fresno R.

13. Liliana Galdámez Z.

14. Jorge Gamonal A.

15. Gonzalo Gutiérrez G.

16. Luis Hinojosa O.

17. Silvia Lamadrid A.

21. Luis Montes R.

22. Miguel Morales S.

23. Jaime Ortega P.

24. Miguel O'Ryan G.

25. Carla Peñaloza P.

26. Luis Alberto Raggi S.

27. Gabino Reginato M.

28. Pedro Rojas V.

29. Rebeca Silva R.

30. Gloria Tralma G.

31. Francisca Valencia A.

32. Fernando Valenzuela L.

33. Ennio Vivaldi V.

Excusas por Inasistencia:

La Vicepresidenta presenta las excusas de los senadores y senadoras (4): Claudio Bonilla M.,

Daniel Burgos B., Carla Carrera G. y Javier Núñez E.

Actas N°s 611 y 612 de 10 de diciembre y 17 de diciembre, respectivamente.

La Vicepresidenta somete a consideración de los senadores las Actas Nºs 611 y 612 de 10 de

diciembre y 17 de diciembre, respectivamente.

Se informa que hubo observaciones por parte de la senadora Berríos y senador Reginato.

La senadora Berríos explica que su observación dice relación con el error de escritura en un

apellido.

El Senador Reginato señala que fue una corrección menor, como lo señaló la senadora

Berríos el error de escritura del apellido del Profesor Cooper por Tupper.

La Vicepresidenta da por aprobadas ambas actas con las observaciones y comentarios de los

senadores Berríos y Reginato y que fueron agregados al acta correspondiente.

Cuentas de Comisiones

1.- Comisión de Desarrollo Institucional

La senadora Silva informa que hoy no sesionaron, sin embargo, están trabajando en la fase

final de la revisión de las indicaciones de Rectoría referidas a la Defensoría de la Comunidad

Universitaria. Señala que se acordó tener una sesión extraordinaria los primeros días de la


3

próxima semana para compensar esta sesión y llegar con los plazos que han establecido. La

intención es ojalá que antes de finalizar enero presentar el informe al Plenario con las

indicaciones con el fin de tener pronto el documento terminado.

En segundo lugar, comenta que esta semana tuvo lugar el quinto foro, el penúltimo: Recrear

la Universidad Pública. Fue un foro que ha logrado cada vez más manifestar esta discusión

en torno a las proyectivas de la Universidad con temas tan relevantes y contingentes como lo

es la inter y transdisciplinariedad, el nuevo paradigma que se viene posicionando y viene para

quedarse, entre otras cosas que están disponibles en la página web para quienes no pudieron

asistir y quieran participar visitando lo que han sido los videos de los foros.

Agradece el apoyo del equipo de comunicaciones del Senado. Como queda el último foro

con el que se cierra este ciclo, la semana del 22 de enero, comenta que se hará este último

foro y la idea es llevar la síntesis de la síntesis que ha habido en cada una de las reflexiones,

debates y otros.

2.- Comisión de Docencia e Investigación

La Senadora Berríos informa que tuvieron una sesión con cuórum y fue invitado el Director

de Finanzas y Administración Patrimonial de la Universidad de Chile, señor Carlos Castro,

con quien sostuvieron una conversación respecto a que muchas veces el Senado Universitario

legisla y aprueba una política y no siempre después ésta se implementa, en parte, porque no

fue considerado el financiamiento. De cómo se debiera abordar esto, fue el tema central de

la conversación y algunas de las ideas que se señalaron fue:

Las políticas debieran consultar un informe financiero.

Considerar la realidad financiera de la Universidad.

La oportunidad y su implementación

Las fuentes de financiamiento son las mismas, lo que implica es incorporar una nueva

política.

Estructura o reglamento se debe encontrar la forma de financiarlo. Indica que existen

muchos programas que debieran ser evaluados si es necesario conservarlos o en caso de

decidir suspenderlos, se podría enfocar ese financiamiento hacia nuevos programas.

Cuando los recursos son escasos se debe priorizar.

Las fuentes de ingreso de la Universidad de Chile son la venta de servicios y los

overhead que se redujeron el año 2020.

Se tuvo que recurrir al 1% adicional de los overhead para equilibrar el Fondo General.

Las políticas son de responsabilidad del Senado Universitario, sin embargo, el problema

surge cuando se trata de instalar en la realidad, sin tener una consideración previa de los

costos de implementación.

Debiera existir un trabajo colaborativo entre la Vicerrectoría de Asuntos Económicos y

Gestión Institucional, VAEyGI, y el Senado que permita una evaluación de recursos y

plazos que garanticen que la política se pueda llevar adelante.


4

En varios, se acordaron las fechas de reuniones de la Comisión, además del 18 de marzo

donde será el lanzamiento del procedimiento de la Política de Investigación, Creación e

Innovación para la Universidad de Chile, con el propósito de darlo a conocer a toda la

Comunidad. La Vicepresidenta ya fue invitada para ese jueves 18 de marzo a las 12 horas.

La Vicepresidenta saluda al Rector-Presidente que acaba de unirse a la Sesión Plenaria.

3.- Comisión de Presupuesto y Gestión

El senador Gamonal señala que hoy sesionaron con cuórum y tienen dos trabajos al interior

de la Comisión: uno es de la subcomisión de Carrera Funcionaria que trabaja los lunes y el

viernes pasado definieron el fundamento y política del borrador de Carrera Funcionaria y el

próximo lunes está invitada la Vicerrectora de Asuntos Económicos y Gestión Institucional

para responder una pregunta que se le había hecho respecto a la caracterización de nuestros

funcionarios y funcionarias.

También informa que el lunes 28 de diciembre renunció a la Comisión el senador Javier

Núñez.

La sesión de la subcomisión Universidad-Empresa sesionó hoy y de la cantidad de

documentos entregados con el trabajo previo se han centrado de la revisión de 27 documentos

y han solicitado el mandato original del Plenario a la Comisión y el informe de 2015 al

Presidente de la Comisión y fue remitido hoy 07 de enero de 2021.

Comenta que hubo una reunión de la directiva de la Comisión el 24 de diciembre donde se

estableció en líneas generales el trabajo del presente año en la misma comisión.

Hoy como se aprobó en la sesión del 24 de diciembre se ha invitado para el mes de enero a

las unidades deficitarias para analizar su plan de contención y hoy les visitó el Decano de la

Facultad de Medicina, con su Director Económico y la Decana de Ciencias Forestales y

Conservación de la Naturaleza con su Director Económico y Vicedecano.

4.- Comisión de Estructura y Unidades Académicas

El senador Montes informa que hoy tuvieron una reunión con cuórum. La comisión estuvo

trabajando sobre la solicitud de Rectoría relacionada con el Reglamento de elecciones y

consultas y, en ese sentido, invitaron a Cecilia Coddou, Jefa de Gabinete de Prorrectoría y a

Francesca Aguilera como abogada de la misma unidad, para conversar sobre temas que dicen

relación con la conformación de los claustros electorales para las elecciones en la

Universidad y esto considerando que el Reglamento de Elecciones y Consultas que se les

pidió estudiar y modificar, debe permitir la elección de aquellos representantes que vendrán

a conformar los Consejos de Campus. Por esto mismo, el primer trabajo que hizo la comisión,

y que terminó en la sesión anterior, fue revisar el trabajo que se está haciendo sobre las

modificaciones al Reglamento de Campus para hacerlo del todo coherente respecto del

Reglamento de Elecciones y Consultas y, al mismo tiempo, empezar a estudiar las

modificaciones propuestas por Rectoría para permitir incorporar aquellas cosas que ellos han

ido modificando o propondrán modificar en el Plenario, sobre el Reglamento de Campus


5

vigente.

Plantea que la conversación de hoy fue muy interesante, porque les permitió comprender

ciertos temas que tienen que ver con la forma que se van construyendo los claustros

electorales; la manera en que se determinan ciertos principios que finalmente terminarán por

redundar en la manera en que se compondrán los claustros en la elección de los Consejos de

Campus. En ese aspecto, le parece que hay ciertas cosas que podrán resolverse a partir de la

solicitud de Rectoría y la observación de los artículos que les han solicitado estudiar, pero

seguramente quedarán algunos acápites que tendrán que ver en profundidad cómo resolver

posteriormente.

En lo que respecta al Reglamento de Campus, la comisión hoy determinó que habiendo

revisado en general el texto que han concluido hará llegar el informe a la brevedad. Recuerda

que se tuvo que retrasar el informe debido a la solicitud de Rectoría para poder revisarlo y

hacerlo del todo coherente y por ello, es que seguirán trabajando en el Reglamento de

elecciones y consultas a partir de la próxima sesión.

5.- Comisión de Género y Diversidades

La senadora Lamadrid informa que sesionaron con cuórum y tuvieron una reunión

productiva, porque era una reunión de trabajo con parte del equipo de la Dirección de Género

en que estuvieron acordándose las definiciones que son centrales para la elaboración de la

Política de Igualdad de Género. De partida acordaron aceptar el uso de concepto de igualdad

de género, pero van a trabajar en una definición muy precisa de qué entienden por tal igualdad

y para lo cual hay personas designadas y junto con esto tienen también una metodología para

avanzar en la elaboración de la Política y para su posterior discusión un cronograma de

trabajo, un calendario con carta Gantt que incluye hasta junio de 2021 donde se incluye el

periodo donde trabajarán en conjunto con la DIGEN como el período que se abre la discusión

a toda la comunidad universitaria. También acordaron dado que les interesa que la

convocatoria de la comunidad universitaria sea amplia solicitar al equipo de comunicaciones

del Senado y DIGEN para que elaboren un plan y estrategias de difusión de la construcción

de la Política.

Se acordó que en función de que haya este trabajo de la elaboración de los conceptos, no se

reunirán el próximo jueves, sino que se reunieran nuevamente con la dirección de género el

21 de enero y el 28 de enero hay reunión de la Comisión de Igualdad de la Universidad de

Chile que incluye a todas las Oficinas de Género, las diversas organizaciones vinculadas con

el tema, donde se estaría informando sobre el desarrollo del trabajo.

6.- Comisión de Bienestar y Salud Mental de la Comunidad Universitaria

La senadora Atria informa que se reunieron hace varias semanas por última vez, antes de las

fiestas de fin de año para revisar el tema de la encuesta para la propuesta de buenas prácticas

que espera hacer este Senado. Comenta que fue revisado por sicólogas que tienen vínculos

con integrantes de la comisión y para asegurarse que cumplían con los objetivos propuestos

y ahora están recopilando algunas opiniones de exsenadores para tener una visión a largo


6

plazo y no solo coyuntural de este Senado en particular, sino que cuáles son las cosas que

pueden replicarse o conductas que se hayan dado anteriormente. Manifiesta que esto se

terminará de ver en la próxima sesión el viernes y podrán tener más resuelto el día del envío

de este formulario para todos y todas los senadores y senadoras para concluir esta primera

fase de la propuesta de buenas prácticas y comenzar su redacción.

7.- Grupo de Trabajo sobre Reforma de Educación Superior

La senadora Bottinelli señala que hoy sesionaron con cuórum y cerraron el documento del

informe sobre el financiamiento universitario y, por lo tanto, solicitan la posibilidad de

exponer el informe a la Mesa del Senado con el fin de echar andar el proceso para exponerlo

en la Plenaria.

Espera que lo pudieran hacer este lunes 11 en la reunión de Mesa y si no, cuando lo

dispongan.

8.- Grupo Permanente sobre Materias Presupuestarias

La senadora Bonnefoy indica que el Grupo de Materias Presupuestarias no sesionó ayer, pero

sí el miércoles 30 de diciembre. En esa sesión se invitó al Decano de la Facultad de Medicina

con su equipo para informar sobre lo que han realizado en estos primeros meses después de

que la comisión presentara su informe.

El Decano informó que habían tenido reuniones con representantes con Asociación de

Académico Central, Medicina, FENAFUCh y con Académicos representantes de los

departamentos Clínicos, de los departamentos disciplinarios y del Hospital Clínico.

En segundo, lugar habían iniciado el diagnóstico de la situación de la Facultad que fue lo que

se presentó en la reunión. Indica que en lo personal ha estado en seis presentaciones de la

Facultad y esta no incluía información nueva, sino que era actualización de datos presentados

previamente respecto al modo en que se abordó el diagnóstico de la Facultad. Respecto a las

medidas se informó que son tres ámbitos:

1. Con respecto a las remuneraciones, dado lo anómalo del año 2020, se tomó como

referencia el valor nominal del total de remuneraciones a diciembre de 2019 que incorpora

el Índice de Reajuste del Sector Público, IRSP, que es el último año auditado. Se tomó

este total para fijar el monto que servirá de línea base para aplicar la mantención del gasto

total de remuneraciones.

2. Están abocados a la revisión de los criterios y procedimientos para la aplicación de

exenciones de aranceles de los programas de Pregrados, Postgrado y de los Títulos de

Especialista. Se propone ajustarse a la normativa general de la Universidad en relación de

aranceles, la exención de aranceles en un contexto de déficit estructural en particular que

tiene que estar adecuada las exenciones a la disponibilidad presupuestaria.

3. Se informó que se inició el estudio de las carreras impartidas en la Facultad, que son ocho

carreras de Pregrado.

La senadora Medina agregar que se envió el informe del Grupo de Trabajo de Materias

Presupuestarias de la Facultad de Odontología, que es el tercero después del informe de


7

medicina y artes.

Cuenta del Rector

El Rector informa que dentro de las cosas que han sucedido y digno de ser valorada, es que

hubo un trabajo tremendo de la Vicerrectoría de Asuntos Académicos y del Departamento de

Evaluación Medición y Registro Educacional, DEMRE, por sacar adelante la Prueba de

Transición Universitaria los días lunes 4 y martes 5 de enero, que califica como una cosa

heroica, cuestión que mencionó ayer en el Comité de Acceso del Ministerio de Educación,

que quedará en la historia de la Universidad y su condición de institución pública, que son

casi dos requisitos esenciales para hacer tareas que son casi imposibles, e indica que se alegra

de que todo esté bien y se hará de nuevo la prueba el 7 y 8 de enero. Manifiesta que, si hay

un mínimo de objetividad de juicio, la Universidad de Chile es capaz de hacer cosas fuera de

cualquier paradigma. Comenta que el año pasado, en un momento en que fracasó desde los

partidos de fútbol, que había que jugar una final de la Copa Libertadores sin público, hasta

la APEC, la Cumbre de Presidentes, todo eso no resultó y lo único que sí resultó fue lo más

vulnerable que era sacar adelante la Prueba de Selección Universitaria, PSU, del año pasado,

eso habla de una llegada y potenciación de la Universidad que es notable. Lo dice porque

sabe lo que significó para la Directora del DEMRE, Leonor Varas y la Vicerrectora de

Asuntos Académicos, profesora Rosa Devés.

Manifiesta que una noticia triste para la gente de su generación ha sido el fallecimiento de

Manuela Robles, que es un personaje que simboliza la valentía, el coraje. La familia pidió

que el velatorio y funeral representara a la Universidad de Chile, porque para ella era tan

importante su trayectoria y su paso por la Universidad, realmente en un periodo que algunos

recuerdan, se hacía ostentación arrogante de la mentira y el valor simbólico que tiene lo que

hizo una mujer con el coraje e inteligencia de Manuela Robles fue extraordinario desde la

Radio Cooperativa, que se ganó el corazón de nosotros por siempre. Reitera, son también

esas cosas que se deben valorar, donde la familia señaló que la periodista haya solicitado que

se hiciera en la Universidad y, por lo tanto, se hizo en el Teatro Nacional Antonio Varas y

fueron extraordinarios los testimonios que se dieron.

Indica que ha tenido una excelente recepción el comienzo de emisiones de televisión de la

Universidad de Chile. Plantea que han considerado con el grupo, que el tema de salud mental

que sea un tema para los inicios de las transmisiones como de interés público.

Por otra parte, indica que ha insistido mucho en la mesa Covid que hay un agotamiento con

el tema de la ciudadanía, cuestión que se ha observado en varios países y Chile no lo está

asumiendo con la magnitud que corresponde, un tema crítico con el agotamiento y las

posibilidades que la gente tenga de tener vacaciones y que entiendan lo que se puede y no se

puede hacer. Considera que de nuevo tendrán que retomar, como Universidad, un rol con el

tema de salud mental en estos días y es interesante pensar que la televisión puede servir como

una vía en la cual los expertos, lo mismo con los expertos en comunicaciones que han hecho

documentos muy centrales en el contexto de la mesa social, que puedan imponerse. Agrega

que se trata de un momento muy difícil, la vuelta a clases, las medidas técnicas de salud en


8

un país es que está muy enfrascado en el conflicto, de si esto ayuda o no, cuál es la intención

del gobierno, etc., cuesta mucho, y le parece que la Universidad es la instancia llamada a

decir que existe un conjunto de cosas que tiene que ver con la salud de la población, cómo

salir y enfrentar la pandemia. Manifiesta que se deben redoblar los esfuerzos para generar un

ambiente en el país que haga posible conversar razonablemente las medidas que se toman y

las consecuencias que ha tenido la pandemia.

Informa que hay un proyecto, seguramente el más grande en la historia de los proyectos que

ha ofrecido la Corporación de Fomento, CORFO, son 265 millones de dólares para los cuales

la Universidad de Chile lideró desde el comienzo una línea de acción la cual convocó al resto

del sistema universitario: la Universidad de Concepción, Universidad Católica, Universidad

de Antofagasta, porque estará centrada mucho en esa área geográfica, para un Instituto de

Energías Limpias que tiene una cantidad de implicancias enormes, por ejemplo, el lugar

donde pueden estar situados los grandes procesadores de textos. El procesamiento de textos

requiere que las redes neurales estén permanentemente regenerando los ponderadores de toda

la red neuronal y eso implica un trabajo y consumo energético enorme, por lo cual es muy

posible que, para el mundo, eso solo tenga sentido ponerlo al lado de una fuente de energía

como las que pueden generar y es el tema del proyecto en el norte. Muchos de ustedes están

más autorizados para exponer lo que significa el Instituto de Tecnologías Limpias para el

futuro y la inserción del país en el mundo.

Señala que en esta cuenta que está dando quiere dejar en claro que, si algo no hay un

resentimiento de por qué perdimos nosotros y por qué se lo dieron a otro, aquí lo que hay es

pensar que es uno de los temas políticos y más importantes para el futuro de Chile que tiene

que ver con la matriz productiva. Expresa que ha vinculado permanentemente la

preocupación por el cambio de matriz productiva, que es el cambio de la sociedad chilena,

es algo central en lo que será la sociedad chilena del futuro y cómo se inserta en el mundo lo

cual tiene que ver con el esfuerzo por rebajarle los presupuestos a las Universidades, con las

rebajas a las cuales se sometió el Ministerio de Ciencias y Tecnologías, la ANID, etc.

En resumen, este proyecto de 265 millones de dólares, donde prácticamente estaba casi todo

el Consejo de Rectores de las Universidades Chilenas, CRUCh, que tenía que ver con el tema,

comenta que lo lideraron y fue muy especial para la Universidad de Antofagasta y para los

empresarios industriales de la región. Las primeras evaluaciones eran muy favorables y saben

de los evaluadores internacionales que optaron por el proyecto de la Universidad, pero

habiendo dicho eso, comenzaron a tener alarmas, porque de pronto se introdujeron cláusulas

que colocaban ciertos contextos que tenían que ver con un grupo de Universidades

norteamericanas. Es como decir que de repente haya un concurso y se coloca dentro de las

normativas, que debe regirse por la plataforma computacional que ideó la Universidad de

Chile o la Universidad Católica, cualquiera que ve eso no puede dejar de reconocer en eso

que se mete subrepticiamente un esfuerzo por favorecer a la Universidad en cuestión.

Entonces, algo de eso se hizo, y comenzó a surgir cierta extrañeza, pero para ser sincero si

se hubiera conversado con cualquier persona nadie habría podido soñar que como estaban

dadas las cosas y cómo estaban expuesto esto, podría no ganar la propuesta liderada por la


9

Universidad de Chile y en el conjunto de las Universidades del CRUCh.

En la prensa apareció que no llegó ninguno de los miembros titulares, ningún Ministro, se

dijo que era porque tenían conflictos de interés, en tal sentido, cuesta imaginar por qué fue

solo gente de segunda línea y las propuestas no fueron llamadas a hacer una presentación, si

sabían lo que había dicho los árbitros internacionales y se produjo la adjudicación al otro

proponente.

Informa sobre algunas cosas llevadas sobre las líneas de acción ya ejecutadas. Tuvieron una

cantidad de conversaciones de inmediato con senadores y parlamentarios que reaccionaron

muy rápidamente: Yasna Provoste que es de la zona de Atacama, parlamentarios de

Antofagasta, Guido Girardi por la Comisión Futuro y ellos están en una posición muy fuerte

y clara, se hizo un punto de prensa. Señala que aquí se perfilan tres protagonistas, las

Universidades, los autores del proyecto y los parlamentarios que están preocupados por el

tema. En concreto, el Senado de la República va a convocar una sesión especial en sala para

tratar el tema, la Cámara de Diputados va a generar una comisión investigadora sobre lo que

está pasando y habrá un punto de prensa el lunes con parlamentarios y rectores. Ha habido

una coordinación de estrategias con todas las Universidades involucradas en la propuesta

inicial, se está conformando un equipo jurídico en que están todas las Universidades para ver

las estrategias legales. Manifiesta que lo llamó el Vicepresidente de CORFO y tuvieron una

reunión muy franca, cordial y respetuoso. Indica que le dejó muy claro a él, que no podían

aceptarlo por las implicancias que tenía. Reitera que esta no es la reacción de alguien que por

haberlo perdido queda molesto, no, esto es algo donde está en juego temas demasiado

cruciales para el país.

Indica que aparece impresionante la instancia llamada Associated Universities, Inc (AUI)

que se creó hace varias décadas y en la cual efectivamente la crearon las principales

Universidades del EE.UU., pero ha tenido una relación autónoma y se dedica a otras cosas

como cuestiones inmobiliarias en el mundo. Como la integran Universidades de mucho

prestigio como Harvard, Cornell, etc., puede disfrutar de lo que significa ese prestigio, pero

su impresión es que no es hoy una asociación en la cual se comprometan con su gestión, en

otras palabras, como se dice la AUI en la cual está Harvard, Cornell, diría en lo personal que

en Harvard nadie sabe de este proyecto ni está metida la Universidad en nada de este tipo,

sino que esta asociación que tiene sede en Washington y que hace sus cosas que tienen que

ver con lo inmobiliario, esto es para que tampoco se dejen impresionar por estos nombres de

Universidades de primera línea norteamericanas que estarían desplazándolos a ellos. Cree

que no necesita ahondar en lo que esto impacta a la voluntad que hay de desarrollar las

Universidades en Chile, si se juntan con otras medidas que habían visto es casi una

presentación para el futuro de Chile, siguiendo por la misma línea de haber desmantelado el

Centro de Vacunas confiando que podrían comprarlas más baratas en el extranjero y eso les

afecta directamente, porque tiene que ver con la política de ciencias y tecnologías y con la

importancia que se le da al desarrollo de la capacidad intelectual y cognitiva desde las

Universidades, además de ser de vital importancia para el país, es escapar de un simbolismo

respecto a qué representa para Chile su propio sistema universitario de tecnologías y de


10

ciencias.

La Vicepresidenta agradece al Rector y de hecho se tratará este punto en la Plenaria que les

preocupa enormemente por el rol de la Universidad y las implicancias que señalaba y cree

que habla también por el Senado que obviamente están a disposición para ver cómo

colaborar, apoyar las distintas instancias que se están llevando adelante.

La Vicepresidenta ofrece la palabra solicitando a los senadores que sean intervenciones

breves debido a que se encuentran los invitados para el punto uno de la tabla y quedan algunas

cuentas de comisiones.

El senador Hinojosa respecto al último punto que comenta el Rector, señala que hay un

problema que es político y está de acuerdo con lo expresado por la Academia de Ciencias, la

Universidad, la Facultad de Ciencias Físicas y Matemáticas, y comenta que acaba de leer una

declaración de las Sociedades Geológicas de Chile, en el sentido de que se trata de un

problema político de desarrollo, desde una mirada de la Nación hacia poder financiar y

desarrollar ciencias en el país de forma autónoma. En ese sentido, respalda las iniciativas de

reclamo que se están haciendo a nivel universitario como de sociedades, sin embargo, desde

el punto de vista técnico, de las formas en que se realizó, no está seguro de tener algún punto

de reclamo. Solicita que revisen lo de las bases, porque generalmente puede caer en la

Universidad la idea de aparecer y no ir al punto final que es un problema político, donde no

es posible que Chile esté financiando una Universidad del extranjero y no esté financiando

el desarrollo local para el desarrollo del país.

El senador Basso expresa que su posición está alineada con la del Rector y que cuenta con

su apoyo. Lo segundo y como lo dice el senador Hinojosa esto tiene dos aristas: una arista

técnica y otra política y en las dos las cosas están mal. Pregunta al Rector si puede contarles

sobre la conversación franca que tuvo con el Vicepresidente de CORFO respecto a cuál es la

explicación para haberse saltado la evaluación técnica, más allá de la evaluación política

respecto del modelo de desarrollo de algo tan relevante.

El Rector responde que el esfuerzo del Vicepresidente de CORFO iba por la línea de que

estaban muy receptivos a todas las críticas y las tendrán presentes y le respondió que las

críticas de ellos no eran para la próxima vez, sino que era precisamente, porque consideraban

que las formas en cómo se había dado todo era inaceptable. Compartiendo lo que señala el

senador Hinojosa, el equipo de abogados de la Universidad lo que están viendo son las faltas

que hubo en el procesamiento, por ejemplo, que nunca fueron invitados a exponer ante la

comisión nacional antes de que hiciera un veredicto. La presencia real que tienen las

Universidades a través de la Associated Universities, Inc (AUI), no cree que sean tan

intachables como podría alguien sospechar sobre el procedimiento que se siguió, considera

que los abogados pueden encontrar objeciones no quiere anticipar nada, pero recuerda que


11

cuando salió esto que generó tanta sorpresa en torno a esto de darle las bases de datos

astronómicas a Amazon, eso al final terminó provocando un pronunciamiento de la

Contraloría General de la República, no son comparables las dos situaciones, pero que hay

por lo menos una voluntad de ver tanto la arista política como técnica del procesamiento en

sí.

Algo que expresaron ambos senadores universitarios, lo reafirma y cree que fueron muy

claros y es tan simple como imaginar a Chile en 20 años más y una posibilidad es pensar en

el país extractivista que vive de sus riquezas básicas y el agro y que reciben los 20 millones

al unísono y en voz alta para que no les pase lo mismo que sucedió con el salitre y el cobre y

ese es un modelo de país con una estructura social determinada, con determinados grupos

hegemónicos en la sociedad, política y economía que tiene una forma de relacionarse con el

resto del mundo. Un país distinto es uno que desarrolla su tecnología, se hace cargo de su

potencialidad, no solo en astronomía, sino que en temas de energía en el norte y ese es otro

país que tiene otros niveles de empleo, otro uso de la automatización, otra incorporación de

la inteligencia artificial y otro rol para las Universidades. Están estos dos futuros posibles y

ese es realmente el tema que está en juego y hace que se reaccione como se está haciendo.

Invita al Senado a tenerlo presente en sus conversaciones, que está en la línea de las

intervenciones de los senadores Hinojosa y Basso.

El senador Gamonal dice tener una inquietud y que va en la línea de lo planteado por los

senadores Basso e Hinojosa, de que no es sorprendente que un gobierno de derecha tome esta

decisión, políticamente tienen pocas posibilidades de cambiarla. Le pregunta al Rector si ha

tenido posibilidades de algún reclamo a la Contraloría General de la República, o un recurso

de protección en los Tribunales de Justicia, porque si no se han cumplido las normativas del

concurso para la licitación, pedir que se declare desierta, porque por el camino político no

irán muy bien.

El Rector responde que el espíritu de la Universidad y lo que les corresponde es pedir

conversar y un intercambio público ante la opinión pública y eso muchas veces ha tenido

resultados, el tema de las Universidades lograron hacer un impacto en la opinión pública que

estaba muy condicionada por el reconocimiento que hay en la población chilena de lo que

hicieron las Universidades durante la pandemia, todas condicionaron a algo que llevó a un

cambio en la parte presupuestaria de las Universidades. En otras instancias les ha ido mejor,

como en el Hospital, que lograron desde un punto de vista financiero y más importante, una

nueva ley para el Hospital donde incorpora un sentido público, lo cual fue transversal y todos

los sectores políticos convergieron. La palabra no es en absoluto negociación ni debate, sino

que conversación, invitar a conversar en los términos que han sido planteados, si logran una

conversación llegarán a revertirlo, porque la responsabilidad y el impacto para el país es

incalculable.

El Rector terina su intervención y cuenta y procede a abandonar el sitio debido a


12

compromisos de su cargo.

Cuenta de la Mesa

La Presidenta subrogante informa que se reunieron como Comité de Coordinación

Institucional, CCI, en dos oportunidades, con el Comité de Coordinación Institucional

ampliado el 28 de diciembre para revisar y avanzar en los resultados de los cabildos en la

participación y uso de la información; el 23 de diciembre, se reunieron con el Comité de

Coordinación Institucional, CCI, original para tratar la ley de Universidades estatales para

conocer el procedimiento con el cual van a avanzar de acuerdo con lo informado por la

Dirección Jurídica de la Rectoría.

El 08 de junio es el plazo para enviar la Propuesta de Mecanismo de Corresponsabilidad del

Estado y, en ese sentido, se pone un calendario bien restringido y lo que se planteó fue que a

fines de abril e inicio de mayo debería presentarse este mecanismo para ser aprobado por el

Senado Universitario. Por lo tanto, en enero se va a trabajar en conjunto con las dos

direcciones jurídicas de cuáles serían las propuestas de mecanismos. Recuerda que esto es

para la Corresponsabilidad y Participación del Estado en el presupuesto y PDI. Indica que se

citará la semana del 18 de enero al Comité de Coordinación Institucional de manera de

discutir el tema y también se les estará informando de que debe haber un proceso participativo

de la comunidad respecto a este punto.

Comenta que el 23 de diciembre se envió a la Rectoría las modificaciones al Reglamento de

Remuneraciones del personal que fue aprobado por la sesión Plenaria y el 30 de diciembre

la Contraloría General de la República tomó razón, pero lo cursó con un alcance. Este alcance

es que, en uno de los artículos transitorios, en una de las fechas que están contenidas en la

tabla de entrada en vigencia del Reglamento hay un error. Entiende que subsanar ese error

no requiere que nuevamente el Reglamento pase por la aprobación del Senado Universitario,

sino que más bien con una corrección administrativa que se podría hacer directamente desde

la Rectoría, pero ya está aprobado y entra en vigencia en enero de 2022.

Informa que, a solicitud del equipo de comunicaciones, que el Foro Hablamos TodUs se va

a realizar el próximo martes 12 de enero a las 11 horas. Están invitados Stephania

Passalacqua, Infectóloga del Hospital Base de Osorno y que integra el Consejo Asesor

Científico de Vacunas COVID19 y junto a ella el senador Miguel O’Ryan quien también

forma parte de este consejo asesor. Les invita a todos y todas que puedan participar o seguirlo

a través del Facebook.

Puntos de Tabla

La Presidenta subrogante somete a consideración de la Plenaria los tiempos asignados para

cada uno de los puntos de tabla. Hubo consenso en aprobar los puntos de tabla y los tiempos

asignados.


13

1. Continuidad Punto Plenaria Nº613. Declaración Senadoras Medina y Valencia.

Iniciativas de convivencia universitaria (60 minutos)

La Presidenta subrogante señala que este punto es la continuidad de la Plenaria Nº613,

respecto a la Declaración propuesta por la senadora Medina y Valencia. Como antecedentes

señala que en el punto varios de la sesión anterior las senadoras Medina y Valencia

presentaron una declaración para el pronunciamiento del Senado Universitario. La Plenaria

del Senado Universitario solicitó que éste fuera tratado en la Plenaria siguiente y que se

presentaran más antecedentes y, en función de aquello y por recomendación del Rector-

Presidente, se invitó a la Vicerrectora de Asuntos Académicos, profesora Rosa Devés y al

Director del Instituto de Asuntos Públicos, profesor Hugo Frühling, de manera de tener más

antecedentes respecto de este hecho en particular.

Manifiesta que como fue tratado en el punto varios de la sesión anterior, considerando el

delicado carácter que tiene el tema y la publicidad que han tenido estos hechos que se

comentan en la declaración, que hay una afectación de la vida privada de las y los

involucrados, como Mesa se propone a la Plenaria que el tema se trate como reservado de

acuerdo con el artículo 16 del Reglamento Interno del Senado Universitario. Para ello, para

tratarlo con carácter de reservado se debe votar un acuerdo.

La Presidenta subrogante somete a votación el siguiente acuerdo: De acuerdo con el artículo

16 del Reglamento Interno del SU, la Plenaria del Senado Universitario acuerda aprobar la

propuesta de la Mesa de otorgar carácter reservado al punto de tabla denominado

“Continuidad Punto Plenaria Nº613. Declaración Senadoras Medina y Valencia. Iniciativas

de convivencia universitaria”. Las alternativas son 1: Apruebo; 2: Rechazo y 3: Abstención.

Efectuada la votación, las senadoras y los senadores Basso, Berríos, Bonnefoy, Bustamante,

Campos, Domínguez, Figueroa, Fresno, Galdámez, Gamonal, Hinojosa, Lamadrid, López,

Medina, Montes, Morales, Ortega, O'Ryan, Raggi, Rojas, Tralma y Valenzuela votan por la

alternativa 1 (total 22). El senador Camargo y Lavandero vota por la alternativa 2 (total 2). Se

abstienen los senadores Álvarez y Bottinelli (total 2).

ACUERDO SU N°001/2020

De acuerdo con el artículo 16 del Reglamento Interno del SU, la Plenaria del Senado

Universitario acuerda aprobar la propuesta de la Mesa de otorgar carácter reservado al punto

de tabla denominado “Continuidad Punto Plenaria Nº613. Declaración Senadoras Medina y

Valencia. Iniciativas de convivencia universitaria”.

La Presidenta subrogante somete a votación el siguiente acuerdo: La Plenaria del Senado

Universitario acuerda el despacho inmediato de la propuesta de declaración de las Senadoras


14

Medina y Valencia, sobre los hechos sucedidos en el Instituto de Asunto Públicos durante el

mes de diciembre de 2020, presentada en el punto varios de la Plenaria N°613.

Las alternativas son 1: Apruebo; 2: Rechazo y 3: Abstención.

Efectuada la votación, las senadoras y los senadores Atria, Bottinelli, Bustamante,

Domínguez, Medina, Morales, Raggi, Reginato, Rojas, Tralma y Valencia votan por la

alternativa 1 (total 11). Los senadores Basso, Berríos, Bonnefoy, Camargo, Figueroa, Fresno,

Galdámez, Gamonal, Hinojosa, Lamadrid, Lavandero, López, O'Ryan y Valenzuela votan por

la alternativa 2 (total 14). Nadie se abstuvo.

Acuerdo SU N°002/2021

La Plenaria del Senado Universitario acuerda enviar a la Comisión de Docencia e

Investigación la propuesta de declaración de las Senadora Medina y Valencia, sobre los

hechos sucedidos en el Instituto de Asunto Públicos durante el mes de diciembre de 2020,

presentada en el punto varios de la Plenaria N°613, para que informe sobre esta y presente a

la Plenaria propuestas de convivencia universitaria relacionadas, en caso de creerlo pertinente.

El plazo para la entrega del informe y propuestas será el 18 de enero de 2021.

Se indica que, de acuerdo con el rechazo, la propuesta debe ser enviada a la Comisión de

Docencia e Investigación.

La senadora Berríos consulta si existe la posibilidad que participen las senadoras que

propusieron la declaración.

La senadora Galdámez consulta si se requiere fijar el mandato o se trata de un mandato

amplio.

El abogado De la Maza indica que sería bueno fijarlo y que, normalmente, el mandato tipo

es para que informe en general respecto de la Declaración. Agrega que si se deja abierta la

opción de que la Comisión presente propuesta, ésta debe ser en el contexto de acuerdo con

la discusión como se ha dado en esta plenaria, y sería adecuado y se pueda integrar la

redacción posteriormente.

La Presidenta subrogante plantea que para explicitar y señalar lo que indica la senadora

Galdámez, al menos en cuanto al espíritu de que se enviara a la Comisión de Docencia e

Investigación, es revisar la declaración y ver si es esa estrategia y/u otras, las que puedan ser

pertinentes para este caso, por lo que pueden surgir otras propuestas iguales o diferentes a la

declaración.


15

La Senadora Fresno consulta por la fecha límite.

La Presidenta subrogante señala que la senadora Berríos como Presidenta de la Comisión de

Docencia e Investigación debiera poner la fecha.

La senadora Berríos plantea que están en enero y considerando que la senadora Galdámez

que fue la de mayores innovaciones en la propuesta, pide que le ayuden con la fecha.

La Presidenta subrogante responde que el informe podría llegar a la Mesa el Lunes 11 o 18

de enero.

La senadora Galdámez indica que pensaría como fecha el 18 de enero y en la próxima sesión

evaluar si es necesario una sesión ad-hoc para ver sólo este tema.

La Presidenta subrogante señala que se presentaría a la mesa el 18 de enero para presentarla

en la Plenaria el 21 de enero. Cualquier eventualidad solicita a la senadora Berríos le escribe

a la Mesa y se ve el cambio de plazo.

La Presidenta subrogante cierra el punto.

2. Propuesta de creación de Grado Académico de Magíster en Ciencia de Datos de la

Facultad de Ciencias Físicas y Matemáticas. Oficio de Rectoría N° 572 de 7 de

octubre de 2020. (40 minutos)

La Presidenta subrogante ofrece la palabra a la senadora Berríos para que entregue los

antecedentes de este punto.

La senadora Berríos saluda la Directora del Departamento de Postgrado y Postítulo de la

Universidad de Chile, profesora Alicia Salomone, quien confirmó su asistencia; el Director

de la Escuela de Postgrado de la Facultad de Ciencias Físicas y Matemáticas, el profesor

Gabriel Easton y el coordinador del programa que se presenta el profesor Felipe Tobar.

La senadora Berríos indica que el programa que se presenta es el mérito del trabajo de un

conjunto de académicos, en este caso de distintos departamentos de la Facultad de Ciencias

Físicas y Matemáticas. La presentación corresponde al informe que la Comisión de Docencia

e Investigación realiza respecto al nuevo programa de Magíster en Ciencia de Datos.

Se inicia la presentación.


16

Introducción

Los principales factores que fundamentan la creación del Programa de Magíster en Ciencia

de Datos son:

El análisis de datos permite entender, mejorar y avanzar en distintas disciplinas tanto

en la academia como en los sectores públicos y privados.

Existe un aumento sistemático en la generación de datos en áreas como salud,

transporte, seguridad social, astro informático, minería, geología, finanzas y

ciberseguridad, etc.

Mientras más datos se recolecten, más información relevante se puede extraer de

ellos; este concepto impacta directamente en una infinidad de áreas de aplicación.

Esta disponibilidad de datos, complementada con las capacidades desde las

matemáticas, ingenierías y ciencias de la computación, representan un cambio de

paradigma en la forma que se hace ciencia y cómo ésta se transfiere a la industria y

al sector público.

La gestión, análisis e interpretación adecuada de los datos, convierte a la ciencia de

datos en un activo central para el desarrollo de la economía y la sociedad de forma

integral.

Actualmente es común encontrar unidades o grupos de “ciencia de datos”,

“inteligencia artificial”, “inteligencia empresarial”, o simplemente “analítica” en

diversas instituciones.


17

La automatización del procesamiento de datos en organismos públicos permite

caracterizar de mejor manera las necesidades de la población y con ello diseñar

políticas acordes a los requerimientos reales y actuales de la ciudadanía

La ética y los aspectos legales deben estar presente en el ciclo de vida del análisis de

datos, con el fin de asegurar la privacidad de los datos y el correcto uso de la

información extraída de éstos.

En general, tanto en los sectores privados, públicos o académicos, es claro que en la

medida que existan más datos, más actores debieran incorporar su análisis de forma

sistemática, considerando su uso como parte de un alfabetismo tecnológico necesario

para el funcionamiento de las instituciones modernas.

Oferta Nacional

Magíster en Tecnologías de la Información, Universidad Santa María (USM)

especializado con las tecnologías de la información.

Magíster en Procesamiento y Gestión de la Información (PUC),

especialistas en generar y usar amplios volúmenes de información cada vez más digitalizada

Magíster en Data Science (UAI)

desarrolla competencias para abordar problemas complejos mediante explotación de los

datos y así descubrir oportunidades de negocio

Diplomado en Inteligencia de Clientes y Data Mining (FEN UCHILE)

potencia la gestión comercial de una organización a través de investigación social como de

Data Mining; Big Data y Marketing Digital.

Objetivo

El objetivo del programa de Magíster en Ciencia de Datos es:

formar profesionales con una preparación rigurosa en las herramientas de las matemáticas,

computación e ingeniería, necesarias para realizar proyectos de ciencia de datos de principio

a fin, en planos teóricos y aplicados, generando valor en distintos sectores del conocimiento

en pos del desarrollo económico y social del país.

Perfil de egreso

El(la) graduado(a) del Magíster en Ciencia de Datos tendrá una formación académica sólida

en los fundamentos y prácticas de la ciencia de datos, lo que incluye conocimientos teóricos

y metodológicos, dominio de métodos avanzados para contribuir de forma innovadora y

creativa al desarrollo de proyectos de análisis de datos, como también implementar

soluciones desde el punto de vista de computación científica y transmitir efectivamente sus

resultados. Todo esto con el fin último de extraer información valiosa de datos en diversos

formatos para la creación de valor o nuevo conocimiento en distintas disciplinas.


18

Perfil de egreso. Competencias específicas

Tendrá fundamentos matemáticos avanzados en estadística, probabilidades, optimización,

teoría de la información y bases de datos.

-Dominará las herramientas de aprendizaje de máquinas que les permitirá analizar y procesar

bases de datos de diversos volumen y formato, donde deberá evaluar las ventajas

comparativas que representan unas y otras en aplicaciones específicas.

-Podrá abordar y resolver problemas de frontera en ciencia de datos desde el modelamiento

matemático, pasando por el estudio y evaluación de herramientas, el diseño de nuevos

algoritmos y métodos.

-Será capaz de revisar literatura y actualizar sus conocimientos en ciencias de datos de

manera autónoma, lo que es fundamental para esta disciplina que se encuentra en constante

evolución.

-Dominará herramientas para presentar y comunicar efectivamente el valor extraído sobre

los datos, haciendo uso de técnicas como la visualización de datos y el desarrollo de

aplicaciones interactivas.

-Podrá trabajar de forma colaborativa en grupos de trabajo y proyectos de ciencias de los

datos en un contexto interdisciplinario, como también de forma autónoma e independiente

en caso de que el contexto lo amerite.

El egresado(a) podrá actuar de manera responsable y honesta, dando cuenta en forma crítica

de sus propias acciones y sus consecuencias, en el marco del respeto hacia la dignidad de las

personas y el cuidado del medio social, cultural y natural.

Consistencia con el PDI 2017 – 2026 de la U. de Chile

El Programa de Magíster en Ciencia de Datos contribuye de manera significativa a los

siguientes objetivos estratégicos:

Objetivos estratégicos: 1 y 2

1. Desarrollar e incrementar de forma sostenible y socialmente responsable la función

académica al más alto nivel y acorde a los desafíos y necesidades del país y de la

sociedad del siglo XXI.

2. Contribuir sistemáticamente, con pensamiento crítico y mirada transdiciplinaria, al

diagnóstico y diseño de soluciones de los problemas estratégicos del país.


19


20


21


22

Informe Comisión de Docencia

Luego de revisados los antecedentes y escuchado a los representantes del Programa, la

Comisión de Docencia e Investigación, por unanimidad de los integrantes propone al plenario

del Senado Universitario aprobar la creación del programa de: Magíster en Ciencia de

datos.

La Presidenta subrogante ofrece la palabra.

El senador Reginato señala que se ve bastante bien el programa, solamente le llamó la

atención que pareciera que la actividad final del examen de grado no queda dentro del sistema

de calificación, le pareció que quedaba afuera, como que no tenía unidades. Un detalle menor.

La senadora Berríos le pregunta al senador Reginato si se refiere a que no tiene créditos.

El senador Reginato responde a que no tiene créditos y supone que esto deberá tener una

calificación final.

La senadora Berríos aclara que tiene una calificación, pero no tiene créditos, sino que es

dependiente o limita que pueda o no obtener el grado.

El senador Reginato responde que entonces es aprobado o reprobado.


23

La senadora Berríos responde que sí.

La senadora Bonnefoy indica que a propósito de lo señalado por el senador Reginato, no

entiende por qué el trabajo de tesis no tiene créditos, porque los créditos reflejan las horas de

trabajo.

La senadora Berríos responde que la mayor parte de los programas tienen un creditaje que

tiene que ver con el tiempo dedicado, por ejemplo, no están puestos los avances de tesis y

son fundamentales para el trabajo durante el semestre, ya están incluidos en el trabajo

dedicado a la tesis, entonces el examen de grado en general es concebido como una actividad

que se hace pública, se invita a la comunidad a conocer las actividades que el estudiante

realizó durante su trabajo de tesis para que toda la comunidad sea partícipe. De manera que,

a su juicio, reviste otro sentido que las múltiples calificaciones que van teniendo a lo largo

de los cuatro semestres del programa que es bastante exigente, tienen otro sentido los créditos

a que evaluar los tiempos dedicados. Señala que está de acuerdo con lo expuesto por la

senadora Bonnefoy, por supuesto que existe un tiempo dedicado para el examen de grado,

pero ese no es el propósito. Manifiesta que quizás la profesora Salomone podría hacer un

comentario más general.

La Directora de Postgrado y Postítulo, profesora Alicia Salomone señala que hay una

confusión entre el examen de grado y el tiempo de la tesis. El examen de grado es una

instancia de calificación, verificación, es una instancia momentánea. En el programa lo

particular es que hay 30 créditos dedicados a la preparación de la tesis a través de seminarios

de tesis, que son el espacio donde se elabora, de 96 créditos, 30 se dedican a la tesis. Le

gustaría que el profesor Tobar pudiera desarrollar un poco más este punto.

El Director Felipe Tobar indica que tal como dice la senadora Berríos la tesis consta de 30

créditos. Primero un seminario inicial corto, que es como un curso de 6 créditos, y luego el

seminario que dura un semestre completo, que es de 24 créditos, que absorbe la carga de un

semestre entero. Tal como todos los magísteres que tienen en la Facultad de las Ciencias

Físicas y Matemáticas, el primer seminario es para verificar que el problema está bien

encaminado, es factible y es de calibre del programa, todo el trabajo se hace durante el último

semestre de carrera en donde el supervisor del estudiante no va a permitir que el estudiante

entre al examen de grado si no tiene una tesis del calibre del programa en cuestión. Manifiesta

que ve la celebración del examen de grado como un evento en el cual se muestra el trabajo

que ya está aprobado y sí tiene una nota que refleja un poco la presentación, el impacto y

resume también un poco lo que hizo, pero ningún alumno podría presentarse al examen de

grado sin tener una tesis que sea del calibre del grado y su tesis en particular debe ser aceptada

para fijar fecha del examen de grado y aprobada por la comisión.

La Presidenta subrogante agradece por la presentación y por la asistencia de los invitados.


24

La Presidenta subrogante somete a votación el siguiente acuerdo: La Plenaria del Senado

Universitario, en virtud del artículo 25, letra g) del Estatuto Institucional, acuerda aprobar la

creación del grado académico de Magíster en Ciencia de Datos, que impartirá la Facultad de

Ciencias Físicas y Matemáticas, según los antecedentes remitidos mediante el Oficio

Nº572/2020 de Rectoría (recibido el 7 de octubre de 2020), y por lo expuesto en el Informe

de la Comisión de Docencia e Investigación de este órgano normativo superior. Las

alternativas son 1: Apruebo; 2: Rechazo y 3: Abstención.

Efectuada la votación, las senadoras y los senadores Álvarez, Basso, Berríos, Bonnefoy,

Domínguez, Figueroa, Galdámez, Gamonal, Gutiérrez, Hinojosa, Lamadrid, Lavandero,

Medina, Morales, Raggi, Reginato, Rojas, Tralma, Valencia y Valenzuela votan por la

alternativa 1 (total 22). No hubo votos para la alternativa 2 y 3.

ACUERDO SU N°003/2020

La Plenaria del Senado Universitario, en virtud del artículo 25, letra g) del Estatuto

Institucional, acuerda aprobar la creación del grado académico de Magíster en Ciencia de

Datos, que impartirá la Facultad de Ciencias Físicas y Matemáticas, según los antecedentes

remitidos mediante el Oficio Nº572/2020 de Rectoría (recibido el 7 de octubre de 2020), y

por lo expuesto en el Informe de la Comisión de Docencia e Investigación de este órgano

normativo superior.


3. Presentación del Presupuesto del Senado Universitario para el período 2021. (50

minutos)

La Presidenta subrogante señala que están con los tiempos ajustados y, por lo tanto, deben

solicitar una extensión con el objeto de presentar este punto.

El senador Raggi plantea que habría que saber cuánto tiempo más se asigna y si los senadores

están de acuerdo, considerando que están muy cerca de perder el cuórum.

La Presidenta subrogante recuerda que es la presentación del presupuesto y no hay votación,

si bien como Mesa quieren someterlo a aprobación, dado que aún no se hace efectivo el

cambio reglamentario en el funcionamiento del Reglamento Interno del Senado Universitario

les parece una buena práctica el someterlo a esa aprobación. Señala que aproximadamente el

punto se podría tratar en 30 minutos, por lo que se podría extender la Plenaria hasta las 18.20

horas considerando el punto varios, o de lo contrario, dejar el punto para la próxima Plenaria.


25

El senador Raggi indica que independiente de que exista o no votación para sesionar se

requiere el quorum mínimo de 19 senadores y por eso pregunta si hay algún senador o

senadora que tenga retirarse, teniendo en cuenta que van a ampliar el plazo si lo estiman y si

tendrán cuórum.

La Presidenta subrogante manifiesta que tiene la impresión de que no tendrá cuórum.

El senador Valenzuela señala que debe retirarse a las 18 horas.

La Presidenta subrogante indica que dado que es probable que se queden sin cuórum deja la

discusión para la próxima Plenaria como primer punto de tabla.

4. Varios o Incidentes. (10 minutos)

La Presidenta subrogante ofrece la palabra.

El senador Gamonal señala que envió a todos los senadores y senadoras una declaración en

función de lo que mencionó el Rector, documento que contó con la colaboración de la

Vicepresidenta y del senador Raggi, es como un téngase presente del Senado Universitario

en función de lo que ya todos saben de la situación del gobierno de turno sobre la licitación

de CORFO. Agrega que todos tienen el documento en su poder y también envió el documento

en Word y el abogado De la Maza lo tiene en caso de que exista alguna modificación al

respecto.

La Presidenta subrogante pregunta al abogado De la Maza cómo se procede con esta

declaración.

El abogado De la Maza responde que es importante la situación que se dio con la senadora

Valencia y la senadora Medina, hubo un consenso dentro de la Plenaria de poder tratarlo

como un tema urgente en la siguiente Plenaria. De lo contrario, cree que lo mejor y más

regular es que el senador Gamonal pueda presentar la declaración con cinco senadores más

para someterla formalmente a acuerdo y, además, queda con prioridad en la tabla y no un

punto en varios, porque significa que va al final de la próxima tabla y se termina aplazando.

Si se presenta antes del lunes puede ir en la próxima Plenaria.

El senador Lavandero expresa que es importante que la declaración salga luego,

probablemente en una semana más no sirve, no sabe cuál es el mecanismo. Escuchó

parcialmente lo dicho por el Rector por temas de conexión y no pueden esperar una semana,

es demasiado importante, es una señal que no da lo mismo en Chile que Universidades

extranjeras se apropien de recursos, eso representa aproximadamente el 30% del presupuesto

del Ministerio de Ciencias y, lamentablemente, existen múltiples ejemplos en el pasado de


26

varios consorcios internacionales que se apropiaron de dineros chilenos, está Fraunhofer,

CSIRO, etc., han sido un fracaso. Opina que no da lo mismo y es importantísimo que salga

lo más pronto posible. No sabe si se puede depositar en la Mesa la confianza para que lo haga

en nombre de los senadores.

El senador Gutiérrez señala que vio la carta del senador Gamonal y el tema lo conoce, porque

estuvo en la comisión de minería no metálica de CORFO, estuvo cuando se firmó el contrato

con la Sociedad Química y Minera de Chile, SQM, la situación y consecuencias. La Mesa

del Senado puede sacar declaraciones en nombre del Senado y en la próxima sesión ratifican

esa carta que sacó la Mesa del Senado, están la mayoría de acuerdo con el tema y no cree que

genere polémica la carta, está de acuerdo con los términos generales. Y quienes quieran dar

contribuciones y que la Mesa del Senado mande la carta a nombre del Senado y en la próxima

Plenaria lo ratifican para cumplir con todas las formalidades.

El senador Hinojosa señala que, de acuerdo con lo expresado con los dos senadores,

efectivamente existe esta figura que la Mesa saque en el nombre del Senado la declaración.

Dice que leyó la declaración que envió el senador Gamonal y le haría algunas modificaciones,

pero en el fondo están de acuerdo y pueden sacar una declaración lo antes posible, porque lo

amerita el tema que se está tratando. Apoya la moción.

El senador Raggi añade que la situación es lo suficientemente grave y requiere la urgencia

determinante de que el Senado unívocamente se presente y represente una declaración

respecto de una situación que por todos lados pareciera ser que tiene algunos vistos de

arbitrariedad.

El senador Reginato señala que comparte la posición del senador Hinojosa, en el sentido de

que no por hacer una declaración, acusaciones de transparencia y de que se saltaron los

procedimientos y que no les consta, cree que pierde fuerza la declaración, así como lo

mencionó el Rector, sobre el niño que perdió el partido. Considera que hay que subirle el

tono y aumentar el grado de seriedad de la declaración, la preocupación por el desprecio de

las ciencias, pero de ahí a decir que el procedimiento está viciado, o que se saltaron las bases,

es preferible que presenten una acusación ante la Contraloría General, pero si se cumplieron

las bases, no pueden decir que hay procedimientos que están viciados. Hay mecanismos para

contrapesar lo viciado.

El senador Raggi le pregunta al senador Gamonal si es factible que hagan las precisiones a

la carta para poder ponerla lo antes posible la declaración y ponerlo en consideración de la

Mesa que se reúne el lunes y dar un fast track al tema.

La Presidenta subrogante se suma a lo dicho por el senador Gutiérrez y el senador Gamonal

respecto a la urgencia del tema. Indica que la carta y el tono le parecen bien, sin embargo,


27

dado que el senador Hinojosa y Reginato comentan que sería importante en algunas partes

hacer los cambios, propone que ambos senadores, en conjunto con el senador Gamonal,

hagan una última propuesta de declaración, que la hagan llegar a la Mesa el día de mañana a

primera hora, de manera que pudiera salir la declaración y la someten a ratificación en la

próxima sesión Plenaria.

El senador Gutiérrez se refiere a otra adjudicación y que salió en El Mercurio el domingo.

La Escuela Militar puso en licitación más de once programas de docencia para la formación

de oficiales. La licitación era por 3 mil 200 millones de pesos, eso está en el giro de la

educación, precisamente en el de las Universidades y de la Universidad de Chile, en

particular. Sin embargo, se presentaron a esa licitación solo tres Universidades: la

Universidad Católica de Temuco, la Universidad Mayor y la Universidad Católica de Chile.

Esta última se adjudicó la licitación e indica que lo que quiere preguntar, y que quede

establecido en acta porque, de alguna manera presentar su molestia, de que la Universidad

de Chile, siendo la primera Universidad del país, uno de los requisitos que ponía la licitación

del Ejército era que estuviera el mejor ranking de las Universidades del país. No participó en

la licitación, que es para la formación de los próximos oficiales y considera que el tema

estratégico es claro, la Universidad de Chile tiene la oportunidad de dar una formación de

primer nivel en historia, literatura, física, biología, química, etc., eran once las materias que

se licitaron a los oficiales del ejército. Eso significa también poner en contacto instituciones

de educación superior estatal y también significa poder darle la oportunidad a los jóvenes

que serán oficiales del Ejército de tener otra visión sobre una serie de temas con una

Universidad donde todas las verdades se tocan. Pregunta cuál es la razón de que la

Universidad de Chile no participara en esa licitación, quiere saberlo y poner en debate en la

Universidad y si hay licitaciones con otra rama de las fuerzas armadas como la Fuerza Aérea,

la Armada, Carabineros, PDI, que la Universidad de Chile tenga una actitud proactiva. En la

ley de Universidades dice que los institutos estatales pueden tener convenios directos sin

licitación para ayudarse y para contribuir entre ellos. Pide que las altas autoridades de la

Universidad de Chile se contacten con los directivos de las fuerzas armadas y pongan a

disposición la capacidad de la Universidad para la formación de oficiales, es tremendamente

importante y no solo por el dinero involucrado, sino también le preocupa la soberanía del

país, se entrega la formación de oficiales a una Universidad privada y que de alguna manera

depende de un Estado extranjero como es el Estado del Vaticano. Manifiesta que eso es de

primera instancia para la Universidad y pide que la propia Mesa haga las gestiones y

preguntas al respecto.

La Presidenta subrogante señala que como Mesa lo tratarán en la reunión del lunes e

informarán de mayores antecedentes.



28

Siendo las diecisiete horas con cincuenta y tres minutos, la Presidenta subrogante, levanta

la sesión.

Leída el acta, firman en conformidad,

Luis Alberto Raggi Saini

Senador Secretario

Verónica Figueroa Huencho

Vicepresidenta

LRS/GARM/Pmg


Ante los hechos denunciados públicamente el pasado 14 de diciembre debido a la entrega

de un trabajo sobre Adolf Hitler, realizado por una estudiante de nuestra Universidad, como

Senado Universitario:

1. Rechazamos la extrema y desmesurada mediatización de la situación, la cual se

extendió hasta titulares tendenciosos en la prensa nacional, lo que resultó en

mensajes por redes sociales que incitaban al odio contra la estudiante y que

afectaron su salud física y mental al verse atacada por éstas. Es preocupante que

miembros de la comunidad universitaria hayan sacado rápidas conclusiones en

cuanto a una versión de los hechos y hayan realizado comentarios violentos o

descalificativos contra la estudiante.

2. Pensamos que una situación como ésta pudo haber sido perfectamente prevenible

con el funcionamiento de un mecanismo de solución de controversias institucional

que permita resolver los conflictos de manera clara e inmediata, que instaure un

debido proceso en donde ambas partes sean escuchadas y donde se privilegie el

diálogo. Queda en evidencia, creemos, lo imperioso que resulta la figura de una

Defensoría Universitaria, compromiso que como Senado adquirimos hace unos

años y que al día de hoy se encuentra siendo trabajada en nuestro órgano.

3. Creemos firmemente que esta institución debe velar por educar a toda su

comunidad universitaria sobre la importancia y el respeto a la Memoria y los

Derechos Humanos. Para esto, hay que comenzar de una base de consciencia

acerca de la diversidad de estudiantes que recibe la Universidad, de las distintas

condiciones de vida y el acceso a la educación que tuvieron antes de ingresar. Esas

brechas no pueden ser condicionantes para el desarrollo integral de las y los

estudiantes; el compromiso institucional es que las y los futuros egresados/as de

esta casa de estudios tengan, si no un compromiso, al menos un respeto

determinante en pos de la defensa de los Derechos Humanos. Por ello, nuestra

misión como institución y como parte de la comunidad universitaria, es enseñar,

acompañar y redireccionar a quienes no tienen la noción de la relevancia y respeto

hacia estas materias fundamentales.

4. La Universidad no puede ser un espacio en donde se avalen los discursos de odio

ni se justifiquen bajo la libertad de expresión. Por otra parte, respuestas como la que

recibió el profesor ante la denuncia de esta situación, no pueden volver a repetirse

pues es del todo entendible que asuntos de esta envergadura causen daño en

quienes sufrieron directamente situaciones enmarcadas en violación de DD.HH. Así,

se vuelve necesario trabajar en mecanismos institucionales para poder dar

verdaderas soluciones que no resulten en el daño de las partes involucradas, que

permitan a las autoridades aplicar protocolos eficientes y rápidos.

5. Nos comprometemos, como órgano normativo estratégico de la Universidad, a

trabajar en cuanto a la materia de Memoria y Derechos Humanos, planteando la

posibilidad de empezar una investigación que derive en una política universitaria

que abarque estos temas para seguir salvaguardando la integridad de nuestra

comunidad, y aportar a la formación de un Chile más empático y unido, a través de

nuestros tres estamentos.

1

Informe de la Comisión de Docencia e Investigación en relación

a la creación del programa de

Magíster en Ciencia de Datos

22Diapositiva Nº

UNIVERSIDAD DE CHILE

Presentación del Programa

Unidad Académica: Facultad de Ciencias Físicas y Matemáticas

Nombre del Programa: Magíster en Ciencia de Datos

Grado Académico: Magíster

Profesor Coordinador del Programa: Felipe Tobar Henríquez

Jornada en que se imparte el programa: Diurna, jornada completa

Orientación del Programa: Académico

Vacantes: 20 anuales

33Diapositiva Nº


IntroducciónLos principales factores que fundamentan la creación del Programa de Magíster en Ciencia de Datos son:

§ El análisis de datos permite entender, mejorar y avanzar en distintas disciplinas tanto en la academia como en los sectores públicos y privados.

§ Existe un aumento sistemático en la generación de datos en áreas como salud, transporte, seguridad social, astroinformática, minería, geología, finanzas y ciberseguridad,etc.

§ Mientras más datos se recolecten, más información relevante se puede extraer de ellos; este concepto impacta directamente en una infinidad de áreas de aplicación.

§ Esta disponibilidad de datos, complementada con las capacidades desde las matemáticas, ingenierías y ciencias de la computación, representan un cambio de paradigma en la forma que se hace ciencia y cómo ésta se transfiere a la industria y al sector público.

§ La gestión, análisis e interpretación adecuada de los datos, convierte a la ciencia de datos en un activo central para el desarrollo de la economía y la sociedad de forma integral.

44Diapositiva Nº


Introducción (cont)

§ Actualmente es común encontrar unidades o grupos de “ciencia de datos”, “inteligencia artificial”, “inteligencia empresarial”, o simplemente “analítica” en diversas instituciones.

§ La automatización del procesamiento de datos en organismos públicos permite caracterizar de mejor manera las necesidades de la población y con ello diseñar políticas acordes a los requerimientos reales y actuales de la ciudadanía

§ La ética y los aspectos legales deben estar presente en el ciclo de vida del análisis de datos, con el fin de asegurar la privacidad de los datos y el correcto uso de la información extraída de éstos.

§ En general, tanto en los sectores privados, públicos o académicos, es claro que en la medida que existan más datos, más actores debieran incorporar su análisis de forma sistemática, considerando su uso como parte de un alfabetismo tecnológico necesario para el funcionamiento de las instituciones modernas.

55Diapositiva Nº


Oferta Nacional

Magíster en Tecnologías de la Información, Universidad Santa María (USM)especializado con las tecnologías de la información.

Magíster en Procesamiento y Gestión de la Información (PUC),especialistas en generar y usar amplios volúmenes de información cada vez más digitalizada

Magíster en Data Science (UAI)desarrolla competencias para abordar problemas complejos mediante explotación de los datos y así descubrir oportunidades de negocio

Diplomado en Inteligencia de Clientes y Data Mining (FEN UCHILE)potencia la gestión comercial de una organización a través de investigación social como de Data Mining; Big Data y Marketing Digital.

66Diapositiva Nº


Objetivo

El objetivo del programa de Magíster en Ciencia de Datos es:

formar profesionales con una preparación rigurosa en las herramientas de las matemáticas, computación e ingeniería,

necesarias para realizar proyectos de ciencia de datos de principio a fin, en planos teóricos y aplicados, generando valor en distintos

sectores del conocimiento en pos del desarrollo económico y social del país.

77Diapositiva Nº


Perfil de egreso

El(la) graduado(a) del Magíster en Ciencia de Datos tendrá una formación académica sólida en los fundamentos y prácticas de la ciencia de datos, lo que incluye conocimientos teóricos y metodológicos, dominio de métodos avanzados para contribuir de forma innovadora y creativa al desarrollo de proyectos de análisis de datos, como también implementar soluciones desde el punto de vista de computación científica y transmitir efectivamente sus resultados. Todo esto con el fin último de extraer información valiosa de datos en diversos formatos para la creación de valor o nuevo conocimiento en distintas disciplinas.

88Diapositiva Nº


Perfil de egreso. Competencias específicas

-Tendrá fundamentos matemáticos avanzados en estadística, probabilidades, optimización, teoría de la información y bases de datos.

-Dominará las herramientas de aprendizaje de máquinas que les permitirá analizar y procesar bases de datos de diversos volumen y formato, donde deberá evaluar las ventajas comparativas que representan unas y otras en aplicaciones específicas.

-Podrá abordar y resolver problemas de frontera en ciencia de datos desde el modelamiento matemático, pasando por el estudio y evaluación de herramientas, el diseño de nuevos algoritmos y métodos.

-Será capaz de revisar literatura y actualizar sus conocimientos en ciencias de datos de manera autónoma, lo que es fundamental para esta disciplina que se encuentra en constante evolución.

-Dominará herramientas para presentar y comunicar efectivamente el valor extraído sobre los datos, haciendo uso de técnicas como la visualización de datos y el desarrollo de aplicaciones interactivas.

-Podrá trabajar de forma colaborativa en grupos de trabajo y proyectos de ciencias de los datos en un contexto interdisciplinario, como también de forma autónoma e independiente en caso de que el contexto lo amerite.

El egresado(a) podrá actuar de manera responsable y honesta, dando cuenta en forma crítica de sus propias acciones y sus consecuencias, en el marco del respeto hacia la dignidad de las personas y el cuidado del medio social, cultural y natural.

99Diapositiva Nº


Consistencia con el PDI 2017 – 2026 de la U. de Chile

El Programa de Magíster en Ciencia de Datos contribuye de manera significativa a los siguientes objetivos estratégicos:

Objetivos estratégicos: 1 y 2

1. Desarrollar e incrementar de forma sostenible y socialmente responsable la función académica al más alto nivel y acorde a los desafíos y necesidades del país y de la sociedad del siglo XXI.

2. Contribuir sistemáticamente, con pensamiento crítico y mirada transdiciplinaria, al diagnóstico y diseño de soluciones de los problemas estratégicos del país.

1010Diapositiva Nº


Sistema de Admisión

Requisitos de postulación

Podrán postular a los programas conducentes al grado de Magister quienes cumplan con los siguientes requisitos:

Estar en posesión del grado de licenciado o título profesional cuyo nivel, contenido y duración de estudios correspondan como mínimo a una formación equivalente a la del grado de Licenciado en ingeniería o ciencias en la Universidad de Chile, o carreras afines determinadas por el Comité Académico correspondiente, o acreditar una formación previa acorde a los fines y exigencias del programa a que postula.

Selección de alumnos

El Comité Académico del Programa seleccionará alos/as postulantes, sobre la base de los antecedentespresentados, entrevista y/o examen teniendo enconsideración las siguientes criterios

• Rendimiento académico en estudios universitarios previos.

• Capacidad de incorporarse a un régimen de estudios intensivo.

• Acreditar una formación previa acorde a los fines y exigencias del programa a que postula.

• Capacidad de comprensión del idioma inglés escrito (Aprobación del examen de idoneidad en inglés de la FCFM).

1111Diapositiva Nº


Plan de estudios

1212Diapositiva Nº


Cursos Obligatorios

Nombre curso Tipo de curso CréditosEstadística: Teoría y Aplicaciones Obligatorio 6Minería de Datos Obligatorio 6Bases de Datos Obligatorio 6Aprendizaje de Máquinas Obligatorio 6Proyecto de Ciencia de Datos Obligatorio 6Laboratorio de Programación Científica para Ciencia de Datos

Obligatorio 6

Cursos Electivos Electivo 30Seminario de Tesis I Obligatorio 6Seminario de Tesis II Obligatorio 24

1313Diapositiva Nº

UNIVERSIDAD DE CHILECursos electivos

# Nombre curso Créditos1. EL7006 Redes Neuronales y Teoría de Información para el Aprendizaje 62. EL7007 Introducción al Procesamiento Digital de Imágenes 63. EL7008 Procesamiento Avanzado de Imágenes 64. EL7012 Control Inteligente de Sistemas 65. EL7024 Teoría de Información: Fundamentos y Aplicaciones 66. EL7037 Computación Evolutiva 67. EL7014 Diagnóstico Y Pronóstico de Fallas 68. EL7031 Robotics, Sensing and Autonomous Systems 69. EL7021 Seminario de Robótica y Sistemas Autónomos 610. CC6204 Deep Learning 611. CC5212 Procesamiento Masivo de Datos 612. CC5213 Recuperación de Información Multimedia 613. CC7220 La Web de Datos 614. CC5208 Visualización de Información 615. CC5113 Aprendizaje Automático Bayesiano 616. CC5615 Business Analytics 317. CC5509 Reconocimiento de Patrones 618. CC6205 Procesamiento de Lenguaje Natural 619. CC5508 Procesamiento y Análisis de Imágenes 620. CC5701 Informática Médica 321. CC3001 Algoritmos y Estructuras de Datos 622. CC4102 Diseño y Análisis de Algoritmos 623. CC5101 Análisis Avanzado de Algoritmos 624. CC5114 Redes Neuronales y Programación Genética 625. CC5301 Introducción a la Criptografía Moderna 626. CC7515 Computación en GPU 627. MA5309 Aprendizaje de máquinas avanzado 628. MA6201 Computación Científica 629. MA5406 Probabilidades y estadística para el análisis de datos 630. MA4402 - Simulación estocás_ca: Teoría y Laboratorio 631. MA5705 Optimización para el análisis de datos 632. IN5530 Taller de Visualización de Datos 633. IN5533 Deep Learning para la Gestión 334. IN7580 Introducción a la Ciencia de los Datos 635. IN5523 Data Warehousing 636. IN5528 Introducción a Big Data 637. IN5724 Métodos aplicados de análisis de datos 638. IN71K Gestión de Operaciones en la Industria de Servicios 639. IN76002 Web of Data 340. IN709 Econometría 641. EP7001 Nuevos Desafíos para las Ciencias en la Sociedad Actual: Comunicación, Dilemas Éticos y Creatividad. 342. EP7002 Nuevos Desafíos para las Ciencias en la Sociedad Actual: Pensamiento Crítico y Acción Colaborativa 343. EP7003 Laboratorio de Escritura y Comunicación Científica: El Trabajo de Tesis 3

1414Diapositiva Nº

UNIVERSIDAD DE CHILEClaustro académico

Nombre Depto Grado Jerarquía Dedicación (hrs/sem) Línea de investigación

1 Marcela Munizaga DIC PhD Profesora Titular 5Modelación del comportamiento de usuarios de transporte y el uso datos masivos de transporte público.

2 Doris Sáez DIE PhD Profesora Titular 5 Control Predictivo, Modelación y Control Difuso, y Control de Plantas de Energía Renovable.

3 Nancy Hitschfeld DCC PhD Profesora Asociada 5Mallas de polígonos y poliedros, visualización, paralelización de algoritmos, y algoritmos en ciencia eingeniería computacional.

4 Susana Mondschein DII PhD Profesora Asociada 5Investigación y Gestión de Operaciones, Pricing, Revenue Management, Gestión de Salud, Epidemiología ySalud Pública.

5 Pablo Estévez DIE Doctor Profesor Titular 5Inteligencia computacional, deep learning, redes neuronales artificiales, teoría de información, computaciónevolutiva, aplicaciones a astronomía y biomedicina

6 Jorge F. Silva DIE PhD Profesor Asociado 10 Procesamiento Estadístico de Señales, Aprendizaje Estadístico y Teoría de Información7 Claudio Pérez DIE PhD Profesor Titular 5 Procesamiento de Imágenes y Reconocimiento de Patrones8 Marcos Orchard DIE PhD Profesor Titular 5 Detección de Fallas y Predicción de Eventos Catastróficos9 Javier Ruiz del Solar DIE Doctor Profesor Titular 5 Robótica, Face Recognition, Statistical Classifiers

10 Martin Adams DIE PhD Profesor Titular 5Robotics, autonomous navigation, stochastic sensor processing, signal processing, estimation and control,tracking.

11 Néstor Becerra DIE PhD Profesor Titular 5 Procesamiento de señales y de voz, inteligencia artificial e interacción humano-robot.

12 Bárbara Poblete DCC PhD Profesora Asociada 5Social network and media analysis, Data mining, Web mining, Information retrieval (IR) y Web search engines

13 Claudio Gutiérrez DCC PhD Profesor Titular 5 Bases de Datos, Linked Open Data y Web Semántica14 Alexandre Bergel DCC Doctor Profesor Asociado 5 Lenguajes de Programación, Ingeniería de Software.

15 Jorge Pérez DCC Doctor Profesor Asociado 5Bases de Datos - Datos Web, Lógica en Ciencia de la Computación, Complejidad Computacional, DeepLearning y Procesamiento de Lenguaje Natural (NLP)

16 Felipe Bravo DCC PhD Profesor Asistente 7Procesamiento de Lenguaje Natural (NLP), Aprendizaje Automático, Minería de Datos, Recuperación de laInformación, Ciencia de Datos y Ciencias Sociales Computacionales

17 Benjamín Bustos DCC Doctor Profesor Asociado 5Bases de datos multimedia en industria manufacturera, entretenimiento y otras; Reconocimiento depatrones; bioinformática y búsqueda por contenido.

18 Aidan Hogan DCC PhD Profesor Asociado 5 Web Semántica, Bases de Datos, Lógica y razonamiento19 Alejandro Jofré DIM PhD Profesor Titular 5 Optimización y Equilibrio 20 Joaquín Fontbona DIM PhD Profesor Asociado 5 Procesos Estocásticos, Teoría Ergódica y Modelamiento Estocástico.21 Felipe Tobar DIM PhD Profesor Adjunto 7 Aprendizaje de Máquinas, Estadística Aplicada y Procesamiento de Señales

22 Daniel Remenik DIM PhD Profesor Asociado 5Airy Process, Directed Random Polymers, Evolution Growth Kardar-Parisi-Zhang Universality Class, y ParticleSystems

23 Alejandro Maass DIM PhD Profesor Titular 5 Teoría Ergodica, Sistemas dinámicos, Sistemas biológicos y bioinformática24 Jaime San Martin DIM PhD Profesor Titular 5 Procesos estocásticos, Teoría ergódica y Modelamiento estocástico25 Héctor Ramírez DIM PhD Profesor Titular 5 Optimización y Economía26 Richard Weber DII PhD Profesor Titular 7 Minería de Datos, “Soft computing” y Optimización.

27 Marcelo Olivares DII PhD Profesor Asociado 5Gestión de la cadena de suministro (Supply Chain Management), Gestión de Operaciones, Aplicaciones deEconomía y Marketing en la Gestión de Operaciones.

28 Juan Velásquez DII PhD Profesor Titular 5Minería de Datos aplicada a la web, Gestión del Conocimiento, “Big Data” y Desarrollo de la nuevageneración de portales en Internet, llamados sitios web inteligentes.

29 Sebastián Ríos DII PhD Profesor Asistente 5Minería semántica de sitios web y Mejoramiento de la calidad de los contenidos y organización de sitiosweb/portales web para una mejor atención a los usuarios

30 Daniel Schwartz DII PhD Profesor Asistente 5Economía conductual (behavioral economics), Toma de decisiones (judgement and decision making) yComportamiento del consumidor (consumer behavior)

31 Ángel Jiménez DII PhD Profesor Asistente 5Urban Computing Ubiquitous Computing, Gestión de Procesos de Negocios Ubicuos, Factores Humanos enComputación Orientada a Servicios Internet de las Cosas

32 Denis Sauré DII PhD Profesor Asistente 5 Modelamiento estocástico y sus aplicaciones en Revenue Management Assortment Planning

33 Viviana Meruane DIMEC PhD Profesora Asociada 5 Dinámica de Estructuras, dinámica de rotores, ajuste de modelos, detección de daños.

34 Sandra Céspedes DIE PhD Profesora Asistente 5Redes y sistemas de comunicación vehiculares, sistemas ciber-físicos, comunicaciones en Smart Grid y diseñode protocolos y enrutamiento para la Internet de las Cosas.

35 Jocelyn Dunstan Fac.Med. PhD Profesora Adjunta 6 Procesamiento del lenguaje natural, aprendizaje de máquinas, informática médica.

1515Diapositiva Nº

UNIVERSIDAD DE CHILEProductividad de profesores y profesoras del claustro

Nombre Total

Publ. ISI

Total Otras Publ.

(Ej. Scielo y otras)

Total proy. FONDECYT investigador responsable

Total Proy. FONDEF

investigador responsable

Otros tipos de proy.

investigador responsableMarcela Munizaga 7 0 1 0 1 (REDES 170173, CONICYT)Doris Sáez 33 15 2 0 0

Nancy Hitschfeld 15 3 2 1 2 (Fondo Central de Investigación, Cooperación Internacional: Multilateral y Vinculación MCC2014)

Susana Mondschein 7 3 0 0 0Pablo Estévez 15 22 0 0 1 [Cooperación Internacional: Multilateral y vinculación - DPI20140090]Jorge F. Silva 20 8 3 0 0Claudio Pérez 9 8 3 1 2 [INNOVA - Proyecto de I+D Aplicada]Marcos Orchard 39 28 2 0 1 [Cooperación Internacional: Multilateral y vinculación - REDES130029]

Javier Ruiz del Solar 27 28 3 34 [Investigación Asociativa, Apoyo Centros Científicos y Tecn. de Excelencia con Financ. Basal / Cooperación Internacional: Multilateral y vinculación - REDES140071 / Financiamiento Basal -

Martin Adams 12 14 3 2 1 [Coop Internacional: Proyectos bilaterales - Proyectos Intercambio CONICYT/DAAD-Alemania]

Néstor Becerra 15 6 1 1 3 [FONDEQUIP - Concurso de Equipamiento Científico / Programa de Investigación Asociativa -Concurso Anillos en Ciencia y Tecnología - Redes, Estrategia y Conocimiento (REC)]

Bárbara Poblete 8 10 2 0 0Claudio Gutiérrez 4 15 0 0 0Alexandre Bergel 15 31 1 0 2 [Apoyo a la Formación de Redes Internacionales Centros /Programa Regional TIC-AMSUD]

Jorge Pérez 1 9 1 0 1 [U-APOYA: Proyectos de Enlace]Felipe Bravo 6 11 1 0 0Benjamín Bustos 11 20 1 0 1 [Cooperación Internacional: Multilateral y vinculación, Programa Regional TIC-AMSUD]Aidan Hogan 9 29 2 0 0Alejandro Jofré 10 0 0 0 1 [INNOVA, Fort. Capacidades Innovación]Joaquín Fontbona 14 1 3 0 1 [Cooperación Internacional: Multilateral y vinculación, Programa Regional MATH-AMSUD]Felipe Tobar 10 15 1 0 1 [CONICYT-PAI apoyo al retorno 2015-2017]Daniel Remenik 12 0 3 0 0

Alejandro Maass 51 4 0 03 [Programa de Investigación Asociativa - Apoyo Centros Científicos y Tecn. de Excelencia /

INNOVA / Programa Regional MATH-AMSUD / Jaime San Martin 9 0 0 0 1 [Programa Financiamiento Basal]

Héctor Ramírez 14 3 3 04 [Cooperación Internacional: Multilateral y vinculación - Apoyo a la Formación de Redes Internacionales / Cooperación Internacional: Multilateral y vinculación - MATH-AMSUD]

Richard Weber 14 6 2 2 3 [INNOVA – Instituto Milenio - Subdirección de Redes, Estrategia y Conocimiento (REC)]Marcelo Olivares 5 0 2 5 0Juan Velásquez 9 9 1 4 4 (INNOVA - Empaquetamiento y Transferencia de I+D - Proyecto de I+D Aplicada)Sebastián Ríos 16 8 0 2 1 [Centro de Investigación en Inteligencia de Negocios (CEINE) - Movistar S.A.] Daniel Schwartz 3 21 2 0 1 [U-APOYA: Proyectos de Enlaces]

Ángel Jiménez 6 3 1 0 1 [Proyectos de investigación e innovación en prevención de accidentes y enfermedades profesionales]

Denis Sauré 11 0 2 0 0Viviana Meruane 32 19 1 0 1 (FONDEQUIP EQM130026)

Sandra Céspedes 11 40 1 13(Cooperación Internacional ELAC2015/T10-0761, 5.Fondo Central de Investigación UINICIA-2014-

005, Cisco University Research Program Fund, Grant # 2019-199458)Jocelyn Dunstan 4 2 1 0 1 (U-INICIA UI-004/19 (CE 570242))

2015 - 2019


Examen de Grado

La obtención del Grado de Magíster requiere aprobar las actividades curriculares del plan de formación, una tesis y aprobar el examen de grado.

Asignaturas obligatorias (incluye laboratorios): 36 créditosAsignaturas electivas: 30 créditos

Seminario de Tesis I: 6 créditosSeminario de Tesis II: 24 créditos

Total: 96 créditos

1717Diapositiva Nº


Luego de revisados los antecedentes y escuchado a los representantes del Programa,

la Comisión de Docencia e Investigación, por unanimidad de los integrantes

propone al plenario del Senado Universitario aprobar la creación del programa de:

Magíster en Ciencia de datos.

Informe Comisión de Docencia

U. DE CHILE (O) N°572

ANT.: Oficio N°144, de la Sra. Vicerrectora de

Asuntos Académicos, de 21.09.2020; Oficio N°012, del

Departamento de Postgrado y Postítulo, de

01.09.2020; Certificado de Acuerdo S/N, del Sr.

Vicedecano de la Facultad de Ciencias Físicas y

Matemáticas, adoptado el 16.05.2018.

MAT.: Remite Certificado de Acuerdo N°64 del

Consejo Universitario sobre creación del grado

académico de Magíster en Ciencia de Datos que será

impartido por la Facultad de Ciencias Físicas y

Matemáticas.

SANTIAGO, 07 de octubre del 2020. DE : RECTOR A : SRA. VICEPRESIDENTA DEL SENADO UNIVERSITARIO

Mediante el presente Oficio, informo a usted que el Consejo Universitario en su

Décima Segunda Sesión Ordinaria, celebrada el día 29 de septiembre del presente año,

según consta en Acuerdo N°64, se ha pronunciado favorablemente sobre la propuesta de

creación del Grado Académico de Magíster en Ciencia de Datos, que será impartido por la

Facultad de Ciencias Físicas y Matemáticas.

En razón de lo anterior, remito a usted el correspondiente Certificado de Acuerdo y

los antecedentes pertinentes a los efectos de someter este asunto a la aprobación del

Senado Universitario, conforme lo dispuesto en el artículo 25 literal g) del Estatuto

Institucional.

Sin otro particular, saluda atentamente a Ud.,

Dr. ENNIO VIVALDI VÉJAR Rector

DISTRIBUCIÓN: 1.- Sra. Vicepresidenta del Senado Universitario

2.- Sr. Decano de la Facultad de Ciencias Físicas y Matemáticas (c.i.)

3.- Sra. Vicerrectora de Asuntos Académicos (c.i.)

4.- Dirección Jurídica (c.i.)

5.- Archivo Rectoría

Ennio Augusto Vivaldi Vejar

Firmado digitalmente por Ennio Augusto Vivaldi Vejar Fecha: 2020.10.07 17:26:09 -03'00'

C O N S E J O U N I V E R S I T A R I O

C E R T I F I C A D O

El Director Jurídico que suscribe, en su calidad de Ministro de Fe del Consejo

Universitario de la Universidad de Chile, certifica que, en el Acta de la Décima

Segunda Sesión Ordinaria, realizada el día 29 de septiembre de 2020, consta que

el Consejo Universitario acordó por unanimidad lo siguiente:

“ACUERDO N°64

De conformidad con lo dispuesto en el artículo 23°, letra g) del Decreto con

Fuerza de Ley Nº3, de 2006, que fijó el texto refundido, coordinado y sistematizado

del Decreto con Fuerza de Ley Nº153, de 1981, ambos del Ministerio de Educación,

que establece los Estatutos de la Universidad de Chile, el Consejo Universitario se

pronunció favorablemente sobre la creación del grado académico de Magíster en

Ciencia de Datos, que impartirá la Facultad de Ciencias Físicas y Matemáticas.”

Se extiende el presente certificado con el fin de remitir los antecedentes al

Senado Universitario para efectos de lo dispuesto en el artículo 25, letra g), del

cuerpo legal previamente citado.

Santiago, 7 de octubre de 2020.

FERNANDO MOLINA LAMILLA

Director Jurídico

Secretario Consejo Universitario

Fernando Javier Molina Lamilla

Firmado digitalmente por Fernando Javier Molina Lamilla Fecha: 2020.10.07 17:17:48 -03'00'

UNIVERSIDAD DE CHILE VICERRECTORIA DE ASUNTOS ACADÉMICOS

Diagonal Paraguay 265, Torre 15, Of. 2101 - Santiago - CHILE Teléfono: (56 2) 978 2253 correo electrónico [email protected]

VAA (O) N° 144

ANT.: 1) Certificado de aprobación del Consejo de la Facultad de Cs. Físicas y Matemáticas. 2) Oficio N° 012 de 01.09.20, del Depto. de Postgrado y Postítulo.

MAT.: Propuesta de creación del Programa de Magíster en Ciencia de Datos

SANTIAGO, 21 de septiembre de 2020 DE : VICERRECTORA DE ASUNTOS ACADÉMICOS A : SEÑOR RECTOR UNIVERSIDAD DE CHILE

Tengo el agrado de hacer llegar a usted la propuesta de creación del programa de Magíster en Ciencias de Datos, presentado por la Facultad de Ciencias Físicas y Matemáticas de nuestra Corporación.

La propuesta de creación de este nuevo Programa de Doctorado cuenta con la aprobación del Consejo de la Facultad, con el informe favorable de nuestro Departamento de Postgrado y Postítulo, y cuenta además con la recomendación de aprobación por parte de la Comisión Académica del Consejo Universitario, que analizó la propuesta en sesión del día viernes 11 de septiembre de 2020, sin observaciones. En consecuencia, con el informe favorable de esta Vicerrectoría, y en caso de contar con su anuencia, recomendamos al señor Rector se remitan los antecedentes a la Dirección Jurídica de la Corporación a fin de que sea tratado en una próxima sesión del Consejo Universitario y posteriormente por el Senado Universitario.

Le saluda atentamente,

(Firmado electrónicamente)

ROSA DEVÉS A. Vicerrectora de Asuntos Académicos

Documento emitido con Firma Electrónica Avanzada por la Universidad de Chile.La autenticidad puede ser verificada en:https://ceropapel.uchile.cl/validacion/5f689f4dcf37f7001cdeabaa

Ennio Augusto Vivaldi Vejar

Firmado digitalmente por Ennio Augusto Vivaldi Vejar Fecha: 2020.09.21 15:48:59 -03'00'

U. DE CHILE DPP (O) N°12/2020

ANT: Carta del Sr. Director de la Escuela de Postgrado de la Facultad de Ciencias Físicas y Matemáticas

Certificado de aprobación del Consejo de la Facultad de Ciencias Físicas y Matemáticas

MAT: Propuesta de creación del Programa de

Magíster en Ciencia de Datos Santiago, 1 de septiembre de 2020 A: SRA. VICERRECTORA DE ASUNTOS ACADEMICOS DE: SUBDIRECTOR DEPTO. DE POSTGRADO Y POSTITULO Tengo el agrado de adjuntar la propuesta de creación del programa de estudios conducente al grado académico de Magíster en Ciencia de Datos, de la Facultad de Ciencias Físicas y Matemáticas. Este es un programa de carácter académico y está dirigido -preferencial, pero no excluyentemente- a licenciados de las áreas de la ingeniería y de las ciencias naturales o afines. El programa propuesto busca suplir la demanda nacional de expertos en ciencia de datos, los que podrán desarrollar investigación en este campo o seguir estudios de doctorado en la misma disciplina. Alternativamente, los graduados y las graduadas del Programa estarán también capacitados para desempeñarse en distintos rubros de la industria o de los sectores públicos. La propuesta ha sido analizada por el Departamento de Postgrado y Postítulo y cuenta con su aprobación. Solicito a usted continuar con el proceso de análisis y tramitación de esta iniciativa, a fin de lograr el decreto de creación del grado académico correspondiente. Le saluda atentamente,

Dr. Sergio Villanueva B. Subdirector Departamento de Postgrado y Postítulo

Distribución: 1.- Sra. Vicerrectora de Asuntos Académicos 2.- Archivo D.P.P.

Documento emitido con Firma Electrónica Avanzada por la Universidad de Chile.La autenticidad puede ser verificada en:https://ceropapel.uchile.cl/validacion/5f4ebb1acf37f7001cbb3155

Santiago, 25 de agosto de 2020

CERTIFICADO

El Vicedecano de la Facultad de Ciencias Físicas y Matemáticas de la Universidad de Chile, que suscribe en su calidad de Ministro de Fe, certifica que en la sesión del Consejo de Facultad celebrada el día 16 de mayo de 2018, se aprobó la creación del programa de Magíster en Ciencia de Datos.

James McPhee Torres VICEDECANO

James Peter Mc Phee Torres

Firmado digitalmente por James Peter Mc Phee Torres Fecha: 2020.08.28 19:31:15 -04'00'

Unidad de Aseguramiento de la Calidad y Acreditación Departamento de Postgrado y Postítulo Vicerrectoría de Asuntos Académicos Universidad de Chile

1

FORMULARIO DE CREACIÓN PROGRAMA DE POSTGRADO

1. IDENTIFICACION DEL PROGRAMA 1.1 Nombre del programa

Magíster en Ciencia de Datos

1.2 Dependencia administrativa del programa

Facultad/Instituto única/o Interfacultad En convenio con otra(s) universidad(es) nacional(es) En convenio con otra(s) universidad(es) extranjera(s)

1.3 Facultad(es) o Instituto(s) que participa(n)

Facultad de Ciencias Físicas y Matemáticas

1.4 Orientación del Programa (Académico, Profesional o Mixto)

Académico

1.5 Jornada en la que se impartirá el programa (diurna o vespertina) y dedicación de los estudiantes (total o parcial)

Diurna - Completa

1.6 Modalidad en la que se impartirá el programa (presencial o semi-presencial con componente online)

Presencial

1.7 Nombre del académico coordinador del programa e información de contacto (lugar de trabajo, teléfono y correo electrónico)

Felipe Tobar Centro de Modelamiento Matemático Facultad de Ciencias Físicas y Matemáticas Universidad de Chile Correo-E: [email protected] Anexo: 71056


2

2. PROPÓSITOS DEL PROGRAMA 2.1 Fundamentos que justifican la creación del programa

Relevancia de la Ciencia de Datos en la sociedad actual. El Magíster en Ciencia de Datos responde a las oportunidades que brinda el análisis de datos para entender, mejorar y avanzar distintas disciplinas tanto en la academia como en los sectores públicos y privados. En los últimos años, hemos observado un aumento sistemático en la generación de datos en áreas como salud, transporte, seguridad social, astroinformática, minería, geología, finanzas y ciberseguridad, solo por nombrar algunas. Esta abundancia en la disponibilidad de datos durante la última década es consecuencia de que los datos contienen información, con lo que mientras más datos se recolecten, más información relevante se puede extraer de ellos; este concepto impacta directamente una infinidad de áreas de aplicación. En la práctica, lo que ha permitido recolectar cantidades insólitas de datos, es la disponibilidad de nuevas fuentes de medición o sensorización (WEF, 2012), tales como redes de sensores industriales, telescopios, sistemas de navegación, redes sociales, e incluso dispositivos portátiles como teléfonos o relojes, los que nos han convertidos en sensores humanos. Esta disponibilidad de datos, complementada con las capacidades apropiadas desde las matemáticas, ingenierías y ciencias de la computación, representan un cambio de paradigma en la forma que hacemos ciencia y cómo ésta se transfiere a la industria y al sector público. De forma crítica, la gestión, análisis e interpretación adecuada de los datos, convierte a la ciencia de datos -una disciplina reciente- en un activo central para el desarrollo de la economía y la sociedad de forma integral (WEF, 2012). Como respuesta a la evidencia del valor de los datos, organizaciones públicas y privadas han desarrollado estructuras organizacionales a nivel interno, con la finalidad de incorporar el manejo de tecnologías complejas para la gestión y el análisis de datos en su quehacer. Por ejemplo, actualmente es común encontrar unidades o grupos de “ciencia de datos”, “inteligencia artificial”, “inteligencia empresarial”, o simplemente “analítica” en diversas instituciones. Esta modernización persigue transformar los datos en información, y luego utilizar ésta para agregar valor en diferentes disciplinas. Probablemente las pioneras en el uso de los datos han sido las disciplinas científicas: hace décadas las ingenierías y ciencias han complementado el enfoque clásico, o “fenomenológico”, en el cual los procesos son descritos de forma conceptual basados en leyes físicas, con un enfoque moderno, o “agnóstico”, en donde recolectamos datos para entender la naturaleza de los fenómenos de interés. Este fenómeno es claramente identificado en astroinformática, donde extensas observaciones del espacio son analizadas por un experto para encontrar supernovas, o bien en las ciencias de la tierra, donde mediante imágenes satelitales es posible evaluar el impacto ambiental de distintas políticas. Actualmente, podemos identificar técnicas de análisis de datos en salud, principalmente mediante el procesamiento de imágenes médicas, e incluso en derecho, donde se ha buscado organizar la jurisprudencia existente con la finalidad de estructurar dichos registros para acceder fácilmente a ellos. En el mundo privado, la operación basada en datos ha crecido sostenidamente en la última década: para los actores industriales, es claro que el análisis de datos permite diferenciarse, mejorar la productividad y generar servicios más acordes a las necesidades de los clientes existentes y potenciales. De hecho, entre las empresas que se encuentran en el primer tercio en ventas de sus industrias, aquellas que usan datos para la toma de decisiones son, en promedio, un 5% más productivas y un 6% más rentables que sus competidores (Brynjolfsson, 2016). De forma similar, el análisis de datos en el sector público representa importantes oportunidades de desarrollo, pues la automatización del procesamiento de datos en organismos públicos permite caracterizar de mejor manera las necesidades de la población (McKinsey, 2011) y con ello diseñar políticas acordes a los requerimientos reales y actuales de la ciudadanía de manera costo-efectiva (WEF, 2012). De forma paralela, además de la clara eficiencia en los procesos del


3

estado que aporta el análisis de datos, un estado moderno que tiene pleno manejo de las tendencias de análisis de datos, está mejor equipado al momento de evaluar, fiscalizar y asegurar un espacio fructífero para el desarrollo y uso justo de estas herramientas. Por ejemplo, es necesario que el uso del análisis de datos sea regulado y transparente en situaciones sensibles como diagnósticos médicos, reclutamiento profesional y evaluación crediticia. En dichos casos, las directrices a seguir por los distintos actores deben emanar desde un ente regulador con conocimientos de dichas tecnologías para evitar sesgos de raza, género o condición socioeconómica. En general, tanto en los sectores privados, públicos o académicos, es claro que en la medida que existan más datos, más actores debiesen incorporar su análisis de forma sistemática, considerando su uso como parte de un alfabetismo tecnológico necesario para el funcionamiento de las instituciones modernas. Necesidad de profesionales expertos en ciencia de datos y rol de la Universidad. A pesar de las bondades del tratamiento de datos y de su inminente necesidad en varios ámbitos de nuestra sociedad, a nivel global se evidencia un déficit de profesionales con las competencias y la formación necesaria para implementar de forma exitosa rutinas de procesamiento de datos. Ya hace casi una década, en Estados Unidos, se anticipaba que al 2018 podía existir un déficit de profesionales y analistas que supieran cómo utilizar los datos disponibles para contribuir a una mejor toma de decisiones (McKinsey, 2011). De igual forma, actualmente el país norteamericano está proyectando que para el año 2024 existirá un déficit aproximado de 250.000 profesionales en esta área (Harvard Business Review, 2019). En Chile vemos una inmensa brecha de capital humano en el área de las tecnologías de la información y comunicación (TIC), como se menciona en (CTD, 2017): “sólo en 2015, un estudio de IDC (International Data Corporation) calculó que faltarán el 39% de los profesionales TIC requeridos en Chile (14.501 trabajadores), y el 54% de profesionales TIC orientados específicamente a nuevas tecnologías como cloud computing, datacenters, o virtualización (7.707 trabajadores)”. Esto da cuenta que el avance tecnológico ha tenido un desarrollo más acelerado que la formación de profesionales en dichas disciplinas. En conclusión, Chile mantiene un déficit creciente de profesionales de carácter universitario y técnico en el área de las carreras relacionada a la ciencia de datos. Dado el rol que puede tomar la ciencia de datos en el desarrollo nacional y global mencionado en los párrafos anteriores, se hace imperativo generar y transferir conocimiento desde la Academia hacia otras ciencias, organismos públicos e instituciones privadas. La forma de lograr este objetivo es mediante la formación de nuevos profesionales que estén capacitados y especializados en técnicas modernas de análisis de datos, con el fin que ellos y ellas puedan responder a la creciente demanda de soluciones modernas que requieren o serán beneficiadas de la ciencia de datos. Rol de la Universidad y propuesta general En relación con la misión académica recién identificada, la Facultad de Ciencias Físicas y Matemáticas (FCFM) busca responder a la alta demanda de profesionales especializados en ciencia de datos. La FCFM cuenta con una capacidad única para entregar dicha formación a los más altos estándares de excelencia académica, principalmente a través de su cuerpo de académicos(as) especialistas en la materia, reconocidos(as) a nivel nacional e internacional. Estos(as) académicos(as) cuentan con vasta experiencia tanto desde el tratamiento teórico de la disciplina en cuestión, como también en su implementación práctica a través de colaboraciones individuales y grupales. En este sentido, y entendiendo que la ciencia de datos se desarrolla de forma multidisciplinaria, la propuesta de este Magíster de Ciencia de Datos reúne a cuatro Departamentos de la FCFM. Éstos son el Departamento en Ciencias de la Computación (DCC), el


4

Departamento de Ingeniería Eléctrica (DIE), el Departamento de Ingeniería Industrial (DII) y el Departamento de Ingeniería Matemática (DIM); donde el carácter interdepartamental se ha plasmado en todos los aspectos propuestos en esta iniciativa. Es importante mencionar que esta propuesta surge del trabajo colaborativo de las cuatro unidades mencionadas (DCC, DIE, DII y DIM), el que ha promovido una mirada transversal apuntando a la formación holística e interdisciplinaria de sus futuros(as) graduados(as). Este carácter es, a nuestro juicio, distintivo y no se observa en otras ofertas en la temática. Otro aspecto a destacar es que el grupo de académicos(as) que conforman el claustro del programa cubre un amplio rango de temáticas, aspectos de especialización y aplicaciones, que posicionan al programa propuesto como uno de excelencia, relevancia nacional, conexión con el sector profesional y perspectiva académica moderna. Más allá de la necesidad que este programa tiene para en el país y la capacidad de la FCFM para llevarlo a cabo, es relevante también enfatizar que el Magíster en Ciencia de Datos obedece a la misión de la Universidad de Chile. Los estatutos de Universidad establecen que parte de su misión es (Artículo 2) es la generación del saber en todas las áreas del conocimiento, como también la formación de personas y la contribución al desarrollo espiritual y material de la Nación. Además, el Artículo 3 de los estatutos sentencia que: “[La universidad reconoce] como parte de su misión la atención de los problemas y necesidades del país. Con ese fin, se obliga al más completo conocimiento de la realidad nacional y a su desarrollo por medio de la investigación y la creación; postula el desarrollo integral, equilibrado y sostenible del país.” En consecuencia, es responsabilidad de la Universidad de Chile satisfacer la necesidad de la Nación de potenciar su Academia, industria y sector público con profesionales del más alto nivel en áreas modernas de aplicación, tales como la ciencia de datos. El Magíster en Ciencia de Datos apunta en el cumplimiento de esta misión. Relación con el Plan de Desarrollo Institucional de la Universidad de Chile. El Magíster en Ciencia de Datos propuesto contribuye al cumplimiento de los objetivos institucionales establecidos en el Plan de Desarrollo Institucional (PDI, Universidad de Chile, 2017-2026; Decreto Universitario Nº0031884/2018). En particular, este programa responde principalmente a dos de los objetivos estratégicos institucionales. A continuación, se describen dichos objetivos y la forma en que el programa propuesto los aborda.

1) Al desarrollo e incremento de la función académica al más alto nivel y acorde a los desafíos y necesidades del país y de la sociedad del siglo XXI, así como también al pensamiento crítico y transversalidad de la formación que imparte la Universidad para contribuir sistemáticamente al diagnóstico y diseño de soluciones de los problemas estratégicos del país (PDI, Universidad de Chile, 2017-2026, Objetivos Estratégicos 1 y 2). Esto se logra transversalmente promoviendo la integración de la generación, transmisión y aplicación del conocimiento entre las diferentes especialidades atingentes a la ciencia de datos y los departamentos que conforman la FCFM, buscando potenciar la formación multidisciplinaria y el desarrollo de competencias de desarrollo profesional en ambientes que valoran positivamente la integración de conocimiento y experiencias diversas.

2) A las Estrategias Generales (temas generales y transversales) del PDI que en su Sección II aborda el “Desarrollo de la investigación, creación y producción artística e innovación al más alto nivel, articuladas con los problemas estratégicos y necesidades del país”, que se vincula con los Objetivos Estratégicos 1 y 2; Visión, partes (i) y (ii); sección II. 1. El mundo y nuestro país: desafíos globales; sección II.2 La Universidad de Chile: Investigación/Creación, y en particular con los siguientes objetivos declarados de “Desarrollar colaborativamente la investigación, creación y producción artística e innovación, dentro y fuera de la


5

universidad”; “Fomentar la innovación y transferencia a la sociedad” y “Ser reconocida como una de las mejores universidades de América Latina en investigación” (PDI, Universidad de Chile, 2017-2026). Esto se logra a partir de la contribución del programa propuesto al desarrollo de competencias profesionales necesarias para el tratamiento exitoso de datos, lo cuales permiten generar y presentar, a través de herramientas innovadoras, nuevo conocimiento e información valiosa a partir de la evidencia de los datos para responder a los problemas centrales y desafíos de la sociedad del siglo XXI.

2.2 Análisis de la oferta nacional y latinoamericana de programas similares en el área.

Oferta internacional La disponibilidad de programas de postgrado en ciencia de datos en el ámbito internacional ha crecido sostenidamente. Dentro de esta abundante oferta de programas de magíster, es posible identificar variados enfoques, lo cual es directamente evidente desde el nombre o título de cada programa. Por ejemplo, es posible encontrar Master in Data Science propiamente tal, como también magísters en áreas específicas, tales como Ciencias de la Computación, Estadística, Matemáticas, Ingeniería o Tecnologías de la información, con una especialización (o track) en ciencia de datos. Otros programas están enfocados en aspectos particulares de la ciencia de datos, por ejemplo, los Masters en Business Analytics, Marketing Analytics, Operations Management e incluso en Big Data. Es usual además que estos programas tengan una extensión de entre de 12 y 24 meses, donde el balance entre cursos (créditos lectivos) y la realización de una tesis son requisitos muy dispares entre dichos programas. Lo que es transversal a los programas anteriores, pero con distintos enfoques, es que la mayoría de éstos cuentan con un balance entre cursos prácticos y teóricos. De esta forma, estos programas i) fomentan la comprensión de las bases conceptuales de los componentes del análisis de datos, y también ii) entregan experiencia de “primera mano” en cuanto al trabajo directo con bases de datos de problemas reales durante el proceso de formación. Para el caso de algunos programas a nivel internacional, incluso se ofrecen bootcamps intensivos, los que buscan desarrollar el uso de herramientas de aprendizaje de máquinas y lenguajes de programación como requisitos previos para ingresar la programa. Esto último sirve como una medida de nivelación, lo cual es usualmente necesario en el contexto de un programa que recibe un público ampliamente multidisciplinario. En general, dichos cursos aplicados se enfocan en desarrollar competencias para el manejo de administradores de bases de datos (Tableau, MySQL, Hadoop, y otros), de lenguajes y herramientas enfocadas a la implementación de modelos estadísticos como R, Python, Javascript, entre otros. Oferta de programas nacionales En el país, el Magíster en Tecnologías de la Información, dictado por la Universidad Santa María (USM) se creó en el año 2004 y su duración es de 5 semestres. Este programa abarca contenidos de sistemas de información, sistemas de decisión, inteligencia de negocios y minería de datos. Si bien este programa tiene elementos en común con la presente propuesta de Magíster en Ciencia de Datos de la FCFM, el perfil de egreso está enfocado en el área de tecnologías de la información (TI) respecto a las buenas prácticas, estándares y tecnologías aplicadas a los procesos de negocios. De tal forma, este programa prepara a los estudiantes para asumir posiciones de liderazgo dentro de sus organizaciones en un ámbito profesional especializado relacionado con las tecnologías de la información. El Magister en Procesamiento y Gestión de la Información, dictado por la Pontificia Universidad Católica de Chile (PUC), se creó en el año 2012 y tiene por objetivo “formar especialistas para satisfacer las necesidades de una sociedad donde se generan y usan amplios volúmenes de información en un contexto cada vez más digitalizado”. Los contenidos de este programa se relacionan con el manejo de bases de


6

datos, tratamiento y organización del conocimiento, los que se pueden complementar con cursos electivos de recuperación de información, minería de datos, análisis de redes y medios sociales entre otros. Si bien el programa de la PUC tiene contenidos en común con el Magíster en Ciencia de Datos de la FCFM, el carácter interdepartamental del programa propuesto en este documento tiene la perspectiva multidisciplinaria exclusiva de los distintos enfoques cultivados en la FCFM. Por su parte, la UAI ofrece un Magíster en Data Science cuyo objetivo fundamental es desarrollar un conjunto de competencias de manera que sus egresados y egresadas puedan abordar problemas complejos mediante explotación de los datos y así descubrir oportunidades de negocio. Se encuentra dirigido a estudiantes con licenciatura en ciencias de la ingeniería y a profesionales que pertenezcan a sectores como retail, banca y telecomunicaciones entre otros. El programa se imparte en clases 2 veces a la semana en un programa ejecutivo, de carácter profesional. La principal diferencia de este programa con el Magíster en Ciencia de Datos FCFM es el carácter académico distintivo de este último: los contenidos de los cursos obligatorios y electivos, la amplia gama de líneas de aplicación del claustro académico, y el trabajo de tesis de investigación. Por último, la Facultad de Economía y Negocios (FEN) de la Universidad de Chile, imparte el Diplomado en Inteligencia de Clientes y Data Mining, programa orientado profesionales que buscan conocer mejor el comportamiento de sus clientes, para identificar nuevas oportunidades de creación de valor para el mercado al que pertenecen, maximizando las fuentes de información tanto internas como externas y cómo es posible su integración y administración. Los objetivos que persigue este programa son: desarrollar en el alumno las capacidades para potenciar la gestión comercial de una organización; generar la comprensión de cómo los grandes volúmenes de información de los clientes que se acumulan en las organizaciones pueden ser transformadas en valor a través de técnicas tanto de investigación social como de Data Mining; y desarrollar las distinciones de cómo los conceptos de Big Data y Marketing Digital son parte de nuevas metodologías para potenciar el conocimiento de los clientes. Los objetivos de este programa, de perfil orientado a la inteligencia de negocios, no tiene mucha coincidencia con los objetivos del programa de magíster propuesto aquí. Otros programas dentro de la FCFM En cuanto a los programas vigentes de la FCFM de la Universidad de Chile, en primer lugar, enfatizamos que actualmente no existe un programa de postgrado enfocado ciencia de datos propiamente tal, sino que programas en distintos departamentos con un grado de especialización en ciencia de datos. Entre ellos, encontramos el programa vespertino Magíster en Tecnologías de la Información del Departamento en Ciencias de la Computación, el cual tiene 4 semestres de duración. Su objetivo principal es formar especialistas con amplia capacidad analítica y sólidos conocimientos en aspectos teóricos y aplicados en cuanto a la adopción, uso y gestión de Tecnologías de Información (TI). El mismo Departamento también ofrece el Diplomado de Postítulo en Ciencia e Ingeniería de Datos de 150 horas cronológicas de docencia directa y 24 de taller de proyecto. El objetivo de este último es formar profesionales con dominio en análisis de datos que le permitan liderar y realizar proyectos que involucren fuentes de datos masivos y complejos, y de comunicar en forma efectiva los fenómenos que ellos representan. Tanto el Magíster de Ingeniería Eléctrica como el Magíster de Matemáticas Aplicadas, de los Departamento de Ingeniería Eléctrica y Departamento de Ingeniería Matemática respectivamente, cuentan con especializaciones relativas a la ciencia de datos, respectivamente: “inteligencia computacional” y “análisis de datos y computación de alto rendimiento”. Ambas especializaciones tienen un enfoque fuertemente técnico, donde los estudiantes son expuestos al estado del arte del aprendizaje de máquinas, componente fundamental en el núcleo analítico de la ciencia de datos. El Departamento de


7

Ingeniería Industrial, por su parte, imparte el Diplomado en Inteligencia de Negocios, programa profesional de 102 horas de duración (5 meses aproximadamente), que incluye cursos metodológicos, aplicados y talleres prácticos que proveen el conocimiento de prácticas avanzadas de manejo del negocio, con un énfasis cuantitativo de modelamiento. Por último, la Facultad de Ciencias Forestales y Conservación de la Naturaleza está en proceso de implementación de un Magíster en Ciencias de la Geoinformación, aprobado recientemente por la Universidad. En resumen, para el caso de Chile, como se señaló anteriormente se identificaron cuatro universidades que poseen programas cuyos objetivos resultan comparables con los objetivos establecidos en el Magíster en Ciencia de Datos de la FCFM. Estos son el programa Magister en Procesamiento y Gestión de la Información de la Universidad Católica, el programa Magíster en Tecnologías de la Información de la Universidad Técnica Federico Santa María, el programa Magíster en Data Science de la Universidad Adolfo Ibáñez, y el programa de Diplomado en Inteligencia de Clientes y Data Mining la Facultad de Economía y Negocios (FEN) de la Universidad de Chile. Aun cuando estas universidades cuentan con programas y contenidos que coinciden en ciertos aspectos con los propuestos, los énfasis y perspectivas son muy diferentes a los propuestos por este Magíster en Ciencia de Datos de la FCFM. Programa propuesto en el contexto de la oferta existente En el escenario de las alternativas disponibles descritas anteriormente, la FCFM busca ofrecer un Magíster en Ciencia de Datos de carácter académico único en el país, cuyo objetivo es formar profesionales con una preparación rigurosa en las herramientas de las matemáticas, computación e ingeniería, necesarias para realizar proyectos de ciencia de datos de principio a fin, en planos teóricos y aplicados, generando valor en distintos sectores del conocimiento en pos del desarrollo económico y social del país. Este programa de magíster de la FCFM ofrecerá una formación integral en las materias principales de la ciencia de datos, donde se contemplan tres ejes técnicos fundamentales: el matemático, que incorpora estadística, probabilidades y optimización; el de ciencias de la computación, el cual incluye programación científica, bases de datos y computación de alto rendimiento; y el de metodología (o ingeniería), donde se reúnen las herramientas específicas del aprendizaje de máquinas, procesamiento de lenguaje natural, procesamiento de señales, teoría de la información, entre otras. Además de estas direcciones técnicas, el programa propuesto busca equipar a los alumnos con experiencia práctica de primera mano en aplicaciones reales de ingeniería, las cuales están ampliamente disponible en la FCFM. Es relevante mencionar que la incorporación del aspecto práctico al Magíster es simbiótica: los alumnos del programa se beneficiarán de estos escenarios de formación realista y, al mismo tiempo, los resultados de este proceso de aprendizaje serán percibidos por las disciplinas aplicadas correspondientes. Esto será posible gracias al carácter interdisciplinario del programa, con un claustro conformado por académicos de las unidades mencionadas (DIE, DIM, DII, DCC). Esta interdisciplinaridad invitará a los estudiantes del programa a orientar sus cursos electivos y su trabajo de investigación en la línea que sea afín a sus intereses e inquietudes, en beneficio de su desarrollo académico-profesional, inclusive trabajando con supervisores de distintos departamentos. Cabe destacar que a la fecha no existe, al menos a nivel nacional, un programa de magíster de carácter académico que convoque a más de una especialidad formalmente en la definición del programa. Este programa de magíster es un reflejo de que la FCFM, y consecuentemente la Universidad de Chile, es actualmente un líder nacional y regional en ciencia de datos, donde el planteamiento del programa propuesto es un paso natural para la FCFM, como también único en su génesis.

2.3 Análisis de la demanda potencial por el programa propuesto


8

Contexto nacional de la demanda por formación de Ciencia de Datos De acuerdo con lo expuesto en las secciones anteriores, la ciencia de datos representa un cambio de paradigma con respecto de la operación clásica de las instituciones técnicas. Este nuevo enfoque ha sido adoptado a gran velocidad por distintos agentes, lo que ha causado una restructuración de industrias, profesionales y procedimientos tecnológicos. Como consecuencia, existe una necesidad patente de profesionales que dominen de forma rigurosa dichas herramientas, lo que ha sacudido el mercado de consumidores de programas de especialización en ciencia de datos a todo nivel. Dentro de éstos, nuestro foco es al nivel de postgrado, en particular de magíster, el cual creemos el que hace un impacto único en la transferencia de metodologías científicas desde la Academia a los ámbitos profesionales y por ende en el desarrollo socioeconómico del país. La necesidad de más y mejores profesionales trabajando en ciencia de datos es particularmente clara incluso para los propios estudiantes: la demanda tanto desde dentro de la FCFM como desde instituciones educacionales externas ha crecido consistentemente en los últimos años. La formación disponible para los alumnos de la FCFM en ciencia de datos, por ejemplo, a través de las especializaciones de magíster, diplomados, cursos individuales, charlas, o incluso prácticas profesionales, han generado un interés sin precedente en los últimos años. Por ejemplo, el curso de aprendizaje de máquinas dictado desde el año 2016 (MA5204) tiene actualmente 90 alumnos de la FCFM, de distintos departamentos, a pesar de ser un curso electivo que no satisface ningún requerimiento explícito en los programas educacionales de los asistentes. De igual forma, desde afuera de la Universidad, cada vez vemos más profesionales interesados en complementar su formación con técnicas modernas de análisis de datos, en particular a través de diplomados o cursos, tanto de forma individual o como en parte de grupos desde distintas industrias, principalmente del sector bancario, minero, u organizaciones no gubernamentales. La relevancia de la formación de profesionales expertos en tecnologías de punta (como es el caso de la ciencia de datos) ha sido identificada por el sector público también, el cual, en el marco de la política de desarrollo productivo del país, asegura que la generación de una plataforma de industrias inteligentes requiere del fortalecimiento de la infraestructura de datos y comunicación, como también la formación de capital humano avanzado en gestión y análisis de Big Data (CORFO, 2016). Particularmente, se considera que sectores como el retail, estatal, financiero, minería, agricultura, salud, telecomunicaciones y astronomía, cuentan con un potencial de disponibilidad de datos y requerimientos que pueden verse ampliamente beneficiados si se cuenta con profesionales altamente capacitados en ciencia de datos (CORFO, 2016). Adicionalmente, cabe mencionar que los programas “Transforma” del Gobierno de Chile, los que establecen sectores económicos o industrias prioritarias en el marco de la política de desarrollo productivo, integran entre sus prioridades las industrias smart agro, smart cities y smart mining; disciplinas industriales relacionadas de manera directa con los objetivos de formación propuestos para el Magíster en Ciencia de Datos de la FCFM. Demanda por el programa propuesto en particular El proyecto CORFO titulado “Una Nueva Ingeniería para el Año 2030” (desde ahora “Ingeniería 2030”) adjudicado por la FCFM en 2012, ha apoyado la creación del Magíster en Ciencia de Datos propuesta desde 2017, pues Ingeniería 2030 reconoce la ciencia de datos como un área prioritaria en el desarrollo de las competencias y habilidades de ingenieros del siglo XXI. Como respuesta de la difusión de la creación de este programa, múltiples estudiantes de pregrado de la FCFM han mostrado su interés sobre el programa de manera sostenida, en particular, sobre su contenido, implementación, y cómo postular a éste. Esto refleja el interés, la demanda y la necesidad que manifiestan los estudiantes de la FCFM por desarrollarse


9

en el campo de la ciencia de datos desde una etapa muy temprana, con la finalidad de ser protagonistas y contribuir a los desafíos que planteará la sociedad del Siglo XXI. Para robustecer la afirmación sobre la existencia de la potencial demanda para el Magíster en Ciencia de Datos propuesto, se realizó una encuesta abierta a la comunidad de la FCFM. Se recibieron 201 respuestas, donde el 97% calificó la creación del programa como “una excelente idea”. Además, en el caso de crearse el programa, el 71% de los consultados afirma que “Sí” postularía al programa. El 59% de las respuestas de esta encuentra pertenecen a estudiantes de pregrado entre cuarto y sexto año de la FCFM, esto sugiere, en un inicio, sean estudiantes principalmente de la FCFM quienes postulen al programa buscando complementar su pregrado en ingeniería con este magíster. Además de la percepción de la escena nacional, este breve estudio realizado por el equipo proponente del Magíster de Ciencia de Datos confirma la demanda interna de postulantes que buscan desarrollarse profesional y académicamente en el área de ciencia de datos. En base a su confirmada demanda interna, el Magíster en Ciencia de Datos considera estudiantes y egresados de la FCFM como posibles postulantes, lo cual articula al programa de forma armónica con el pregrado de la Facultad. Es decir, se dará la posibilidad a los estudiantes de pregrado de la FCFM de reconocer sus cursos (cuya equivalencia con este magíster debe ser previamente aprobada por el Comité Académico), como los necesarios para aprobar el programa propuesto. Así, una vez inscritos en el programa, los alumnos de la FCFM deberán completar los requerimientos pendientes, es decir, los cursos adicionales no cursados en su pregrado junto con el trabajo de tesis. Estudiantes desde fuera de la universidad (y del país) Enfatizamos que el programa propuesto no es, en ningún caso, exclusivo para alumnos de la FCFM, sino que está abierto a candidatos de otras universidades tanto dentro como fuera del país. De hecho, creemos que este programa, como cualquier programa de ciencias de datos de estándar internacional, se beneficiará indudablemente al recibir estudiantes extranjeros, lo cual visibiliza al programa desde una perspectiva internacional. Además, el incorporar alumnos extranjeros les da a nuestros estudiantes exposición valiosa mediante su inserción en un grupo multidisciplinario y multicultural. Por esta razón, el programa se publicitará en las redes de colaboración de los miembros del claustro, como también los convenios internacionales de los departamentos y centros de la FCFM, al igual que las iniciativas existentes de internacionalización. De todas formas, para todos los alumnos interesados en unirse al programa, se exigirá la certificación de conocimientos necesarios, principalmente en matemáticas, programación y manejo del idioma inglés. Este nivel de suficiencia se corroborará a través de los antecedentes académicos presentados por el postulante al programa, y en caso de ser necesario, el programa se reserva el derecho de tomar un examen, u otro instrumento de medición, para corroborar los conocimientos antes mencionados. Finalmente, el programa de Magíster en Ciencia de Datos espera aceptar el primer año entre 20 y 30 estudiantes. La proyección es ir creciendo en el orden de 10 estudiantes anuales hasta llegar a un total de 50 estudiantes en su 3er año de ejecución. Estas proyecciones son bastante conservadoras si consideramos la evidencia levantada hasta la fecha.

2.4 Impacto en el medio

El Magíster en Ciencia de Datos se propone en un entorno profesional competitivo para distintos actores y rubros, tanto a nivel nacional como internacional. En este contexto, donde múltiples agentes desde la a academia, la industria y el sector público, se ven implícitamente forzados a incorporar, o al menos evaluar, rutinas de ciencia de datos a sus actividades. El desafío de Chile en particular –y de Latinoamérica en


10

general– es generar valor agregado y potenciar su desarrollo con respecto a otras sociedades de forma integral, donde los avances económicos deben ir a la par con la modernización del estado, las políticas sociales y el avance científico. En este escenario, nuestra hipótesis es que las herramientas de frontera de ciencia de datos son fundamentales para construir una sociedad más desarrollada, pero al mismo tiempo más justa y equitativa. Es claro que distintas áreas de interés, desde la agricultura hasta astroinformática, desde la salud pública hasta las telecomunicaciones, y desde las políticas públicas hasta la banca, deben hacer propio el análisis de datos. Pareciese que ya no bastara con recopilar información, sino que se debe incorporar un análisis sofisticado de extracción de información desde los datos recopilados, con la finalidad no solo de aumentar el volumen de estos mismo, sino que de hacer sentido de los datos. El cambio de paradigma que se refiere a incorporar el análisis, y no la mera recolección, de datos como una componente fundacional de las nuevas prácticas, hace imperativo contar con profesionales que puedan llevar a cabo dicho objetivo: extraer información valiosa desde los datos. Estos profesionales promoverán el uso la ciencia de datos en pos de la modernización el país, específicamente, mediante la apropiada adquisición condicionamiento y procesamiento de bases de datos, como también la interpretación y presentación de sus resultados. Con ello, estos profesionales producirán un impacto directo en el desarrollo de nuestra sociedad en distintos frentes, tanto públicos (salud, transporte, educación, medio ambiente, vivienda), como privados (retail, banca, agricultura, forestal, minería), y científicos. Los egresados del programa propuesto tomarán el rol de científicos de datos. Gracias a su formación en términos conceptuales como prácticos, permitirán la tecnologización de la sociedad, donde es posible migrar de una industria basada en recursos naturales a una basada en servicios tecnológicos. Además, esto permitirá un estado que aproveche los desarrollos tecnológicos a su favor y una sociedad que se beneficia de estos desarrollos, pero que al mismo tiempo está tecnológicamente alfabetizada también. En este sentido, el Magíster en Ciencia de datos impulsará una nueva generación de profesionales mejor capacitados para los futuro desafíos que debemos enfrentar como país y sociedad.

2.5 Modelo de gestión

El Magíster en Ciencia de Datos dependerá directamente de la Escuela de Postgrado y Educación Continua de la FCFM por su carácter interdepartamental. La administración del Programa en cuanto al ingreso, permanencia, control de notas, actas de exámenes y procedimientos de graduación de los estudiantes, será realizada por la Escuela de Postgrado y Educación Continua de la FCFM. Además, la Secretaría de Estudios, la Oficina de Títulos y Grados de la FCFM y el Comité Académico del Programa colaboraran en las instancias relevantes al programa. De esta forma, este Magíster enriquecerá la interacción entre los académicos y alumnos del programa (tanto los que vienen desde el pregrado en la FCFM, como los que vienen desde fuera de ésta), donde el cuerpo académico y claustro está confirmado por miembros de los cuatro departamentos de la FCFM que conforman el programa: DIE, DII, DCC, DIM. Las principales formas de financiamiento de los estudiantes serán a través de recursos propios y obtención de becas de arancel. Se espera que luego de obtenida la acreditación del programa, los estudiantes del programa puedan optar a becas CONICYT de postgrado. En cuanto al espacio físico, las clases de carácter lectivo del programa se impartirán en las dependencias de la FCFM.

2.6 Objetivos del programa

Objetivos generales


11

El programa propuesto busca suplir la demanda nacional, tanto de posibles empleadores como los propios postulantes, por una renovada generación de profesionales expertos en ciencia de datos que impulsarán el desarrollo social del país en los próximos años. En particular, los egresados del programa podrán indistintamente desempeñarse como “científico de datos”, o “data scientist”, en distintos rubros de la industria, o de los sectores públicos o científicos. Los y las graduados del programa también podrán desarrollar investigación en las temáticas de la ciencia de datos como parte de un equipo de investigación o siguiendo estudio de doctorado en disciplinas afines. Adicionalmente, y como paso necesario para el objetivo anterior, el programa busca unificar recursos existentes en la FCFM y utilizarlos como base para generar otros nuevos, en un contexto formal, donde estos recursos se puedan visibilizar y presentar al público en la forma de un programa de magíster. Objetivos específicos Para que los futuros científicos de datos e investigadores cumplan con el objetivo general presentado arriba, su formación en ciencia de datos debe ser integral y rigurosa. En este sentido, los objetivos particulares del programa propuesto buscan educar profesionales en términos conceptuales y prácticos de la ciencia de datos en todas sus etapas, es decir, en la extracción, transformación, representación, análisis, y visualización. Esta formación integral se realizará a través de los siguientes ejes de formación. 1- Teoría: contenidos relativos a probabilidades, estadística, optimización, teoría de la información y teoría de base de datos. Este eje tiene el objetivo de que el alumno identifique la conexión entre las herramientas usadas de la ciencia de datos y su contraparte con la teoría clásica existente. 2- Métodos: donde se incluyen las herramientas usualmente referidas como de “inteligencia artificial”, técnicas de aprendizaje de máquinas, procesamiento de lenguaje, aprendizaje profundo y visualización. Este eje representa la “batería de métodos” que el(la) egresado(a) debe dominar, como también identificar saber cuándo y cómo utilizarla, o eventualmente desarrollar nuevos métodos ad hoc al problema en cuestión. 3- Práctica: donde se congregan los recursos computacionales, en particular los de computación de alto rendimiento, programación científica y manejo de bases de datos. La relevancia de este eje radica en la eficiencia en la implementación, la cual es necesaria en proyectos caracterizados por una cantidad relevante de datos o con modelos de complejidad avanzada. 4- Interfaz: donde el alumno interactúa con especialistas de otras áreas, usualmente aplicadas, que tienen una necesidad de incorporar ciencia de datos, tales como la astronomía, salud, minería, clima o el retail. Este eje pretende entregar al estudiante las herramientas necesarias para interactuar de forma clara y exitosa con dichas áreas, donde el egresado debe identificar las problemáticas, como también presentar y comunicar efectivamente el valor extraído desde los datos. En resumen, la(os) egresada(os) del programa podrán abordar problemas de frontera en ciencia de datos desde el modelamiento matemático, pasando por el estudio y evaluación de herramientas, el diseño de nuevos algoritmos y métodos o, en su defecto, la adaptación novedosa de técnicas existentes en nuevos contextos, para concluir con el análisis de resultados y su discusión.

2.7 Perfil de graduación esperado

Competencias de ámbito El(la) egresado(a) del Magíster en Ciencia de Datos será un(a) profesional con una formación académica sólida en los fundamentos y prácticas de la ciencia de datos, lo que incluye conocimientos teóricos y metodológicos, el dominio de los métodos avanzados que le permitirán contribuir de forma innovadora y creativa al desarrollo de proyectos de análisis de datos, como también implementar soluciones desde el


12

punto de vista de computación científica y transmitir efectivamente sus resultados. Todo esto con el fin último de extraer información valiosa de datos en diversos formatos para la creación de valor o nuevo conocimiento en distintas disciplinas. Competencias específicas Las(os) egresadas(os) del programa: -Tendrán fundamentos matemáticos avanzados en estadística, probabilidades, optimización, teoría de la información y bases de datos. Serán capaces también de identificar cómo estas disciplinas sustentan la validez de los métodos aplicados. -Dominarán las herramientas de aprendizaje de máquinas que les permitirán analizar y procesar bases de datos de diversos volumen y formato, donde deberán evaluar qué herramienta es la apropiada en cada caso, por qué lo es, y qué ventajas comparativas representan unas contra otras en aplicaciones específicas. -Podrán abordar y resolver problemas de frontera en ciencia de datos desde el modelamiento matemático, pasando por el estudio y evaluación de herramientas, el diseño de nuevos algoritmos y métodos. En su defecto, podrán adaptar de forma novedosa las técnicas existentes en nuevos contextos, para concluir con el análisis de resultados y su discusión. -Serán capaces de revisar literatura y actualizar sus conocimientos en ciencias de datos de manera autónoma, lo que es fundamental para esta disciplina que se encuentra en constante evolución. -Dominarán herramientas para presentar y comunicar efectivamente el valor extraído sobre los datos, haciendo uso de técnicas como la visualización de datos y el desarrollo de aplicaciones interactivas. -Podrán trabajar de forma colaborativa en grupos de trabajo y proyectos de ciencias de los datos en un contexto interdisciplinario, como también de forma autónoma e independiente en caso de que el contexto lo amerite. Competencias genéricas El egresado podrá actuar de manera responsable y honesta, dando cuenta en forma crítica de sus propias acciones y sus consecuencias, en el marco del respeto hacia la dignidad de las personas y el cuidado del medio social, cultural y natural.

2.8 Proyección internacional

La difusión del programa tendrá como canal principal la página web de la Escuela de Postgrado FCFM y su propia página web. Esto con el fin de dar acceso a la malla curricular, programas, perfil de egreso, objetivos, proceso de tesis, aranceles, académicos del claustro, áreas de investigación, proyectos emblemáticos y actividades de difusión. De esta forma, los postulantes (en particular los externos a la Universidad o extranjeros) pueden tener plena información del programa, su quehacer, y con ello una noción lo más acabada posible del Magíster. Adicionalmente, existirá un equipo de profesionales dedicado a responder dudas de todos los procesos relevantes del programa (postulación, admisión, aranceles, titulación, becas, etc.) con el objetivo de que el postulante tenga completo conocimiento del programa. En segundo lugar, cabe destacar que todos los académicos(as) del claustro tienen redes de colaboración activa con miembros de instituciones internacionales de educación superior. Además, el equipo de gestión del programa de Magíster participará en actividades y ferias estudiantiles en el extranjero, con el fin de potenciar de forma directa la atracción de estudiantes extranjeros, logrando dar a conocer el Magíster en Ciencia de Datos de la Universidad de Chile de la mejor forma posible en el resto del mundo, en particular, en las regiones de habla hispana. Buscando otorgar una atención personalizada al estudiante en el


13

extranjero, será posible orientar al postulante en base a sus intereses ya que el programa presentado es versátil en sus temáticas, cursos y áreas de aplicación. Junto con lo anterior, cabe destacar el apoyo que la Dirección de Postgrado y Postítulos (DPP) le puede brindar en la internacionalización del programa, a través del proyecto de internacionalización UCH1866 gestionado por la DPP. Además, el Centro de Modelamiento Matemático (CMM) de la FCFM es una unidad mixta internacional Centre National de la Recherche Scientifique (CNRS), por lo que tiene una vía expedita de colaboración con centros de investigación y docencia en Francia. Por último, es importante mencionar la vinculación con otros programas en Ciencia de Datos, como el Diplomado en Analítica de Datos de la Universidad de Chile en colaboración con el Massachusetts Institute of Technology (MIT), impulsa el intercambio de estudiantes y/o docentes entre ambas escuelas con el fin de asociar investigaciones de nivel mundial.

3. SISTEMA DE ADMISION 3.1 Requisitos de postulación

Podrán postular al Magíster en Ciencia de Datos quienes cumplan con los siguientes requisitos: (a) Estar en posesión del grado de licenciado o título profesional cuyo nivel, contenido y duración de estudios correspondan como mínimo a una formación equivalente a la del grado de Licenciado en la Universidad de Chile, determinada por el Comité Académico correspondiente, y (b) Acreditar una formación previa acorde a los fines y exigencias del programa a que postula. En este caso en particular, se considerará un punto a favor contar con una licenciatura en ingeniería, ciencias o carreras afines. El Comité Académico del Programa podrá disponer que, además del estudio de los antecedentes, se evalúen los conocimientos y competencias de los postulantes en las disciplinas del programa. Esta evaluación podrá consistir en un examen u otros mecanismos que permitan comprobar objetivamente su nivel de preparación.

3.2 Selección de estudiantes

Se espera que quienes ingresen al programa de Magíster sean: (a) Egresados o profesionales de carreras en ciencias de la ingeniería o carreras afines de universidades nacionales o internacionales, o (b) Licenciados en ciencias de la ingeniería o carreras afines de universidades nacionales o internacionales. Los criterios de selección al Programa considerarán: a) Formación en ciencias de la ingeniería o carreras afines compatibles con las necesidades del Programa; b) Capacidad de comprensión del idioma inglés a través de alguna de las siguientes alternativas:

-TOEFL (iBT, >= 95 puntos), -IELTS (Academic, >= 6 puntos), -Aprobación del examen de idoneidad en inglés de la FCFM. -Grado académico o profesional de un programa en inglés -Otra evidencia equivalente del dominio del idioma inglés para fines académicos

c) Compromiso de dedicación y motivación para el desarrollo del Programa (diurno). d) Acreditar una formación previa acorde a los fines y exigencias del programa al que postula. En caso de ser estudiantes o egresado de la FCFM, se debe tener aprobado con nota igual o superior a 5.0 los cursos de CC1002-Introducción a la Programación y MA3403-Probabilidad y Estadística de la FCFM. En el caso de ser un postulante externo a la FCFM se debe acreditar la aprobación de cursos equivalentes.


14

Estos criterios serán evaluados sobre la base de: a) Antecedentes personales en actividades relacionadas con el desempeño académico y/o experiencia profesional; b) Dos cartas de recomendación de académicos o profesionales relacionados; c) Carta de motivación; d) Entrevista personal a aquellos postulantes que cumplan con todos los requisitos formales anteriormente expuestos. En caso de ser necesario, el programa podrá exigir la rendición de un examen u otro mecanismo para medir el nivel de suficiencia del postulante en las áreas de programación, y probabilidades y estadística. Esto tiene por objetivo confirmar que el postulante posee los conocimientos básicos necesarios previo ingreso al programa. La nómina de alumnos seleccionados será enviada a la Escuela de Postgrado y Educación Continua para su aprobación. Las solicitudes de admisión serán examinadas por el Comité Académico del Programa sobre la base de los antecedentes personales, cartas de recomendación y entrevistas personales. Si el Comité Académico del Programa determina que el programa de licenciatura previo del postulante presenta deficiencias en algunas materias esenciales para que el alumno pueda desarrollar en forma cabal y efectiva los cursos del programa de magíster, dicho Comité podrá asignar un plan adicional de cursos de nivelación dentro de los disponibles en las unidades que conforman el programa (DIE, DIM, DCC, DII). Estos estudiantes serán matriculados en el programa y se les dará un plazo de un semestre, adicional a la duración del programa, para realizar los cursos de nivelación que el Comité Académico les haya asignado. Es importante destacar que la aprobación de estos cursos adicionales es obligatoria para que el estudiante pueda continuar en el programa.

4. ESTRUCTURA CURRICULAR 4.1 Descripción del plan de estudios

El plan de estudios del Magíster en Ciencia de Datos contempla la formación en términos teóricos, metodológicos, de implementación y en conexión con otras áreas. Este criterio es puesto en práctica a través de 6 cursos obligatorios, diseñados para adquirir las competencias académicas y habilidades profesionales que permitan al estudiante analizar, contribuir, e innovar en proyectos de Ciencia de Datos. Como complemento al programa de cursos obligatorios, se propone un conjunto amplio de electivos en la temática de fundamentos y aplicaciones de ciencia de datos, donde el estudiante podrá profundizar y/o especializar su formación en los aspectos que le parezcan más atractivos según sus intereses. El trabajo final de tesis consolida y culmina este proceso formativo, en el cual se expone al (a la) estudiante al proceso de investigación ya sea de forma teórica o aplicada. Los cursos se estructuran en semestres y el programa tendrá una duración de cuatro semestres. De esta forma, el programa contará con 36 créditos de cursos obligatorios, 30 créditos de cursos electivos, 30 créditos de seminarios de tesis. En resumen, el programa de estudio se encuentra conformado por: Asignaturas obligatorias (incluye laboratorios): 36 créditos Asignaturas electivas: 30 créditos Seminario de Tesis I: 6 créditos Seminario de Tesis II: 24 créditos Total: 96 créditos


15

4.2 Organización de la malla curricular

4.3 Listado de cursos (u otras actividades lectivas) y profesores encargados

Nombre curso Tipo de curso Créditos

Estadística: Teoría y Aplicaciones Obligatorio 6

Minería de Datos Obligatorio 6

Bases de Datos Obligatorio 6

Aprendizaje de Máquinas Obligatorio 6

Proyecto de Ciencia de Datos Obligatorio 6

Laboratorio de Programación Científica para Ciencia de Datos

Obligatorio 6

Cursos Electivos Electivo 30

Seminario de Tesis I Obligatorio 6

Seminario de Tesis II Obligatorio 24

Alternativas de cursos electivos (La lista de electivos será actualizada periódicamente por el Comité del programa e informada a la Escuela de Postgrado según corresponda):

# Nombre curso Créditos

1. EL7006 Redes Neuronales y Teoría de Información para el Aprendizaje 6

2. EL7007 Introducción al Procesamiento Digital de Imágenes 6

3. EL7024 Teoría de Información: Fundamentos y Aplicaciones 6

4. EL7037 Computación Evolutiva 6

5. EL7014 Diagnóstico Y Pronóstico de Fallas 6

6. EL7031 Robotics, Sensing and Autonomous Systems 6

7. EL7021 Seminario de Robótica y Sistemas Autonómos 6

8. CC6204 Deep Learning 6


16

9. CC5212 Procesamiento Masivo de Datos 6

10. CC5213 Recuperación de Información Multimedia 6

11. CC7220 La Web de Datos 6

12. CC5208 Visualización de Información 6

13. CC5113 Aprendizaje Automático Bayesiano 6

14. CC5615 Business Analytics 3

15. CC5509 Reconocimiento de Patrones 6

16. CC6205 Procesamiento de Lenguaje Natural 6

17. CC5508 Procesamiento y Análisis de Imágenes 6

18. CC5701 Informática Médica 3

19. CC3001 Algoritmos y Estructuras de Datos 6

20. CC4102 Diseño y Análisis de Algoritmos 6

21. CC5101 Análisis Avanzado de Algoritmos 6

22. CC5114 Redes Neuronales y Programación Genética 6

23. CC5301 Introducción a la Criptografía Moderna 6

24. CC7515 Computación en GPU 6

25. MA5309 Aprendizaje de máquinas avanzado 6

26. MA6201 Computación científica 6

27. MA5406 Probabilidades y estadística para el análisis de datos 6

28. MA4402 - Simulación estocástica: Teoría y Laboratorio 6

29. MA5705 Optimización para el análisis de datos 6

30. IN5530 Taller de Visualización de Datos 6

31. IN5533 Deep Learning para la Gestión 3

32. IN7580 Introducción a la Ciencia de los Datos 6

33. IN5523 Data Warehousing 6

34. IN5528 Introducción a Big Data 6

35. IN5724 Métodos aplicados de análisis de datos 6

36. IN71K Gestión de Operaciones en la Industria de Servicios 6

37. IN76002 Web of Data 3

38. IN709 Econometría 6

4.4 Características de la tesis o actividad formativa equivalente

La obtención del Grado de Magíster requiere aprobar las actividades curriculares del plan de formación y una tesis. Junto con esto, se requiere aprobar el examen de grado en donde se presenta el trabajo de tesis. La tesis incluirá la formalización de una hipótesis de investigación y objetivos en torno al cual desarrollará una propuesta de solución, pudiendo ser una investigación teórica o aplicada. Para la ejecución de la tesis el estudiante contará con un profesor guía nombrado por el Comité Académico del programa, a proposición del estudiante. Será posible que más de un guía participe en la dirección de la tesis, en la figura de co-guía, con la finalidad de entregar una perspectiva interdisciplinaria al estudiante. Durante el desarrollo de la tesis, el (la) estudiante deberá presentar a la Comisión Evaluadora al menos un


17

informe de avance, en la forma que determine el reglamento específico del programa. El proyecto de tesis será aprobado por el Comité Académico de acuerdo con el informe de una Comisión Evaluadora. Finalmente, se permitirá que los(as) estudiantes articulen sus estudios de pregrado en la FCFM con este programa de magíster, donde si la tesis de este programa está relacionada con su especialización de pregrado, el estudiante podrá realizar --de acuerdo con los requerimientos de este programa-- una tesis para ambos grados.

5. BECAS Y AYUDAS DE FINANCIAMIENTO PARA LOS ESTUDIANTES

Una vez que el programa sea acreditado, se espera que los estudiantes postulen a las becas de postgrado de CONICYT, además de rebajas de arancel que puede otorgar la Facultad de Ciencias Físicas y Matemáticas (FCFM), las cuales se darán a los/las solicitantes que lo ameriten y sean debidamente evaluados/as. Adicionalmente, parte de los excedentes del programa se utilizarán para generar un fondo de becas de estudios y pasantías en el extranjero, lo que será definido en la planificación anual del Programa.

6. PROFESORES DEL PROGRAMA 6.1 Profesores del Claustro 6.1.a Criterios y normas para definir el claustro del programa (acorde al Reglamento General de Postgrado)

Dado el carácter interdepartamental del programa, los académicos que integren el claustro de este programa deberán ser profesores de cualquier carrera o categoría académica (incluye profesores(as) titulares, asociados, asistentes y adjuntos) de la FCFM. El claustro del Magíster en Ciencia de Datos estará conformado por académicos que cultiven las disciplinas del programa mediante investigación, pues estos serán responsables de la supervisión de las tesis de los estudiantes. Estos(as) académicos(as) podrán solicitar su incorporación al Comité Académico del Programa. La inclusión de un nuevo miembro en el claustro será resuelta por el Comité Académico del Programa. Además, el Comité podrá evaluar la incorporación de una persona al claustro que no cumpla uno de los requisitos, en casos en que antecedentes adicionales avalen la idoneidad de la persona.

6.1.b Tabla resumen profesores del claustro

Profesores de la Universidad

Profesores Titulares

Profesores Asociados

Profesores Asistentes

Profesores Adjuntos

Doctor 12 9 6 1

Magister - - - -

Título Profesional - - - -

Total 12 9 6 1

6.1.c Nómina de profesores del claustro


18

Nombre Depto Grado Jerarquía Dedicación (hrs/sem)

Línea de investigación

1 Pablo

Estévez DIE Doctor

Profesor Titular

5

Inteligencia computacional, deep learning, redes neuronales artificiales, teoría de información para el aprendizaje, selección de características, computación evolutiva, aplicaciones a astronomía y biomedicina

2 Jorge F.

Silva DIE PhD

Profesor Asociado

10 Procesamiento Estadístico de Señales, Aprendizaje Estadístico y Teoría de Información

3 Claudio Pérez

DIE PhD Profesor Titular

5 Procesamiento de Imágenes y Reconocimiento de Patrones

4 Marcos Orchard


5 Detección de Fallas y Predicción de Eventos Catastróficos

5 Javier Ruiz del Solar

DIE Doctor Profesor Titular

5 Robótica, Face Recognition, Statistical Classifiers

6 Martin Adams


5

Robotics, autonomous navigation, stochastic sensor processing, signal processing, estimation and control, tracking.

7 Néstor Becerra


5 Procesamiento de señales y de voz, inteligencia artificial e interacción humano-robot.

8 Bárbara Poblete

DCC PhD Profesora Asociada

5 Social network and media analysis, Data mining, Web mining, Information retrieval (IR) y Web search engines

9 Claudio

Gutiérrez DCC PhD

Profesor Titular

5 Bases de Datos, Linked Open Data y Web Semantica

10 Alexandre

Bergel DCC Doctor

Profesor Asociado

5 Lenguajes de Programación, Ingeniería de Software

11 Jorge Pérez DCC Doctor Profesor Asociado

5

Bases de Datos - Datos Web, Lógica en Ciencia de la Computación, Complejidad Computacional, Deep Learning y Procesamiento de Lenguaje Natural (NLP)

12 Felipe Bravo

DCC PhD Profesor Asistente

7

Procesamiento de Lenguaje Natural (NLP), Aprendizaje Automático, Minería de Datos, Recuperación de la Información, Ciencia de Datos y Ciencias Sociales Computacionales

13 Benjamín

Bustos DCC Doctor

Profesor Asociado

5 Bases de datos multimedia en industria manufacturera, entretenimiento y otras;


19

Reconocimiento de patrones; bioinformática y búsqueda por contenido

14 Aidan Hogan

DCC PhD Profesor Asistente

5 Web Semántica, Bases de Datos, Lógica y razonamiento

15 Alejandro

Jofré DIM PhD

Profesor Titular

5 Optimización y Equilibrio

16 Joaquín

Fontbona DIM PhD

Profesor Asociado

5 Procesos Estocásticos, Teoría Ergódica y Modelamiento Estocástico

17 Felipe Tobar

DIM PhD Profesor Adjunto

7 Aprendizaje de Máquinas, Estadística Aplicada y Procesamiento de Señales

18 Daniel

Remenik DIM PhD

Profesor Asociado

5 Airy Process, Directed Random Polymers, Evolution Growth Kardar-Parisi-Zhang Universality Class, y Particle Systems

19 Alejandro

Maass DIM PhD

Profesor Titular

5 Teoría Ergodica, Sistemas dinámicos, Sistemas biológicos y bioinformática

20 Jaime San

Martin DIM PhD

Profesor Titular

5 Procesos estocásticos, Teoría ergódica y Modelamiento estocástico

21 Héctor

Ramírez DIM PhD

Profesor Asociado

5 Optimización y Economía

22 Richard Weber

DII PhD Profesor Titular

7 Minería de Datos, “Soft computing” y Optimización

23 Marcelo Olivares

DII PhD Profesor Asociado

5

Gestión de la cadena de suministro (Supply Chain Management), Gestión de Operaciones, Aplicaciones de Economía y Marketing en la Gestión de Operaciones

24 Juan

Velásquez DII PhD

Profesor Titular

5

Minería de Datos aplicada a la web, Gestión del Conocimiento, “Big Data” y Desarrollo de la nueva generación de portales en Internet, llamados sitios web inteligentes

25 Sebastián

Ríos DII PhD

Profesor Asistente

5

Minería semántica de sitios web y Mejoramiento de la calidad de los contenidos y organización de sitios web/portales web para una mejor atención a los usuarios

26 Daniel

Schwartz DII PhD

Profesor Asistente

5

Economía conductual (behavioral economics), Toma de decisiones (judgement and decision making) y Comportamiento del consumidor (consumer behavior)

27 Ángel

Jiménez DII PhD

Profesor Asistente

5 Urban Computing Ubiquitous Computing, Gestión de Procesos de Negocios


20

Ubicuos, Factores Humanos en Computación Orientada a Servicios Internet de las Cosas

28 Denis Sauré

DII PhD Profesor Asistente

5 Modelamiento estocástico y sus aplicaciones en Revenue Management Assortment Planning

6.1.d Productividad de los profesores del claustro Período 2015-2019 Nombre Total

Publ. ISI

Total Otras Publ.

(Ej. Scielo y otras)

Total proy. FONDECYT


Total Proy. FONDEF


Otros tipos de proy. investigador responsable

Pablo Estévez 15 22 0 0 1

[Cooperación Internacional: Multilateral y vinculación - DPI20140090]

Jorge F. Silva 15 8 3 0 0

Claudio Pérez 6 8 3 1 2

[INNOVA - Proyecto de I+D Aplicada]

Marcos Orchard 31 28 2 0 1

[Cooperación Internacional: Multilateral y vinculación - REDES130029]

Javier Ruiz del Solar 19 28 2 3

4 [Programa de Investigación Asociativa, Apoyo Centros Científicos y Tecn. de

Excelencia con Financ. Basal /FONDEQUIP - Concurso de Equipamiento Científico /

Cooperación Internacional: Multilateral y vinculación - REDES140071 / Programa

Financiamiento Basal - Centro de Tecnología para la minería]

Martin Adams 10 10 3 2

1 [Cooperación Internacional: Proyectos bilaterales - Proyectos de intercambio

CONICYT/DAAD-Alemania]

Néstor Becerra 13 6 1 0

2 [FONDEQUIP - Concurso de Equipamiento

Científico / Programa de Investigación Asociativa - Concurso Anillos en Ciencia y

Tecnología]

Bárbara Poblete 6 10 2 0 1

[U-APOYA - Proyecto de Enlaces]

Claudio Gutiérrez 4 13 0 0 0

Alexandre Bergel 10 31 0 0 2

[Apoyo a la Formación de Redes


21

Internacionales Centros /Programa Regional TIC-AMSUD

]

Jorge Pérez 1 8 1 0 1

[U-APOYA: Proyectos de Enlace]

Felipe Bravo 5 11 0 0 0

Benjamín Bustos 5 17

1

0

1

[Cooperación Internacional: Multilateral y vinculación, Programa Regional TIC-

AMSUD]

Aidan Hogan 7 27 2 0 0

Alejandro Jofré 10 0 0 0 1

[INNOVA, Fort. Capacidades Innovación]

Joaquín Fontbona 14 1 2 0

1 [Cooperación Internacional: Multilateral y

vinculación, Programa Regional MATH-AMSUD]

Felipe Tobar 8 13 1 0 0

Daniel Remenik 9 0 2 0 0

Alejandro Maass 43 4 0 0

3 [Programa de Investigación Asociativa -

Apoyo Centros Científicos y Tecn. de Excelencia / INNOVA / Programa Regional

MATH-AMSUD /

Jaime San Martin 8 0 0 0 1

[Programa Financiamiento Basal]

Héctor Ramírez 13 3 2 0

4 [Cooperación Internacional: Multilateral y

vinculación - Apoyo a la Formación de Redes Internacionales / Cooperación

Internacional: Multilateral y vinculación - Programa Regional MATH-AMSUD]

Richard Weber 15 5 2 1 2

[INNOVA – Instituto Milenio]

Marcelo Olivares 5 0 2 5 0

Juan Velásquez 7 9 1 4

4 (INNOVA - Empaquetamiento y

Transferencia de I+D - Proyecto de I+D Aplicada)

Sebastián Ríos 11 8 0 2 1

[Centro de Investigación en Inteligencia de Negocios (CEINE) - Movistar S.A.]

Daniel Schwartz 3 21 2 0 1

[U-APOYA: Proyectos de Enlaces


22

Ángel Jiménez 4 3 1 0

1 [Proyectos de investigación e innovación en prevención de accidentes y enfermedades

profesionales]

Denis Sauré 9 0 2 0 0

*Estos números corresponden a las publicaciones y proyectos que abarcan los últimos 5 años (desde el 2015 hasta 2019 a la fecha), esto coincide con la información proporcionada en el Anexo B: Fichas Técnicas Claustro considerando que esto último proporciona información de los últimos 10 años (desde el 2010 hasta 2019 a la fecha). *En la columna de “total de otras publicaciones” se está considerando workshop papers and international conferences (Scopus/UCH/VID). *En la columna de “total otros proyectos” se está considerando proyectos INNOVA, Cooperación Internacional: Multilateral y Vinculación, Fondo Central de Investigación, FONDEQUIP, Programa

de Investigación Asociativa, Centro de Investigación en Inteligencia de Negocios, entre otros. Se específica en cada académico qué proyectos se están considerando.

6.1.e Pertenencia a otros claustros

Nombre Otro(s) programa(s) de postgrado al que pertenece

Dedicación (hrs/sem)

Pablo Estévez Doctorado en Ingeniería Eléctrica Magister en Ciencias de la Ingeniería, Mención Ingeniería Eléctrica

5

Jorge F. Silva Doctorado en Ingeniería Eléctrica Magister en Ciencias de la Ingeniería, Mención Ingeniería Eléctrica

5

Claudio Pérez Doctorado en Ingeniería Eléctrica Magister en Ciencias de la Ingeniería, Mención Ingeniería Eléctrica

5

Marcos Orchard Doctorado en Ingeniería Eléctrica Magister en Ciencias de la Ingeniería, Mención Ingeniería Eléctrica

5

Javier Ruiz del Solar

Doctorado en Ingeniería Eléctrica Magister en Ciencias de la Ingeniería, Mención Ingeniería Eléctrica

5

Martin Adams Doctorado en Ingeniería Eléctrica Magister en Ciencias de la Ingeniería, Mención Ingeniería Eléctrica

5

Néstor Becerra Doctorado en Ingeniería Eléctrica Magister en Ciencias de la Ingeniería, Mención Ingeniería Eléctrica

5

Bárbara Poblete Doctorado en Computación Magíster en Tecnologías de Información Magíster en Ciencias de la Ingeniería, mención

5


23

Computación

Claudio Gutiérrez

Doctorado en Computación Magíster en Tecnologías de Información Magíster en Ciencias de la Ingeniería, mención Computación

5

Alexandre Bergel


5

Jorge Pérez Magíster en Tecnologías de Información Magíster en Ciencias de la Ingeniería, mención Computación

5

Felipe Bravo Magíster en Ciencias de la Ingeniería, mención Computación

5

Benjamín Bustos


5

Aidan Hogan


5

Alejandro Jofré

Doctorado en Ciencias de la Ingeniería Mención Modelación Matemática Magíster en Ciencias de la Ingeniería, mención Matemáticas Aplicadas

5

Joaquín Fontbona


5

Daniel Remenik


5

Alejandro Maass


5

Jaime San Martin


5

Héctor Ramírez Doctorado en Ciencias de la Ingeniería Mención 5


24

Modelación Matemática Magíster en Ciencias de la Ingeniería, mención Matemáticas Aplicadas

Felipe Tobar

Magister en Ciencias de la Ingeniería, Mención Ingeniería Eléctrica Magíster en Ciencias de la Ingeniería, Mención Matemáticas Aplicadas

5

Richard Weber Doctorado en Sistemas de Ingeniería Magíster en Gestión de Operaciones

5

Marcelo Olivares Magíster en Gestión de Operaciones Doctorado en Sistemas de Ingeniería

5

Juan Velásquez Doctorado en Sistemas de Ingeniería Magíster en Gestión de Operaciones

5

Sebastian Ríos Doctorado en Sistemas de Ingeniería Magíster en Ingeniería de Negocios con TI Magíster en Gestión de Operaciones

5

Daniel Schwartz Magíster en Gestión y Políticas Públicas 5

Ángel Jiménez Magíster en Ingeniería de Negocios con TI 5

Denis Sauré Doctorado en Sistemas de Ingeniería Magíster en Ingeniería de Negocios con TI Magíster en Gestión de Operaciones

5

7. ORGANIZACIÓN Y GESTION DEL PROGRAMA 7.1 Comité Académico del programa

El Comité Académico está conformado por (en orden alfabético): - Felipe Bravo, Profesora Asistente Departamento de Ciencias de la Computación, Claustro - Pablo Estévez, Profesor Titular Departamento de Ingeniería Eléctrica, Claustro - Joaquín Fontbona, Profesor Asociado Departamento de Ingeniería Matemática, Claustro - Claudio Gutiérrez, Profesor Titular Departamento de Ciencias de la Computación, Claustro - Jorge F. Silva, Profesor Asociado Departamento de Ingeniería Eléctrica, Claustro - Felipe Tobar, Profesor Adjunto Departamento Ingeniería Matemática, Claustro (coordinador) - Juan Velásquez, Profesor Titular Departamento de Ingeniería Industrial, Claustro - Richard Weber, Profesor Titular Departamento de Ingeniería Industrial, Claustro Serán funciones del Comité Académico del Programa de Magíster en Ciencia de Datos: a) Coordinar, supervisar y evaluar el desarrollo y el nivel de excelencia del Programa. b) Estudiar y calificar los antecedentes de los postulantes y resolver su admisión o rechazo al

Programa. Dichas resoluciones deberán ser fundadas. c) Informar a la Escuela de Postgrado sobre el proceso de admisión y sus resultados. d) Nombrar los respectivos profesores tutores. e) Aprobar los planes de estudios correspondientes a cada postulante. f) Asignar un plan adicional de cursos de nivelación para los postulantes que lo requieran. g) Aprobar al profesor guía de la tesis.


25

h) Aprobar los temas de la tesis. i) Proponer a la Escuela de Postgrado los Profesores que integrarán las comisiones evaluadoras para

cada proyecto de tesis y examen de grado. j) Tomar conocimiento acerca del rendimiento académico de cada estudiante y resolver respecto a

la eliminación de aquellos que no cumplan con los requisitos mínimos para su permanencia en el Programa.

k) Recibir y estudiar las solicitudes de excepción que presenten los estudiantes respecto a lo dispuesto en la letra anterior. Estudiar y proponer soluciones a las situaciones académicas que puedan presentarse en el desarrollo de los estudios y que no estén consideradas en el presente reglamento.

l) Cautelar que la investigación que realicen los estudiantes considere las normas y procedimientos propios de la disciplina establecidas por los Comités de Ética respectivos y/o reconocidos por la Universidad.

m) Elaborar un informe periódico sobre el estado del Programa a su cargo, verificando el cumplimiento de los indicadores de calidad definidos por la Facultad de Ciencias Físicas y Matemáticas y la Vicerrectoría académica, el cual será presentado ante la escuela de postgrado y el claustro del programa, para el aseguramiento de la calidad del programa.

La responsabilidad de la ejecución de las funciones mencionadas anteriormente será del Coordinador del Programa de Magíster.

7.2 Estrategias de autoevaluación del programa y mecanismos de aseguramiento de la calidad

Se pretende elaborar un informe anual sobre el estado del Programa, verificando el cumplimiento de los siguientes indicadores: Indicadores de calidad académicos: . Número de graduados . Número de deserciones . Número de Tesis guiadas por académico . Número de becas obtenidas por los estudiantes . Promedio de semestres de egreso Adicionalmente, el programa tendrá evaluaciones y encuestas docentes y de satisfacción semestrales hechas a los estudiantes del programa, para saber su impresión de los cursos, profesores y estructura del programa. Además, se realizará una encuesta final que los estudiantes deberán contestar antes de graduarse, con el fin de conocer su opinión del programa y el cumplimiento de expectativas. Una vez egresado el alumno, se pretende mantener una base de datos de los graduados, para poder contactarlos después de 2, 5 y 10 años para ver su evolución en el tiempo, así como su impresión de la influencia del postgrado en su desarrollo profesional. Asimismo, se contempla contactar a potenciales empleadores o interesados del ámbito público y privado, para ir revisando consistencia con perfil de egreso y necesidades del medio.

8. INFRAESTRUCTURA (espacios físicos, laboratorios, bibliotecas, etc.)

Espacios Físicos:


26

La Facultad de Ciencias Físicas y Matemáticas (FCFM) cuenta con infraestructura del más alto nivel para el desarrollo del programa propuesto. Existen recintos de uso común y otros de uso específico del Programa, los cuales se detallan a continuación. Recintos y Laboratorios de la FCFM: (1) Instalaciones de apoyo a la docencia, de uso común para todas las carreras y programas de postgrado de la Facultad y para el Plan Común: salas de taller, salas de computación, biblioteca. La Facultad posee más de 70 salas de clases y auditorios implementados con sofisticados equipos para video conferencia, además de salas multimedia, y cómodas salas de estudio. (2) Servicio a los alumnos: Salas de estudio, enfermería de urgencia, cafetería, casino, instalaciones deportivas y recreativas, áreas específicas para uso de las organizaciones estudiantiles. (3) Laboratorios de Computación: 6 salas con 170 computadores en total, equipadas con proyector digital. (4) Laboratorio de Computación Neoaula (Sala B210): destinado al apoyo de cátedras que utilizan equipamiento tecnológico y/o software especializado, como parte de su programa docente. (5) Laboratorio de Ensayos: Centro de Investigación, Desarrollo e Innovación de Estructuras y Materiales (IDIEM). (6) National Laboratory for High Performance Computing LEFTRARU. Los recursos bibliográficos tienen como pilar fundamental una eficiente red interbibliotecaria nacional e internacional. Todo esto dentro del marco desarrollado por la Facultad de Ciencias Físicas y Matemáticas de la Universidad de Chile.

9. REFERENCIAS

Brynjolfsson, Erik, (2016). How IoT changes decision making, security and public policy. Disponible en: http://mitsloanexperts.mit.edu/how-iot-changes-decision-making-security-and-public-policy/ Comité de Transformación Digital, Estrategia Nacional de Capital Humano en Tecnologías Digitales, 2017 http://ctdigital.cl/wp-content/uploads/2019/01/Estrategia-Nacional-de-KH.pdf CORFO, (2016). Programa Industrias Inteligentes. Disponible en: http://www.programaindustriasinteligentes.cl/ Harvard Business Review, (2019). Democratizing Data Science in Your Organization. Disponible en: https://hbr.org/sponsored/2019/04/democratizing-data-science-in-your-organization McKinsey, (2011). Big data: The next frontier for innovation, competition, and productivity. Disponible en: https://www.mckinsey.com/business-functions/digital-mckinsey/our-insights/big-data-the-next-frontier-for-innovation Pontificia Universidad Católica de Chile, (2020). Magíster en Procesamiento y Gestión de Información. Disponible en: https://mpgi.uc.cl/ Universidad Adolfo Ibáñez, (2020). Magíster en Data Science. Disponible en: https://ingenieria.uai.cl/magister/magister-en-data-science/ Universidad de Chile, (2018). Plan de Desarrollo Institucional 2017 – 2026 Universidad Federico Santa María, (2020). Magíster en Tecnologías de la Información. Disponible en: https://admisionpostgrado.usm.cl/mti World Economic Forum, (2012). Big Data, Big Impact: New Possibilities for International Development. Disponible en: http://www3.weforum.org/docs/WEF_TC_MFS_BigDataBigImpact_Briefing_2012.pdf


27

Anexos a incluir: A. Reglamento del programa (revisar que se enmarque dentro del Reglamento General de

Estudios Conducentes a los Grados Académicos de Magister y Doctor). B. Fichas de los académicos del claustro (usar formato uniforme; se sugiere usar modelo de la

CNA –disponible en www.cnachile.cl– o similar) con información de los últimos 5 años. Debe coincidir con la información proporcionada en la sección 6 del formulario.

C. Programas de cursos (usar formato uniforme). Debe coincidir con la información proporcionada en el punto 4.3. Especificar profesor(es) encargado(s), créditos, carga horaria semanal directa, objetivos, contenidos, metodología, bibliografía.


28

Anexo A

Reglamento de Magíster en Ciencia de Datos

TITULO I Disposiciones Generales

Artículo 1°

El presente reglamento establece las normas de estructura, organización y funcionamiento del

Programa de Magíster en Ciencia de Datos dictado por la Facultad de Ciencias Físicas y Matemáticas de la

Universidad de Chile. Artículo 2°

Todo aspecto no contemplado o no referido en este Reglamento será resuelto de acuerdo con el

Reglamento General de Estudios Conducentes a los Grados Académicos de Magíster y Doctor, aprobado

por D.U. N°0028011 de 2010, y por las demás normas de reglamentación general sobre la materia, en

conformidad al Inciso 3° del Artículo 49 del Estatuto de la Universidad de Chile.

Asimismo, el (la) Decano(a) de la Facultad de Ciencias Físicas y Matemáticas resolverá sobre

aspectos no contemplados en el presente reglamento.

TITULO II

De los Objetivos Artículo 3°

El objetivo del programa es formar profesionales que cuenten con una preparación sólida en

computación y herramientas matemáticas para manejar y analizar grandes volúmenes de datos y/o de

alta complejidad, con el fin de generar conocimiento e información valiosa.

TITULO III De la Administración del Programa

Artículo 4°

El (la) Director(a) de la Escuela de Postgrado, como máxima autoridad, estará a cargo de dirigir la

administración académica y de supervigilar el adecuado funcionamiento del Programa de Magíster en

Ciencia de Datos, en cumplimiento de las políticas universitarias.

La administración y coordinación del Programa será responsabilidad de la Escuela de Postgrado

de la Facultad de Ciencias Físicas y Matemáticas, a través de su Director(a) con la colaboración del Consejo


29

de Escuela de Postgrado y del Comité Académico del Programa. Artículo 5°

El Comité Académico del Programa de Ciencia de Datos estará constituido por al menos cuatro

Profesores(as) del Claustro del Programa, uno de cada uno de los siguientes Departamentos:

Departamento de Ciencias de la Computación, Departamento de Ingeniería Eléctrica, Departamento de

Ingeniería Industrial y Departamento de Ingeniería Matemática. Serán nombrados por el (la) Director(a)

de la Escuela de Postgrado a proposición del Claustro Académico, por un período de 2 años renovables.

Uno de ellos, de común acuerdo, ejercerá la función de Coordinador del Programa de Magíster en Ciencia

de Datos. Artículo 6°

Serán funciones del Comité Académico del Programa de Magíster en Ciencia de Datos:

a) Coordinar, supervisar y evaluar el desarrollo y el nivel de excelencia del Programa. b) Estudiar y calificar los antecedentes de los postulantes y resolver su admisión o rechazo al

Programa. Dichas resoluciones deberán ser fundadas. c) Informar a la Escuela de Postgrado sobre el proceso de admisión y sus resultados. d) Nombrar los respectivos profesores tutores. e) Aprobar los planes de estudios correspondientes a cada postulante. f) Asignar un plan adicional de cursos de nivelación para los postulantes que lo requieran. g) Aprobar al profesor guía de la tesis. h) Aprobar los temas de la tesis. i) Proponer a la Escuela de Postgrado los Profesores que integrarán las comisiones evaluadoras

para cada proyecto de tesis y examen de grado. j) Tomar conocimiento acerca del rendimiento académico de cada estudiante y resolver

respecto a la eliminación de aquellos que no cumplan con los requisitos mínimos para su permanencia en el Programa.

k) Recibir y estudiar las solicitudes de excepción que presenten los estudiantes respecto a lo dispuesto en la letra anterior. Estudiar y proponer soluciones a las situaciones académicas que puedan presentarse en el desarrollo de los estudios y que no estén consideradas en el presente reglamento.

l) Cautelar que la investigación que realicen los estudiantes considere las normas y procedimientos propios de la disciplina establecidas por los Comités de Ética respectivos y/o reconocidos por la Universidad.

m) Elaborar un informe periódico sobre el estado del Programa a su cargo, verificando el

cumplimiento de los indicadores de calidad definidos por la Facultad de Ciencias Físicas y

Matemáticas y la Vicerrectoría académica, el cual será presentado ante la escuela de

postgrado y el claustro del programa, para el aseguramiento de la calidad del programa.

La responsabilidad de la ejecución de las funciones mencionadas anteriormente será del

Coordinador del Programa de Magíster.


30

TITULO IV De la Postulación e Ingreso al Programa

Artículo 7°

Podrán postular al Programa de Magíster en Ciencia de Datos quienes estén en posesión del Grado

de Licenciado o Título Profesional otorgado por una entidad de educación superior, nacional o extranjera,

cuyo nivel, contenido y duración de estudios correspondan a una formación equivalente a la del Grado de

licenciado o título profesional cuyo nivel, contenido y duración de estudios correspondan como mínimo a

una formación equivalente a la del grado de Licenciado en la Universidad de Chile en áreas afines a la

Ingeniería, según lo determine el Comité Académico del Programa. Artículo 8°

Los criterios de selección al Programa considerarán: a) Formación en ciencias de la ingeniería o carreras afines compatibles con las necesidades del Programa; b) Capacidad de comprensión del idioma inglés: TOEFL (iBT, >= 95 puntos); o IELTS (Academic, >= 6 puntos); o aprobación del examen de idoneidad en inglés de la FCFM; o grado académico o profesional de un programa en inglés; u otra evidencia equivalente del dominio del idioma inglés para fines académicos. c) Compromiso de dedicación y motivación para el desarrollo del Programa (Diurno). d) Acreditar una formación previa acorde a los fines y exigencias del programa al que postula. En caso de ser estudiantes o egresado de la FCFM, se debe tener aprobado con nota igual o superior a 5.0 los cursos de CC1002-Introducción a la Programación y MA3403-Probabilidad y Estadística de la FCFM. En el caso de ser un postulante externo a la FCFM se debe acreditar la aprobación de cursos equivalentes. El Comité Académico del Programa podrá disponer que, además del estudio de los antecedentes,

se evalúen los conocimientos y competencias de los postulantes en las disciplinas del programa. Esta

evaluación podrá consistir en un examen u otros mecanismos que permitan comprobar objetivamente su

nivel de preparación.

Artículo 9°

Estos criterios serán evaluados sobre la base de: a) Antecedentes personales en actividades relacionadas con el desempeño académico y/o experiencia profesional; b) Dos cartas de recomendación de académicos o profesionales relacionados; c) Carta motivacional; d) Entrevista personal a aquellos postulantes que cumplan con todos los requisitos formales anteriormente expuestos. En caso de ser necesario, el Programa podrá exigir la rendición de un examen u otro mecanismo

para medir el nivel de suficiencia del postulante en las áreas de programación, y probabilidades y

estadística. La idea es comprobar objetivamente que el postulante posee los conocimientos básicos


31

necesarios previo ingreso al programa.

La nómina de alumnos seleccionados será enviada a la Escuela de Postgrado para su aprobación.

TITULO V De la Organización del Programa

Artículo 10°

El Programa de Magíster en Ciencia de Datos está organizado en cuatro semestres académicos

incluyendo la realización de una Tesis y está organizado en base a actividades curriculares obligatorias y

electivas.

El Plan de Estudios del Programa tiene una carga académica total de 96 créditos. El que está

dividido en 66 créditos de cursos (obligatorios y electivos) y 30 créditos de Seminarios de Tesis I y II.

Anualmente se entregará a la Escuela de Postgrado una lista de los cursos electivos. Estos cursos podrán

ser propios del Programa o ser parte de la malla curricular de los diferentes departamentos fundadores

del Programa (Departamento de Ciencias de la Computación, Departamento de Ingeniería Eléctrica,

Departamento de Ingeniería Matemática y Departamento de Ingeniería Industrial). De la lista de electivos

oficial entregada periódicamente a la Escuela de Postgrado los estudiantes del Programa podrán

seleccionar sus cursos electivos. Artículo 11°

El Comité Académico analizará la situación particular de cada postulante aceptado, y establecerá

las equivalencias de cursos u homologación de estudios previos realizados en ésta u otras entidades de

educación superior, nacionales o extranjeras, previa solicitud del estudiante, proponiendo al (a la)

Director(a) de la Escuela de Postgrado la aprobación correspondiente, de acuerdo a lo dispuesto en el

artículo 20 del Reglamento General de Estudios conducentes a los grados académicos de Magíster y

Doctor.

Artículo 12º

Para obtener el grado académico se deberá cumplir con una permanencia mínima como alumno

regular de un año. La permanencia máxima en tanto podrá extenderse hasta un máximo de tres años,

incluido el trabajo de Tesis. El no cumplir este requisito constituirá causal de eliminación del estudiante al

Programa.

TITULO VI De la Evaluación y Promoción

Artículo 13°

El rendimiento académico de los alumnos se expresará en la escala de 1,0 a 7,0 siendo 4,0 la nota mínima de aprobación. El sistema de evaluación y calificación de cada actividad curricular deberá ser dado a conocer a los alumnos al inicio de ella.


32

Artículo 14°

Los(as) estudiantes tendrán derecho a cursar en segunda oportunidad asignaturas reprobadas. La

reprobación en segunda oportunidad de una asignatura obligatoria o de dos asignaturas electivas

constituirá causal de eliminación del estudiante del Programa.

Las asignaturas reprobadas deberán cursarse en la primera oportunidad en que ellas se ofrezcan

dentro de la programación académica, salvo autorización expresa del o la Decano(a).

TITULO VII De la Tesis

Artículo 15°

La Tesis consistirá en una investigación individual y deberá aportar creativamente a la

profundización en un tema específico, el cual deberá reflejar la capacidad crítica del alumno, y destacar la

aplicación de los conceptos, metodologías e instrumentos proporcionados por el Programa. Artículo 16°

El Comité Académico propondrá al (a la) Director(a) de la Escuela de Postgrado, para su

aprobación, una Comisión Evaluadora, constituida por al menos tres profesores. Al menos uno de los

integrantes de esta Comisión deberá pertenecer al claustro del Programa. Artículo 17°

El proyecto de Tesis será aprobado por el Comité Académico, previo informe de la Comisión

Evaluadora. En caso de ser rechazado el proyecto de Tesis, el Comité Académico del Programa, de acuerdo

con el informe de la Comisión Evaluadora, fijará una segunda y última oportunidad de presentación de

ésta modificada. La reprobación en segunda oportunidad del proyecto de Tesis constituirá causal de

eliminación del estudiante del Programa.

Durante el desarrollo de la tesis el estudiante deberá presentar a la Comisión Evaluadora al menos

un informe de avance.

Artículo 18°

Para acceder al examen de grado se requerirá la aprobación previa del documento final de la tesis

mediante una exposición ante la Comisión Evaluadora.

TITULO VIII Del Examen de Grado

Artículo 19°


33

El examen de grado será público y versará sobre la tesis. Se realizará ante la Comisión Evaluadora,

constituida por al menos tres profesores. El examen será presidido por el Decano o el Director de Instituto

de Rectoría. Dicha autoridad podrá delegar esa función.

El Comité Académico fijará la fecha del examen de grado una vez que haya comprobado que el

estudiante ha cumplido todos los requisitos estipulados en este reglamento. Artículo 20°

El resultado del Examen de Grado será dado a conocer al alumno al finalizar el mismo,

registrándose tal decisión en un Acta de Examen.

Si el alumno fuere reprobado en su Examen de Grado tendrá una segunda y última oportunidad

para rendirlo nuevamente en el plazo que le fije el Comité Académico del Programa, a recomendación de

la Comisión Evaluadora. La reprobación en segunda oportunidad del Examen de Grado constituirá causal

de eliminación del estudiante del Programa. Artículo 21°

La calificación final del trabajo de Tesis corresponderá al promedio de las calificaciones de cada

uno de los integrantes de la Comisión Evaluadora.

TITULO IX

De la Obtención del Grado Artículo 22°

Para obtener el Grado de Magíster en Ciencia de Datos el alumno deberá:

1) Haber aprobado todas las exigencias curriculares del plan de estudios, incluyendo las exigencias

de los artículos 12, 13 y 14. 2) Haber aprobado el Seminario de Tesis. 3) Ser aprobado en el Examen de Grado.

Artículo 23°

La nota final del Grado de Magíster en Ciencia de Datos corresponderá al promedio aritmético

simple entre la nota de presentación al Examen de Grado (promedio ponderado por el creditaje de las

notas de cursos) y la nota obtenida en el Examen de Grado.

En caso de que la nota final del Examen de Grado sea igual o superior a 6,0 la Comisión Evaluadora podrá mantener esta nota como calificación final, siempre que la nota de presentación al Examen sea igual o superior a 5,5. Artículo 24°


34

El diploma que acredita el Grado de Magíster en Ciencia de Datos será otorgado por el Rector de la Universidad de Chile, a solicitud del Decano de la Facultad de Ciencias Físicas y Matemáticas y será registrado en la oficina de Títulos y Grados.

TITULO X De los Alumnos Eliminados

Artículo 25°

Los(as) estudiantes eliminados(as) del Programa por cualquiera de las causas mencionadas en este

reglamento, podrán ser readmitidos al Programa sólo en casos excepcionales y bajo las condiciones que

establezca en conjunto el Comité Académico del Programa y el (la) Director(a) de la Escuela de Postgrado

de la Facultad de Ciencias Físicas y Matemáticas.


35

Anexo B Fichas de los(as) académicos(as) del claustro

Nombre del académico

Pablo Estévez Valencia

Carácter del vínculo (claustro/núcleo, colaborador o visitante)

Claustro, Profesor Titular.

Título, institución, país

Ingeniero Civil Electricista, Universidad de Chile, Chile.

Grado máximo (especificar área disciplinar), institución, año de graduación y país1

Dr. Eng. (Information Engineering), University of Tokyo, Japón, 1995.

Línea(s) de investigación o áreas de trabajo

Inteligencia computacional, deep learning, redes neuronales artificiales, teoría de información para el aprendizaje, selección de características, computación evolutiva, aplicaciones a astronomía y biomedicina

Número de tesis de magíster2 dirigidas en los últimos 10 años (finalizadas)

1. Rodrigo Carrasco D. Image sequence simulation and deep learning for astronomical object classification, 2019 2. Ignacio Reyes J. Monitoreo y aprendizaje de redes neuronales utilizando medidas de información y su aplicación en detección de eventos astronómicos transitorios, 2019 3. Francisco Rivera S. Diseño e Implementación en Hardware de la Correlación y la Correntropía Cruzada, utilizando FPGA, 2018 4. Pablo Huentelemu C. Filtro de Correntropía para detección de Supernovas, 2016 5. Catalina Elzo V. Modelamiento y Caracterización de curvas de luz cuasi-periódicas utilizando modelos de Neuropercolation, 2016 6. Pablo Vera C., Proyección de Datos Multidimensionales Utilizando Teoría de la Información, 2011

Nota: Todos de la Universidad de Chile

Número de tesis de doctorado dirigidas en los últimos 10 años (finalizadas)

1. Jorge Vergara Q. “Selección e Identificación de grupos complementarios de características utilizando información mutua”, Tesis de doctorado en Ingeniería Eléctrica, 26/03/2015 2. Pablo Huijse H., “Finding Periodicities in Astronomical Light Curves using Information Theoretic Learning”, Tesis de doctorado en Ingeniería Eléctrica, 21/08/2014

1 Si se estima necesario, indicar todos los grados académicos obtenidos o equivalentes. 2 Marcar con negrilla las tesis dirigidas en el mismo programa.


36


Listado de publicaciones en los últimos 10 años. En caso de publicaciones con más de un autor, indicar en negrita el autor principal.

Publicaciones ISI 1. Pizarro-Carmona, V., Cortés-Carmona, M., Palma-Behnke R., Calderón-Muñoz,

W., Orchard, M., Estévez, P.A., “An Optimized Impedance Model for the Estimation of the State-of-Charge of a Li-Ion Cell: The Case of a LiFePO4 (ANR26650)”, Energies 2019, 12 (4), 681

2. Galdames, F.J., Perez, C.A., Estévez, P.A., Adams, M., “Rock lithological classification by hyperspectral, range 3D and color images”, Chemometrics and Intelligent Laboratory Systems, 2019, 189, 138-148. https://doi.org/10.1016/j.chemolab.2019.04.006.ç

3. Alvarez, R., Rahmann, C., Palma-Behnke, R., Estévez, P.A., “A novel meta-heuristic model for the multi-year transmission network expansion planning”, International Journal of Electrical Power & Energy Systems, Vol. 107, May 2019, pp. 523-537.

4. Carrasco-Davis R., Cabrera-Vives G., Förster F., Estévez, P.A., Huijse, P., Protopapas, P., Reyes I, Martínez-Palomera J., Donoso C., “Deep Learning for Image Sequence Classification of Astronomical Events”, Publications of the Astronomical Society of the Pacific, PASP, October 2019, in press.

5. Forster, F; Moriya, TJ ; Maureira, JC; Anderson, JP; Blinnikov, S; Bufano, F; Cabrera-Vives, G; Clocchiatti, A; de Jaeger, T; Estevez, PA; Galbany, L; Gonzalez-Gaitan, S; Grafener, G; Hamuy, M; Hsiao, EY; Huentelemu, P; Huijse, P; Kuncarayakti, H; Martinez, J; Medina, G; Olivares, F; Pignata, G; Razza, A; Reyes, I; San Martin, J; Smith, RC; Vera, E; Vivas, AK; Postigo, AD; Yoon, SC; Ashall, C; Fraser, M; Gal-Yam, A; Kankare, E; Le Guillou, L; Mazzali, PA; Walton, NA; Young, DR, “The delay of shock breakout due to circumstellar material evident in most type II supernovae”, Nature Astronomy, Vol. 2 Nº 10, pp. 808-818, Oct. 2018. DOI: 10.1038/s41550-018-0563-4

6. Huijse, P., Estevez, P.A., Forster, F., Daniel, S.F., Connolly, A.J., Protopapas, P., Carrasco, R., Principe, J.C., “Robust Period Estimation using Mutual Information for Multi-band Light Curves in the Synoptic Survey Era”, Astrophysical Journal Supplement Series, 236(1), 2018, 14pp.

7. Peña, J ; Fuentes, C. ; Forster, F.; Maureira, JC.; San Martin,J. ; Littin, J. ; Huijse, P. ; Cabrera-Vives, G.; Estevez, PA; Galbany, “Asteroids in the High Cadence Transient Survey”, Astronomical Journal, Vol. 155, Nº 3, Article 13, March 2018.

8. R. Contreras Ramos, M. Zoccali, F. Rojas, A. Rojas-Arriagada, M. Gárate, P. Huijse, F. Gran, M. Soto, A. A. R. Valcarce, P. A. Estévez and D. Minniti, “Proper motions in the VVV Survey: Results for more than 15 million stars across NGC 6544”, Astronomy & Astrophysics, A140, December 2017 (13 pages).

9. Cabrera-Vives, G., Reyes, I., Forster, F., Estevez, P.A., Maureira, J.C., “Deep-HITS: Rotation invariant convolutional neural network for transient detection”, The Astrophysical Journal, 836:97 (7pp.), February 10, 2017.


37

10. Galdames F.J., Perez, C.A., Estevez, P.A., Adams, M., “Classification of rock lithology by laser range 3D and color images”, International J. of Mineral Processing, Vol. 160, March 2017, pp. 47-57.

11. Forster, F., Maureira, J.C., San Martin, J., Hamuy, M., Martinez, J., Huijse, P., Cabrera. G., Galbany L., De Jaeger, Th., Gonzalez-Gaitan, S., Anderson, J.P., Kunkarayakti, H., Pignata, G., Bufano, F., Littin, J., Olivares, F., Medina, G., Smith, R.C., Vivas, A.K., Estevez. P.A., Muñoz, R., Vera, E., “The high cadence transient survey (HITS) –I. Survey design and supernova shock breakout constraints”, Astrophysical Journal, 832:155 (22pp), 2016 December 1.

12. Reyes-Marambio, J., Moser F., Gana F., Severino B., Calderon-Muñoz, W.R., Palma-Behnke, R., Estevez, P.A., Orchard M., Cortes, M., “A fractal time thermal model for predicting the surface temperature of air-cooled cylindrical Li-ion cells based on experimental measurements”, Journal of Power Sources Vol 306, 2016, pp. 636-645.

13. Protopapas, P.; Huijse, P.; Estévez, P.A.; Zegers, P.; Principe, J.C.; Marquette, J.B., “A Novel, Fully Automated Pipeline for Period Estimation in the EROS 2 Data Set”, Astrophysical Journal Supplement Series, Vol. 216: 25 (30pp.), Feb. 2015.

14. Estévez, P.A.; Principe, J.C.; “Guest editorial, special issue on Advances on Self-organizing Maps”, Neurocomputing, Jan. 2015, pp. 1-2.

15. Orchard, M.E.; Lacalle, M.S.; Silva, J.F.; Palma, R.; Estévez, P.A.; Severino, B.; Calderón-Muñoz, W; Cortés-Carmona, M. “Information-Theoretic Measures and Sequential Monte Carlo Methods for Detection of Regeneration Phenomena in the Degradation of Lithium-Ion Battery Cells”, IEEE Transactions on Reliability, Vol. 64, nº 2, June 2015, pp. 701-708.

16. Huijse, P.; Estévez, P.A.; Protopapas, P.; Principe, J.C.; Zegers, P., “Computational Intelligence Challenges and Applications on Large-Scale Astronomical Time Series Databases”, IEEE Computational Intelligence Magazine, August 2014, pp. 27-39.

17. Nova, D.; Estévez, P.A.; “A review of learning vector quantization classifiers”, Neural Computing & Applications, Vol. 25, Issues 3-4, September 2014, pp. 511-524.

18. Severino, B.; Gana, F.; Palma-Behnke, R.; Estévez, P.A.; Calderón, W.; Orchard, M.; Cortés, M.; Reyes, J.; “Multi-objective optimal design of lithium-ion battery packs based on evolutionary algorithms”, Journal of Power Sources, Elsevier, Vol. 267, Dec 2014, pp: 288-299.

19. Vergara, J; Estévez P.A., “A review of feature selection methods based on mutual information”, Neural Computing & Applications, Vol. 24, N° 1, pp. 175-186, January 2014.

20. Huijse, P.; Estévez, P.A.; Protopapas, P., Zegers, P.; Principe, J.C.; “An Information Theoretic Algorithm for Finding Periodicities in Stellar Light Curves”, IEEE Transactions on Signal Processing, Vol. 60, October 2012, pp. 5145-5149.


38

21. Perez, C., Tapia, J., Estévez, P., Held, C., “Gender Classification from Face Images Using Mutual Information and Feature Fusion”, International Journal of Optomechatronics, Vol. 6, N°1, 2012, pp. 92-119.

22. Huijse, P., Estévez PA., Zegers, P., Principe J.C., Protopapas P., “Period Estimation in Astronomical Time Series Using Slotted Correntropy” IEEE Signal Processing Letters, Vol. 18, N° 6, June 2011, pp. 371-374.

23. Estévez, P.A., Hernández, R., Perez, CA., Held, C.M., “Gamma-filter self-organising neural networks for unsupervised sequence processing”, Electronics Letters, Vol. 47, N° 8, April 2011, pp. 494-496.

24. Perez, C.A., Estévez, P.A., Vera, P.A., Castillo, L.E., Aravena, C.M., Schulz, D.A., Medina, L.E., “Ore Grade by Feature Selection and Voting Using Boundary Detection in Digital Image Analysis”, Int. J. Mineral Processing, vol. 101, pp. 28-36, 2011.

25. Galdames, F.J, Perez C.A., Estévez, P.A., Held, C.M., Jaillet F., Lobo, G., Donoso, G., Coll, C., “Registration of Renal SPECT and 2.5D US images”, Computerized Medical Imaging and Graphics, Vol. 35, N°4, June 2011, pp. 302-314.

26. Perez C.A., Aravena C.M., Vallejos J.I., Estévez P.A., Held C.M., “Face and Iris Localization Using Templates Designed by Particle Swarm Optimization”, Pattern Recognition Letters, Vo. 31, pp. 857-868, 2010.

27. Perez C.A., Castillo L.A., Cament L.E., Estévez, P.A., Held C.M., “Genetic Optimisation for Illumination Compensation Methods in Cascade for Face Recognition”, Electronics Letters, Vol. 46, pp. 498-500, 2010.

28. Causa, L., Held, C.M., Causa J., Estévez, P.A., Perez, C.A., Chamorro, R., Garrido M., Algarin C., Peirano, P., “Automated Sleep-Spindle Detection in Healthy Children Polysomnograms”, IEEE Transactions on Biomedical Engineering, Vol. 57, N°9, September 2010, pp. 2135-2146.

Indexada (identificar tipo de indexación: SCIELO, LATINDEX, u otra):

No indexada (por ejemplo, libros, capítulos de libro, revistas con referato): Libros:

1. Estévez, P.A, Principe, J.C., Zegers P. (eds.), Advances in Self-Organizing Maps, 9th International Workshop, in Advances in Intelligent Systems and Computing Book Series, Springer-Verlag, Berlin, 2013.

Capítulos de Libros: 1. Palma, R., Estévez P., Jiménez, G., “Smart Grids” (In spanish), Energía

Sustentable para Chile, Ed. Cristián Hermansen, Colegio de Ingenieros de Chile, Chapter 8, Febrero 2010.

Otras Publicaciones: 1. Alvarez R., Rahmann C., Palma-Behnke R., Estévez P.A., Valencia F.Ant Colony

Optimization Algorithm for the Multiyear Transmission Network Expansion


39

Planning20182018 IEEE Congress on Evolutionary Computation, CEC 2018 - ProceedingsSCOPUS/UCH/VID

2. Huijse P., Astorga N., Estévez P., Pignata G.Latent representations of transient candidates from an astronomical image difference pipeline using Variational Autoencoders2018ESANN 2018 - Proceedings, European Symposium on Artificial Neural Networks, Computational Intelligence and Machine LearningSCOPUS/UCH/VID

3. Perez C.A., Estévez P.A., Galdames F.J., Schulz D.A., Perez J.P., Bastías D., Vilar D.R.Trademark Image Retrieval Using a Combination of Deep Convolutional Neural Networks2018Proceedings of the International Joint Conference on Neural NetworksSCOPUS/UCH/VID

4. Reyes E., Estevez P.A., Reyes I., Cabrera-Vives G., Huijse P., Carrasco R., Forster F.Enhanced Rotational Invariant Convolutional Neural Network for Supernovae Detection2018Proceedings of the International Joint Conference on Neural NetworksSCOPUS/UCH/VID

5. Astorga N., Huijse P., Estevez P.A., Forster F. Clustering of Astronomical Transient Candidates Using Deep Variational Embedding, 2018, Proceedings of the International Joint Conference on Neural Networks, SCOPUS/UCH/VID, http://dx.doi.org/10.1109/IJCNN.2018.8489358

6. Perez C.A., Estévez P.A., Galdames F.J., Schulz D.A., Perez J.P., Bastías D., Vilar D.R. Trademark Image Retrieval Using a Combination of Deep Convolutional Neural Networks, 2018, Proceedings of the International Joint Conference on Neural Networks, SCOPUS/UCH/VID, http://dx.doi.org/10.1109/IJCNN.2018.8489045

7. Reyes E., Estevez P.A., Reyes I., Cabrera-Vives G., Huijse P., Carrasco R., Forster F. Enhanced Rotational Invariant Convolutional Neural Network for Supernovae Detection, 2018 , Proceedings of the International Joint Conference on Neural Networks, SCOPUS/UCH/VID, http://dx.doi.org/10.1109/IJCNN.2018.8489627

8. Alvarez R., Rahmann C., Palma-Behnke R., Estévez P.A., Valencia F. Ant Colony Optimization Algorithm for the Multiyear Transmission Network Expansion Planning, 2018, 2018 IEEE Congress on Evolutionary Computation, CEC 2018 – Proceedings, SCOPUS/UCH/VID, http://dx.doi.org/10.1109/CEC.2018.8477760 Harb,

9. Estevez P.A., Vellasco M.M.B.R. Conference report on 2018 IEEE world congress on computational intelligence (IEEE WCCI 2018) [Conference reports], 2018, IEEE COMPUTATIONAL INTELLIGENCE MAGAZINE, SCOPUS/UCH/VID, http://dx.doi.org/10.1109/MCI.2018.2866723

10. Nova D., Estévez P.A. Spectral regularization in generalized matrix learning vector quantization, 2017, 12th International Workshop on Self-Organizing Maps and Learning Vector Quantization, Clustering and Data Visualization, WSOM 2017 – Proceedings, SCOPUS/UCH/VID, http://dx.doi.org/10.1109/WSOM.2017.8020029

11. Vergara J.R., Estévez P.A. A strategy for time series prediction using segment growing neural gas, 2017, 12th International Workshop on Self-Organizing


40

Maps and Learning Vector Quantization, Clustering and Data Visualization, WSOM 2017 – Proceedings, SCOPUS/UCH/VID, http://dx.doi.org/10.1109/WSOM.2017.8020033

12. Estévez P.A. Magic Realism and Smart Worlds, 2017, IEEE COMPUTATIONAL INTELLIGENCE MAGAZINE, SCOPUS/UCH/VID, http://dx.doi.org/10.1109/MCI.2016.2627663

13. Estévez P.A. Trusting Machines and Gender Diversity, 2017, IEEE COMPUTATIONAL INTELLIGENCE MAGAZINE SCOPUS/UCH/VID, http://dx.doi.org/10.1109/MCI.2017.2670418

14. Estévez P.A. Ethics and the Social Impact of Computational Intelligence, 2017 IEEE COMPUTATIONAL INTELLIGENCE MAGAZINE, SCOPUS/UCH/VID, http://dx.doi.org/10.1109/MCI.2017.2708899

15. Huentelemu P., Estevez P.A., Forster F. Correntropy based filtering for supernova detection, 2016, Proceedings of the International Joint Conference on Neural Networks, SCOPUS/UCH/VID, http://dx.doi.org/10.1109/IJCNN.2016.7727624

16. Ulloa S., Estevez P.A., Huijse P., Held C.M., Perez C.A., Chamorro R., Garrido M., Algarin C., Peirano P. Sleep-spindle identification on EEG signals from polysomnographie recordings using correntropy, 2016 Annual International Conference of the IEEE Engineering in Medicine and Biology – Proceedings, SCOPUS/UCH/VID, http://dx.doi.org/10.1109/EMBC.2016.7591540

17. Cabrera-Vives G., Reyes I., Forster F., Estevez P.A., Maureira J.-C. Supernovae detection by using convolutional neural networks 2016 Proceedings of the International Joint Conference on Neural Networks SCOPUS/UCH/VID http://dx.doi.org/10.1109/IJCNN.2016.7727206

18. Elzo C., Estevez P.A., Kozma R. Modeling quasi-periodic lightcurves using neuropercolation, 2016 Proceedings of the International Joint Conference on Neural Networks, SCOPUS/UCH/VID http://dx.doi.org/10.1109/IJCNN.2016.7727448

19. Nova D., Estévez P.A., A study on GMLVQ convex and non-convex regularization, 2016 Advances in Intelligent Systems and Computing SCOPUS/UCH/VID http://dx.doi.org/10.1007/978-3-319-28518-4_27

20. Vergara J.R., Estévez P.A., Serrano Á. Segment growing neural gas for nonlinear time series analysis, 2016 Advances in Intelligent Systems and Computing SCOPUS/UCH/VID http://dx.doi.org/10.1007/978-3-319-28518-4_9

21. Estévez P.A. Big data era challenges and opportunities in astronomy¿how SOM/LVQ and related learning methods can contribute? 2016 Advances in Intelligent Systems and Computing SCOPUS/UCH/VIDhttp://dx.doi.org/10.1007/978-3-319-28518-4_23

22. Estevez P.A. CIS in the Next Decade 2016 IEEE COMPUTATIONAL INTELLIGENCE MAGAZINE SCOPUS/UCH/VID http://dx.doi.org/10.1109/MCI.2015.2502121


41

23. Estevez P.A. Celebration of Light [President's Message] 2016 IEEE COMPUTATIONAL INTELLIGENCE MAGAZINE SCOPUS/UCH/VID http://dx.doi.org/10.1109/MCI.2016.2602066

24. Huijse, Pablo; Estévez, Pablo; Forster Francisco; Berrocal, Emanuel Discriminating variable star candidates in large image databases from the HiTS survey using NMF, 2015, Procedia Computer Science, SCOPUS/UCH/VID, http://dx.doi.org/10.1016/j.procs.2015.07.276

25. Perez C.A., Aravena C.M., Schulz D., Cament L., Castillo L., Smith F., Estevez P.A. Automatic Safety Video Surveillance-Tracking System to Avoid Vehicle-Workers Interaction for Mining Applications 2014 International Symposium on Optomechatronic Technologies, ISOT 2014 SCOPUS/UCH/VID http://dx.doi.org/10.1109/ISOT.2014.15

26. Orellana López, Gabriel; Held Barrandeguy, Claudio; Estévez Valencia, Pablo; Pérez Flores, Claudi; Reyes García, Sussanne; Algarin Crespo, Cecilia; Peirano Campos, Patricio A balanced sleep/wakefulness classification method based on actigraphic data in adolescents 2014 36th Annual International Conference of the IEEE Engineering in Medicine and Biology Society, EMBC 2014 SCOPUS/UCH/VID http://dx.doi.org/10.1109/EMBC.2014.6944547

27. Morales, Cristian; Held, Claudio; Estevez, Pablo; Pérez, Claudio; Reyes, Sussanne; Peirano, Patricio; Algarin, Cecilia, Single trial P300 detection in children using expert knowledge and SOM, 2014 36th Annual International Conference of the IEEE Engineering in Medicine and Biology Society, EMBC 2014 SCOPUS/UCH/VID http://dx.doi.org/10.1109/EMBC.2014.6944451

28. Nova Inostroza, David; Estévez Valencia, Pablo; Huijse Heise, Pablo, K-Nearest Neighbor Nonnegative Matrix Factorization for Learning a Mixture of Local SOM Models, 2014, Advances in Intelligent Systems and Computing, SCOPUS/UCH/VID, http://dx.doi.org/10.1007/978-3-319-07695-9_22

29. Estevez, P.A., Vergara, J., “Nonlinear time series by using Gamma growing neural gas”, in Advances in Self-Organizing Maps, AISC 198, pp. 205-214, Springer-Verlag, 2013.

30. Nova, D., Estevez, P.A., “Online visualization of prototypes and receptive fields produced by LVQ algorithms”, in Advances in Self-Organizing Maps, AISC 198, pp. 173-182, Springer-Verlag, 2013.

31. Huijse, P., Estevez, P.A., Protopapas, P., Zegers, P., Principe J.C., “Computational Challenges in Processing Very Large Astronomical Survey Databases”, 9th Asia-Pacific Symposium on Information and Telecommunication Technologies APSITT 2012, Nov. 2012, Santiago, Chile, pp. 1-6.

32. Claudio M. Held, Javier Causa, Leonardo Causa, Pablo A. Estevez, Claudio A. Perez, Marcelo Garrido, Rodrigo Chamorro, Cecilia Algarin, Patricio Peirano, “Automated Detection of Rapid Eye Movements in Children”, 34th Annual International IEEE EMBS Conference, San Diego, August 28-Sept 1, 2012, pp. 2267-2270.


42

33. Prasad-Mishra, B., Principe, J.C., Estévez, P.A., Protopapas, P., “Estimation of periodicity in non-uniformly sampled astronomical data using a 2D kernel in correntropy”, IEEE International Workshop on Machine Learning for Signal Processing, Beijing, China, pp. 1-6, 2011.

34. Estévez, P.A., Hernández, R., “Gamma filter self-organizing neural networks for time series analysis”, in J. Laaksonen and T. Honkela (eds.) WSOM´2011, Espoo, Finland, LNCS 6731, pp. 151-159, 2011.

35. Vera P.A., Estévez, P.A., Principe, J.C. , “Linear Projection Method based on Information Theoretic Learning”, in K. Diamantaras, W. Duch and L.S. Iliadis (Eds.) ICANN 2010, Part III, LNCS 6354, pp. 178-187, 2010.çEstévez, P.A., Huijse, P., Zegers, P., Principe, J.C., “Period Detection in Light Curves from Astronomical Objects Using Correntropy”, in Proc. International Joint Conference on Neural Networks, IJCNN 2010, Barcelona, Spain, July 18-23, pp. 3262-3268, 2010.

36. Palma-Benhke, R.; Estévez, P., “Integration of PHEVs and EVs: Experience from Chile”, 2010 IEEE Power and Energy Society General Meeting, pp. 1-3, 2010.

Patentes: Autor(es), año, nombre, estado.

1. C. Perez, P. Estevez et al., US Patent 8,971,592, March 3, 2015: “Method for determining eye location on a frontal face digital image to validate the frontal face and determine points of reference”,

2. Chile Patent Application N°1285-2013, 4 intellectual property registrations, 2 trademark registrations (Chile).

Listado de proyectos de investigación en los últimos 10 años

Título, fuente de financiamiento, duración, año de adjudicación y tipo de Investigación

1. Co-PI: Millennium Institute of Astrophysics, Chilean Ministry of Economy, Development and Tourism (2014-2023), Grant IC12009, US$20,000,000 in 10 years.

2. PI: “Big Data based Real-time Astronomy Applications for the LSST Era”, Conicyt (Chile)- NSF Grant NºDPI20140090 (2015-2018), US$ 300,000

3. Co-investigator FONDAP project N°15110019 Solar Energy Center (2013-2023) US$20 millions

4. Co-investigator BASAL project FB009 Advanced Mining Technology Center (2009-2019)

Principal Investigator in the following research projects funded by CONICYT-Chile: 1. Fondecyt 1171678 (2017-2021), Fondecyt 1140816 (2014-2017), Fondecyt

1110701 (2010-2014), 1080643 (2008-2010).

Co-Principal Investigator in the following FONDEF projects funded by CONICYT: 1. FONDEF ID16I20290 (2019-2020), FONDEF ID16I10290 (2017-2018), D08I1060

(2010-2013). Co-investigator: 1. Co – investigator Fondecyt 1191610 (2019-2023)


43

2. Co – Investigator Fondecyt 1161034 (2016-2019) 3. Co – Investigator Fondecyt 3150682 (2014-2017) 4. Co-investigator in CORFO INNOVA Projects: 12IDL2-13673 and 13IDL2-23589

Consultorías y/o asistencias técnicas en los últimos 10 años

“Transfer Learning for Remaining Useful Life Estimation”. 07/2017- 07/2018, Emerson- Chile “Programación de módulos para la detección e identificación de productos de retail ubicados en góndolas utilizando imágenes digitales”. 09/2017-07/2019, Jach Technology, Chile

Nombre del académico Jorge Silva


Claustro, Profesor Asociado.

Título, institución, país Ingeniero Civil Electricista, Universidad de Chile, Chile.


(PhDEE) Doctor of Philosophy in Electrical Engineering, 2008, University of Southern California, United States.


Procesamiento Estadístico de Señales; Aprendizaje Estadístico y Teoría de Información


Autor(es), año, título de la tesis, nombre programa de magíster, institución 1. Sebastián Espinosa T. On the analysis of decision problems in astrometry and hypothesis testing, 2018, Magíster en Ciencias de la Ingeniería, Mención Eléctrica. Ingeniero Civil Eléctrico

o 2. Andrea Vidal S. Wavelet Packet Filter Bank Selection For Texture Retrieval, 2017, Magíster en Ciencias de la Ingeniería, Mención Eléctrica. Ingeniera Civil Eléctrica

o 3. Hernan Calderon A. Channelized Facies Recovery Based on Weighted Sparse Regularization, 201, Magíster en Ciencias de la Ingeniería, Mención Eléctrica. Ingeniera Civil Eléctrica

o 4. Rodrigo Lobos M. Application of Statistical Signal Processing Techniques in Natural Rock Textures Characterization and Astrometry, 2015, Magíster en Ciencias de la Ingeniería, Mención Eléctrica. Ingeniera Civil Eléctrica

o 5. César Valenzuela L. Estudio de Técnicas de Compresión de Imágenes Astronómicas, 2013



44

o 6. Eduardo Pavez C. Representación de Señales: Aplicaciones de Wavelets y Compressive Sensing, 2013

o o Todos Universidad de Chile


Autor(es), año, título de la tesis, nombre programa de doctorado, institución


Publicaciones indexadas ISI: 1. Tobar F., Castro I., Silva J., Orchard M.: Improving battery voltage

prediction in an electric bicycle using altitude measurements and kernel adaptive filters, 2018, PATTERN RECOGNITION LETTERS.

2. Silva, JF: Shannon entropy estimation in 8-alphabets from convergence results: Studying plug-in estimators, 2018, ENTROPY.

3. Silva J.F., Derpich M.S.: Fixed-rate universal lossy source coding and model identification: Connection with zero-rate density estimation and the skeleton estimator, 2018, ENTROPY.

4. Espinosa, S; Silva, JF; Mendez, RA; Lobos, R; Orchard, M: Optimality of the maximum likelihood estimator in astrometry, 2018, ASTRONOMY & ASTROPHYSICS.

5. Chi-Duran, R; Comte, D; Diaz, M; Silva, JF: Automatic detection of P- and S-wave arrival times: new strategies based on the modified fractal method and basic matching pursuit, 2017, JOURNAL OF SEISMOLOGY.

6. Lobos, R; Silva, JF; Ortiz, JM; Diaz, G; Egana, A: Analysis and Classification of Natural Rock Textures based on New Transform-based Features, 2016, MATHEMATICAL GEOSCIENCES.

7. Echeverria, A; Silva, JF; Mendez, RA; Orchard, M: Analysis of the Bayesian Cramer-Rao lower bound in astrometry Studying the impact of prior information in the location of an object, 2016, ASTRONOMY & ASTROPHYSICS.

8. Diaz, MA; Zagal, JC; Falcon, C; Stepanova, M; Valdivia, JA; Martinez-Ledesma, M; Diaz-Pena, J; Jaramillo, FR; Romanova, N; Pacheco, E; Milla, M; Orchard, M; Silva, J; Mena, FP: New opportunities offered by Cubesats for space research in Latin America: The SUCHAI project case, 2016, ADVANCES IN SPACE RESEARCH.

9. Pola, DA; Navarrete, HF; Orchard, ME; Rabie, RS; Cerda, MA; Olivares, BE; Silva, JF; Espinoza, PA; Perez, A: Particle-Filtering-Based Discharge Time Prognosis for Lithium-Ion Batteries With a Statistical Characterization of Use Profiles, 2015, IEEE TRANSACTIONS ON RELIABILITY.

10. Orchard, ME; Lacalle, MS; Olivares, BE; Silva, JF; Palma-Behnke, R; Estevez, PA; Severino, B; Calderon-Munoz, W; Cortes-Carmona, M: Information-Theoretic Measures and Sequential Monte Carlo Methods for Detection of Regeneration Phenomena in the


45

Degradation of Lithium-Ion Battery Cells, 2015, IEEE TRANSACTIONS ON RELIABILITY.

11. Lobos, RA;Silva, JF;Mendez, RA;Orchard, M: Performance Analysis of the Least-Squares Estimator in Astrometry, 2015, PUBLICATIONS OF THE ASTRONOMICAL SOCIETY OF THE PACIFIC.

12. Calderon, H; Silva, JF; Ortiz, JM; Egana, A: Reconstruction of channelized geological facies based on RIPless compressed sensing, 2015, COMPUTERS & GEOSCIENCES.

13. Silva, JF; Derpich, MS: On the Characterization of l(p)-Compressible Ergodic Sequences, 2015, IEEE TRANSACTIONS ON SIGNAL PROCESSING.

14. Mendez, RA;Silva, JF;Orostica, R;Lobos, R: Analysis of the Cramer-Rao Bound in the Joint Estimation of Astrometry and Photometry, 2014, PUBLICATIONS OF THE ASTRONOMICAL SOCIETY OF THE PACIFIC.

15. Olivares BE;Munoz MAC;Orchard ME;Silva JF: Particle-Filtering-Based Prognosis Framework for Energy Storage Devices With a Statistical Characterization of State-of-Health Regeneration Phenomena, 2013, IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT.

16. Mendez, RA;Silva, JF;Lobos, R: Analysis and Interpretation of the Cramer-Rao Lower-Bound in Astrometry: One-Dimensional Case, 2013, PUBLICATIONS OF THE ASTRONOMICAL SOCIETY OF THE PACIFIC.

17. Mundnich, K;Orchard, ME;Selva, JF;Parada, P: Volatility Estimation of Financial Returns Using Risk-Sensitive Particle Filters, 2013, STUDIES IN INFORMATICS AND CONTROL.

18. Silva, JF;Narayanan, S: Complexity-Regularized Tree-Structured Partition for Mutual Information Estimation, 2012, IEEE TRANSACTIONS ON INFORMATION THEORY.

19. Pavez, E;Silva, JF: Analysis and design of Wavelet-Packet Cepstral coefficients for automatic speech recognition, 2012, SPEECH COMMUNICATION.

20. Silva, JF;Parada, P: On the convergence of Shannon differential entropy, and its connections with density and entropy estimation, 2012, JOURNAL OF STATISTICAL PLANNING AND INFERENCE.

21. Silva, JF;Narayanan, SS: On signal representations within the Bayes decision framework, 2012, PATTERN RECOGNITION.

22. Silva, J ; Narayanan, S: Nonproduct Data-Dependent Partitions for Mutual Information Estimation: Strong Consistency and Applications, 2010, IEEE TRANSACTIONS ON SIGNAL PROCESSING.

23. Silva, J ; Narayanan, SS: Information divergence estimation based on data-dependent partitions, 2010, JOURNAL OF STATISTICAL PLANNING AND INFERENCE.

Indexada (identificar tipo de indexación: SCIELO, LATINDEX, u otra): Autor(es), año, nombre, lugar, editorial, estado, ISSN. Incluir factor de impacto de revista, si es pertinente.


46

No indexada (por ejemplo, libros, capítulos de libro, revistas con referato): Autor(es), nombre, año, lugar (Título Revista), editorial, estado, ISSN. Incluir factor de impacto de revista, si es pertinente. Libros Capítulos de libros Workshop Papers and International Conferences: 1. Silva J.F., Piantanida P.: The redundancy gains of almost lossless

universal source coding over envelope families, 2017, IEEE International Symposium on Information Theory - Proceedings.

2. Araya-Hernández L., Osses A., Silva J.F., Tobar F.: A Bayesian mixture-of-gaussians model for astronomical observations in interferometry, 2017, 2017 CHILEAN Conference on Electrical, Electronics Engineering, Information and Communication Technologies, CHILECON 2017 - Proceedings.

3. Clavería R.M., Acuña D., Méndez R.A., Silva J.F., Orchard M.E.: Application of multiple-imputation-particle-filter for parameter estimation of visual binary stars with incomplete observations, 2016, Proceedings of the Annual Conference of the Prognostics and Health Management Society, PHM.

4. Silva J.F., Piantanida P.: Almost lossless variable-length source coding on countably infinite alphabets, 2016, IEEE International Symposium on Information Theory - Proceedings.

5. Calderon H., Santibanez F., Silva J.F., Ortiz J., Egana A.: Channelized facies recovery based on weighted compressed sensing, 2016, Proceedings of the IEEE Sensor Array and Multichannel Signal Processing Workshop.

6. Echeverria A., Silva J.F., Mendez R.A., Orchard M.: Analysis of the Bayesian Cramér-Rao in astrometry, 2016, Proceedings of the IEEE Sensor Array and Multichannel Signal Processing Workshop.

7. Tampier C., Pérez A., Jaramillo F., Quintero V., Orchard M.E., Silva J.F.: Lithium-ion battery end-of-discharge time estimation and prognosis based on Bayesian algorithms and outer feedback correction loops: A comparative analysis, 2015, Proceedings of the Annual Conference of the Prognostics and Health Management Society, PHM.

8. Acuña Ureta, David; Orchard Concha, Marcos; Silva Sánchez, Jorge; Pérez Mora, Aramis: Multiple-imputation-particle-filtering for uncertainty characterization in battery state-of-charge estimation problems with missing measurement data: Performance analysis and


47

impact on prognostic algorithms, 2015, International Journal of Prognostics and Health Management.

9. Silva Sánchez, Jorge; Derpich, Milan: Precise best k-term approximation error analysis of ergodic processes, 2014, IEEE International Symposium on Information Theory - Proceedings.

10. Acuña Ureta, David; Orchard Concha, Marcos; Silva Sánchez, Jorge; Pérez Mora, Aramis: Multiple-imputation-particle-filtering scheme for uncertainty characterization in battery state-of-charge estimation problems with missing measurement data, 2014, PHM 2014 - Proceedings of the Annual Conference of the Prognostics and Health Management Society 2014.

11. Orchard M.E., Lacalle M., Olivares B.E., Cerda M.A., Silva J.F.: Information-Theoretic measures and sequential monte carlo methods for detection of regeneration phenomena in the degradation of energy storage devices, 2013, Chemical Engineering Transactions.

12. Silva Sánchez, Jorge; Parada Salgado, Patricio: Shannon entropy estimation from convergence results in the countable alphabet case, 2013, 2013 IEEE Information Theory Workshop, ITW 2013.

13. Silva J.F., Pavez E.: Compressibility of infinite sequences and its interplay with compressed sensing recovery, 2012, 2012 Conference Handbook - Asia-Pacific Signal and Information Processing Association Annual Summit and Conference, APSIPA ASC 2012.

14. Orchard Concha, Marcos; Cerda Muñoz, Matías; Olivares Rubio, Benjamín; Silva Sánchez, Jorge: Sequential monte carlo methods for discharge time prognosis in lithium-ion batteries, 2012, International Journal of Prognostics and Health Management.

15. Orchard Concha, Marcos; Olivares Rubio, Benjamín; Cerda Villablanca, Mauricio; Silva Sánchez, Jorge: Anomaly detection based on information-theoretic measures and particle filtering algorithms, 2012, Proceedings of the Annual Conference of the Prognostics and Health Management Society 2012, PHM 2012.

16. Silva J.F; Parada P.A.: Shannon entropy convergence results in the countable infinite case, 2012, IEEE International Symposium on Information Theory - Proceedings.

17. Silva J.F; Parada P.: Sufficient conditions for the convergence of the Shannon differential entropy, 2011, 2011 IEEE Information Theory Workshop, ITW 2011.

18. Silva J.F; Derpich M.S.: Necessary and sufficient conditions for zero-rate density estimation, 2011, 2011 IEEE Information Theory Workshop, ITW 2011.

19. Silva J; Narayanan S.S.: A near-optimal (minimax) tree-structured partition for mutual information estimation, 2010, IEEE International Symposium on Information Theory - Proceedings.


48

20. Silva J; Narayanan S.S.: On data-driven histogram-based estimation for mutual information, 2010, IEEE International Symposium on Information Theory - Proceedings.



Título, fuente de financiamiento, duración, año de adjudicación y tipo de Investigación 1. 2012-2012

A probabilistic approach to stomate the state of charge and state of health Ion-Litio Batteries, CORFO Project 11IDL1-10409, Agency Corfo-Chile, Co-director.

2. Characterizing the causal rate-distortion function and extensions to networked control problems, FONDECYT, Regular, 2017-2020, Investigador asociado.

3. Topics on Information and Decision with Applications to Coding and Inverse Problems in Astronomy, FONDECYT, Regular, 2017-2021, Investigador asociado.

4. Prognostics performance metrics based on bayesian cramèr-rao lower bounds, FONDECYT, Regular, 2017-2021, Investigador asociado.

5. Procesos fundamentales en física de plasmas espaciales, combinando instrumentación, observaciones, teoría y simulaciones, Programa de Investigación Asociativa, Concurso Anillos en Ciencia y Tecnologia, 2015-2018, Investigador asociado.

6. Information and decision theory applied to the measurement of quantities of astronomical interest: The case of ground- and space-based astrometry and photometry, FONDECYT, Regular, 2015-2018, Investigador asociado.

7. Empaquetamiento y transferencia de un Sistema de Exploración Minera y Geotérmica basado en tomografía sísmica, INNOVA, Empaquetamiento y Transferencia de I+D, 2014-2016, Investigador asociado.

8. Fundamental Limitations and Optimal Design of Small-Delay Signal Transmission Systems, FONDECYT, Regular, 2014-2016, Investigador asociado.

9. Topics on Signal and Information Processing: Theory and Applications to Geological Image Reconstruction, FONDECYT, Regular, 2014-2017, Investigador asociado.

10. Novel estimation and prognostic techniques for the analysis of state-of-charge and state-of-health degradation in energy storage devices, FONDECYT, Regular, 2014-2017, Investigador asociado.


49

11. A probabilistic approach to stomate the state of charge and state of health Ion-Litio Batteries, CORFO Project 11IDL1-10409, Agency Corfo-Chile, 2012-2012, Co-director.

12. Compressed Sensing applied to Permeability Filed Reconstruction, Proyecto Basal AMTC, Agency Conicyt-Chile. 2011-2015, Investigador asociado.

13. Universal estimation of information measures and applications, FONDECYT, Regular, 2011-2014, Investigador asociado.

14. Optimal signal representation: Formulations, algorithms and applications to speech recognition and non-parametric mutual information estimation., FONDECYT, Regular, 2009-2011, Investigador asociado.

15. Centro de Tecnología para la minería, Programa Financiamiento Basal, Basal, 2008-2023, Investigador asociado.


Título, año de adjudicación, duración, objetivo, institución contratante. Technical Reports:

1. Jorge F. Silva and Eduardo Pavez, “On l1-Compressibility of In_nite Sequences: Connections with Compressed Sensing Performance Recovery" IDS Technical Report, University of Chile, August, 2012.

2. Jorge F. Silva and Shrikanth S. Narayanan, “Supplemental Material: Discriminative Wavelet Packet Filter Bank Selection for Pattern Recognition," Technical Report, Department of Electrical Engineering, Universidad de Chile, 2009. (200.9.100.182/ josilva/journals/suplemental-silva-narayanan-ieee-sp-2009.pdf)

Nombre del académico Claudio Pérez





Ph.D. Biomedical Engineering, 1991, Ohio State University, United States.


Procesamiento de Imágenes y Reconocimiento de Patrones

Número de tesis de magíster6 dirigidas en los

Autor(es), año, título de la tesis, nombre programa de magíster, institución



50

últimos 10 años (finalizadas)

1. Felipe San Martín V. Detección automática de objetos espaciales usando imágenes capturadas con cámaras all-sky, 2019, Magíster en Ciencias de la Ingeniería, Mención Eléctrica 2. Sebastián Cepeda F. Segmentación de vasos sanguíneos en imágenes digitales mediante análisis de imágenes digitales, 2016, Magíster en Ciencias de la Ingeniería, Mención Eléctrica

o 3. Juan Tapia F. Clasificación de Género en Imágenes Faciales Usando Información Mutua, 2012, Magíster en Ciencias de la Ingeniería, Mención Eléctrica

o o Todos Universidad de Chile


Autor(es), año, título de la tesis, nombre programa de doctorado, institución 1. Luis Castillo F. Improvements In Illumination Compensation For Face Recognition Under Noncontrolled Illumination Conditions, 2017, Doctorado en Ingeniería Eléctrica 2. Juan Tapia F. Gender Classification Using pair and group feature selection based on mutual information from frontal faces and iris images, 2016, Doctorado en Ingeniería Eléctrica 3. Leonardo Cament R. Enhancements by weighted feature fusion, selection and active shape model for frontal and pose variation face recognition. Mejoras por fusión de características, selección y modelo de forma activo para reconocimiento de rostros Frontal y Variación de pose, 2015, Doctorado en Ingeniería Eléctrica 4. Francisco Galdames G. Segmentación de Imágenes Cerebrales de Resonancia Magnética Nuclear para Construcción de Modelo Anatómico Destinado a Modelamiento Mecánico, 2012, Doctorado en Ingeniería Eléctrica

Todos Universidad de Chile


Publicaciones indexadas ISI: Autor(es), año, nombre, lugar, editorial, estado, ISSN. Incluir factor de impacto de revista, si es pertinente.

1. Benalcazar, DP; Bastias, D; Perez, CA; Bowyer, KW. “A 3D Iris Scanner

From Multiple 2D Visible Light Images”, IEEE ACCESS, 2019 2. Tapia, JE; Perez, CA. “Gender Classification From NIR Images by Using

Quadrature Encoding Filters of the Most Relevant Features”, IEEE ACCESS, 2019


51

3. Arredondo L.T., Perez C.A. “Spatially coincident vibrotactile noise improves subthreshold stimulus detection”, PLOS ONE, 2017

4. Tapia, JE; Perez, CA; Bowyer, KW. “Gender Classification From the Same Iris Code Used for Recognition”, IEEE TRANSACTIONS ON INFORMATION FORENSICS AND SECURITY, 2016

5. Cament, LA; Galdames, FJ; Bowyer, KW; Perez, CA. “Face recognition under pose variation with local Gabor features enhanced by Active Shape and Statistical Models”, PATTERN RECOGNITION, 2015

6. Perez, CA;Saravia, JA;Navarro, CF;Schulz, DA;Aravena, CM;Galdames, FJ. “Rock lithological classification using multi-scale Gabor features from sub-images, and voting with rock contour information”, INTERNATIONAL JOURNAL OF MINERAL PROCESSING, 2015

7. Cament, LA;Castillo, LE;Perez, JP;Galdames, FJ;Perez, CA. Fusion of local normalization and Gabor entropy weighted features for face identification, PATTERN RECOGNITION, 2014

8. Castillo, LE;Cament, LA;Galdames, FJ;Perez, CA. “Illumination normalisation method using Kolmogorov-Nagumo-based statistics for face recognition”, ELECTRONICS LETTERS, 2014

9. Orellana, G;Held, C;Estevez, P;Perez, C;Reyes, S;Algarin, C;Peirano, P. “Features analysis of actigraphic recordings for sleep/wake classification”, JOURNAL OF SLEEP RESEARCH, 2014

10. Tapia, JE;Perez, CA. Gender Classification Based on Fusion of Different Spatial Scale Features Selected by Mutual Information From Histogram of LBP, Intensity, and Shape. IEEE TRANSACTIONS ON INFORMATION FORENSICS AND SECURITY, 2013

11. Perez, C;Tapia, J;Estevez, P;Held, C. “Gender Classification From Face Images Using Mutual Information And Feature Fusion”, INTERNATIONAL JOURNAL OF OPTOMECHATRONICS, 2012

12. Galdames, FJ;Jaillet, F;Perez, CA. “An accurate skull stripping method based on simplex meshes and histogram analysis for magnetic resonance images”, JOURNAL OF NEUROSCIENCE METHODS, 2012

13. Estevez, PA ; Hernandez, R ; Perez, CA ; Held, CM. “Gamma-filter self-organising neural networks for unsupervised sequence processing”, ELECTRONICS LETTERS, 2011

14. Perez, CA ; Cament, LA ; Castillo, LE. “Methodological improvement on local Gabor face recognition based on feature selection and enhanced Borda count”, PATTERN RECOGNITION, 2011

15. Perez, CA;Estevez, PA;Vera, PA;Castillo, LE;Aravena, CM;Schulz, DA;Medina, LE. “Ore grade estimation by feature selection and voting using boundary detection in digital image analysis”, INTERNATIONAL JOURNAL OF MINERAL PROCESSING, 2011

16. Galdames, FJ ; Perez, CA ; Estevez, PA ; Held, CM ; Jaillet, F ; Lobo, G ; Donoso, G ; Coll, C. “Registration of renal SPECT and 2.5D US images”, COMPUTERIZED MEDICAL IMAGING AND GRAPHICS, 2011


52

17. Causa, L ; Held, CM ; Causa, J ; Estevez, PA ; Perez, CA ; Chamorro, R ; Garrido, M ; Algarin, C ; Peirano, P. “Automated Sleep-Spindle Detection in Healthy Children Polysomnograms”, IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING, 2010

18. Perez, CA ; Castillo, LE ; Cament, LA ; Estevez, PA ; Held, CM. “Genetic optimisation of illumination compensation methods in cascade for face recognition”, ELECTRONICS LETTERS, 2010

19. Perez, CA ; Donoso, JR ; Medina, LE. “A critical experimental study of the classical tactile threshold theory”, BMC NEUROSCIENCE, 2010

20. Perez, CA ; Aravena, CM ; Vallejos, JI ; Estevez, PA ; Held, CM. Face and iris localization using templates designed by particle swarm optimization, PATTERN RECOGNITION LETTERS, 2010


No indexada (por ejemplo, libros, capítulos de libro, revistas con referato): Autor(es), nombre, año, lugar (Título Revista), editorial, estado, ISSN. Incluir factor de impacto de revista, si es pertinente. Libros Capítulos de libros Revistas con referato Workshop Papers and International Conferences: 1. Galdames, F.J., Perez, C.A., Estévez, P.A., Adams, M, ” Rock

lithological classification by hyperspectral, range 3D and color images”, CHEMOMETRICS AND INTELLIGENT LABORATORY SYSTEMS, 2019

2. Benalcazar D.P., Perez C.A., Bastias D., Bowyer K.W. “Iris recognition: Comparing visible-light lateral and frontal illumination to NIR frontal illumination”, Proceedings - 2019 IEEE Winter Conference on Applications of Computer Vision, WACV 2019, 2019

3. Perez C.A., Estévez P.A., Galdames F.J., Schulz D.A., Perez J.P., Bastías D., Vilar D.R. “Trademark Image Retrieval Using a Combination of Deep Convolutional Neural Networks”, Proceedings of the International Joint Conference on Neural Networks, 2018

4. Bastias D., Perez C.A., Benalcazar D.P., Bowyer K.W. A method for 3D iris reconstruction from multiple 2D near-infrared images, IEEE International Joint Conference on Biometrics, IJCB 2017, 2018

5. Cament L., Adams M., Correa J., Perez C. The d-generalized multi-Bernoulli poisson filter in a multi-sensor application. 2017


53

International Conference on Control, Automation and Information Sciences, ICCAIS 2017, 2017

6. Ulloa S., Estevez P.A., Huijse P., Held C.M., Perez C.A., Chamorro R., Garrido M., Algarin C., Peirano P. Sleep-spindle identification on EEG signals from polysomnographie recordings using correntropy, Annual International Conference of the IEEE Engineering in Medicine and Biology – Proceedings, 2016

7. Correa J., Adams M., Perez C. A Dirac Delta mixture-based Random Finite Set filter, ICCAIS 2015 - 4th International Conference on Control, Automation and Information Sciences, 2015

8. Cament Riveros, Leonardo; Galdames Grunberg, Francisco; Bowyer, Kevin W.; Pérez Flores, Claudio, “Face recognition under pose variation with active shape model to adjust Gabor filter kernels and to correct feature extraction location”, 2015 11th IEEE International Conference and Workshops on Automatic Face and Gesture Recognition, FG 2015, 2015

9. Tapia Farías, Juan; Pérez Flores, Claudio; Bowyer, Kevin W. “Gender classification from iris images using fusion of uniform local binary patterns”, Lecture Notes in Computer Science, 2015

10. Morales Carrasco, Cristian; Held Barrandeguy, Claudio; Estevez Valencia, Pablo; Pérez Flores, Claudio; Reyes García, Sussanne; Peirano Campos, Patricio; Algarin Crespo, Cecilia, “Single trial P300 detection in children using expert knowledge and SOM”, 2014 36th Annual International Conference of the IEEE Engineering in Medicine and Biology Society, EMBC 2014, 2014

11. Orellana López, Gabriel; Held Barrandeguy, Claudio; Estévez Valencia, Pablo; Pérez Flores, Claudi; Reyes García, Sussanne; Algarin Crespo, Cecilia; Peirano Campos, Patricio. “A balanced sleep/wakefulness classification method based on actigraphic data in adolescents”, 2014 36th Annual International Conference of the IEEE Engineering in Medicine and Biology Society, EMBC 2014, 2014

12. Perez C.A., Aravena C.M., Schulz D., Cament L., Castillo L., Smith F., Estevez P.A. “Automatic Safety Video Surveillance-Tracking System to Avoid Vehicle-Workers Interaction for Mining Applications”, 2014 International Symposium on Optomechatronic Technologies, ISOT 2014, 2014

13. Pérez Flores, Claudio; Schulz Melgarejo, Daniel; Aravena Cereceda, Carlos; Pérez Valenzuela, Claudio; Verdaguer Tarradella, J Miguel. “A new method for online retinal optic-disc detection based on cascade classifiers”, Proceedings - 2013 IEEE International Conference on Systems, Man, and Cybernetics, SMC 2013, 2013

14. Tapia Farias, J Eduardo; Pérez Flores, Claudio. “Gender classification using one half face and feature selection based on mutual information”, Proceedings - 2013 IEEE International Conference on Systems, Man, and Cybernetics, SMC 2013, 2013


54

15. Pérez Flores, Claudio; Schulz Melgarejo, Daniel; Navarro Clavería, Carlos; Saravia Estrada, Jacob; Aravena Cereceda, Carlos, “Pattern detection using a new haralick quaternion color extraction model and support vector machine classifier”, Proceedings - 2013 IEEE International Conference on Systems, Man, and Cybernetics, SMC 2013, 2013

16. Perez C., Navarro C., Vera P., Schulz D., Castillo L., Saravia J. “Rock grindability estimation based on the quaternion color extraction model”, 26th International Mineral Processing Congress, IMPC 2012: Innovative Processing for Sustainable Growth - Conference Proceedings, 2012

17. Perez C.A., Saravia J., Navarro C., Castillo L., Schulz D., Aravena C. “Lithological classification based on Gabor texture image analysis”, 2012 International Symposium on Optomechatronic Technologies, ISOT 2012, 2012

18. Perez C.A., Schulz D., Vera P., Navarro C., Castillo L., Saravia J. “Rock lithological classification based on gabor filters and support vector machine”, 26th International Mineral Processing Congress, IMPC 2012: Innovative Processing for Sustainable Growth - Conference Proceedings, 2012

19. Held C.M., Causa J., Causa L., Estevez P.A., Perez C.A., Garrido M., Chamorro R., Algarin C., Peirano P. “Automated detection of Rapid Eye Movements in children”, Proceedings of the Annual International Conference of the IEEE Engineering in Medicine and Biology Society, EMBS, 2012

20. Held C.M., Causa J., Causa L., Estevez P.A., Perez C.A., Garrido M., Chamorro R., Algarin C., Peirano P. “Automated detection of rapid eye movements in children.”, Annual International Conference of the IEEE Engineering in Medicine and Biology – Proceedings, 2012

21. Perez C.A; Cament L.A; Castillo L.E. “Local matching Gabor entropy weighted face recognition”, 2011 IEEE International Conference on Automatic Face and Gesture Recognition and Workshops, FG 2011, 2011

22. Perez C.A; Castillo L.E; Cament L.A. “Illumination compensation method for local matching gabor face classifier”, 2010 International Symposium on Optomechatronic Technologies, ISOT 2010, 2010



Título, fuente de financiamiento, duración, año de adjudicación y tipo de Investigación 1. 2019-2023

1191610- Advances in Biometrics: 3-D iris surface modeling for improved iris matching across dilation, and brain-inspired


55

enhancements to CNNs for improved face matching across pose, FONDECYT, Regular, Investigador Principal

2. 2017-2021 1171678 - Advances in ensemble classifiers, deep learning and information theoretic learning: Applications to big data in astronomy and EEG signals, Fondecyt, Regular, Co-investigador

3. 2016-2018 ID16I10290 - Detección automática de similitudes entre imágenes de marcas para su registro y protección, FONDEF, IDEA Bietapa, Investigador Principal

4. 2016-2019 1161034 - Advances in biometric pattern recognition: Iris recognition including depth information and face classification for varying pose with improved active apperance models, FONDECYT, Regular, Investigador Principal

5. 2015 – 2018 3160772 - Selección y extracción de grupos de características basado en información mutua para clasificación de patrones en imágenes y series de tiempo astronómicas, FONDECYT, Postdoctorado, Co-investigador

6. 2014-2016 13IDL2-23589 - Monitoreo Automático de Puntos de Ventas para Productos en el Retail mediante Procesamiento Digital de Imágenes, INNOVA, Proyecto de I+D Aplicada, Investigador Principal

7. 2014-2016 3150460 - Métodos eficientes de procesamiento de señales basados en teoría de la información y aprendizaje de máquinas para el análisis de series de tiempo astronómicas, FONDECYT, Postdoctorado, Co-investigador

8. 2014- 2017 1140816 - Advanced Machine Learning and Signal Processing Methods for Time Series Analysis: Applications to Astronomical Light Curves and Sleep EEG, FONDECYT, Regular, Co-investigador

9. 2012-2015 12IDL2-13673 - Sistema de monitoreo para seguridad de trabajadores en la minería con aprendizaje automático, INNOVA, Proyecto de I+D Aplicada, Investigador Principal

10. 2012 – 2015 1120613 - New biometric methods for face identification by enhanced feature extraction-selection and model fusion, FONDECYT, Regular, Investigador Principal

11. 2011 – 2014 1110701 - Advances neural networks and information theoretic learning methods for times series analysis: applications to


56

astronomical light curves and biomedicak signals, FONDECYT, Regular, Co-investigador

12. 2008 – 2011 D08I1060 - Reconocimiento inteligente de patrones por video: aplicaciones en vigilancia y minería, FONDEF, Investigación y Desarrollo (I+D), Investigador Principal

13. 2008 -2023 FB-009 - Centro de Tecnología para la minería, Programa Financiamiento Basal, Basal, Co-invetsigador

14. 2008 – 2011 1080593 - Critical improvements in face-eye deterction for real-time human-computer interaction, FONDECYT, Regular, Investigador Principal


Título, año de adjudicación, duración, objetivo, institución contratante.

Nombre del académico Marcos Orchard



Título, institución, país Ingeniero Civil Industrial, Pontificia Universidad Católica de Chile, Chile.


Ph.D. Georgia Institute of Techonology, United States, 2007


Detección de Fallas y Predicción de Eventos Catastróficos


1. Heraldo Rozas O. “Prognostic-based real-time decision-making approach for dynamic and stochastic shortest path problem for electric-vehicles”, 2019, Magíster en Ciencias de la Ingeniería, Mención Eléctrica 2. Diego Jimenez J. Gestión óptima de la energía de una nano-red para minimizar la degradación de un pack modular de baterías de ion-litio, 2018, Magíster en Ciencias de la Ingeniería, Mención Eléctrica 3. Sebastián Seria R. Metodología para el diagnóstico y pronóstico de fallas en el motor de tracción de equipos de transporte de material minero, 2018, Magíster en Ciencias de la Ingeniería, Mención Eléctrica 4. Matías Benavides F. Determinación de indicadores de estado de salud de Baterías de ION-Litio, mediante el uso de Espectropía de Impedancia Electroquímica y caracterización del término de la vida útil basado en la



57

generación de calor dada por la impedancia interna, 2018, Magíster en Ciencias de la Ingeniería, Mención Eléctrica 5. Mario Vergara L. Caracterización y predicción de riesgo criminal basado en Kernels espacio-temporales incluyendo, 2017, Magíster en Ciencias de la Ingeniería, Mención Eléctrica 6. Juan Rodríguez S. Desarrollo de una metodología para caracterizar y predecir el riesgo criminal mediante la generación de modelos Espacio-Temporales empíricos basados en manejo de datos, 2017, Magíster en Ciencias de la Ingeniería, Mención Eléctrica 7. Pablo Espinoza V. “A Simulation Engine for Ion-Lithium Battery Packs in Electric Vehicles Based on Energetic Autonomy and Remainig Useful Life Criteria”, 2017, Magíster en Ciencias de la Ingeniería, Mención Eléctrica 8. Pablo Fuentes P. Diseño de un Modelo Espacio-Temporal para caracterizar y predecir el riesgo criminal y análisis de su desempeño usando transformaciones basadas en Kernels Gaussianos Periódicos y funciones wavelet en la fenomenología temporal, 2017, Magíster en Ciencias de la Ingeniería, Mención Eléctrica 9. Ismael Jaras C. Métodos avanzados para la evaluación del desempeño de algoritmos de estimación y pronóstico basados en Monte Carlo Secuencial, 2017, Magíster en Ciencias de la Ingeniería, Mención Eléctrica 10. Rubén Claveria V. “Uncertainty Charecterizatioon of Orbital Parameters in Context of Partial Information”, 2017, Magíster en Ciencias de la Ingeniería, Mención Eléctrica 11. David Acuña U. Manejo de Incertidumbre ante Pérdida Parcial o Total de Datos en Algoritmos Basados en Métodos Secuenciales de Monte Carlo y Nueva Definición de Probabilidad de Falla en el Contexto de Monitoreo en Línea, 2016, Magíster en Ciencias de la Ingeniería, Mención Eléctrica 12. Jorge Carrera O.S istema de Pronóstico para Regeneración de Aceites para transformadores basado en algoritmos Filtro de Partículas, 2015, Magíster en Ciencias de la Ingeniería, Mención Eléctrica 13. Daniel Pola C. “An improved prognosis strategy with temperature dependent state-space model for the analysis of the state-of-health and state-of-charge in lithium-ion batteries. Estrategias de Pronóstico del Estado-de-Salud y Estado-de-Carga en Baterías de Ion-Litio en base a Modelos en el Espacio de Estados dependientes de la Temperatura”, 2014, Magíster en Ciencias de la Ingeniería, Mención Eléctrica 14. Benjamín Olivares R. Sistema de pronóstico para el estado-de-salud de acumuladores de energía basado en filtro de partículas y caracterización estadística de fenómenos de regeneración, 2012, Magíster en Ciencias de la Ingeniería, Mención Eléctrica 15. Matías Cerda M. Estimación en línea del tiempo de descarga de baterías de Ion-Litio utilizando caracterización del perfil de utilización y


58

métodos secuenciales de Monte Carlo, 2012, Magíster en Ciencias de la Ingeniería, Mención Eléctrica



1. Gina Sierra P. “Towards battery health management for lithium polymer battery-powered small-size rotary-wing unmanned aerial vehicles”, 2018, Doctorado en Ingeniería Eléctrica 2. Francisco Jaramillo M. Diseño de Nuevas Estrategias de Estimación y Pronóstico del Término de la Fase Aeróbica para el Proceso de Remoción Biológica de Nitrógeno en Reactores Batch Secuenciales, 2018, Doctorado en Ingeniería Eléctrica 3. Aramis Pérez M. ”Effect of Temperature-Dependent Degradation Models for Lithium-Ion Energy Storage Devices on Optimized Multiservice Portfolio Strategies”, 2018, Doctorado en Ingeniería Eléctrica



Publicaciones indexada ISI: 1. Pizarro-Carmona, V.; Cortés-Carmona, M.; Palma-Behnke, R.; Calderón-Muñoz, W.; Orchard, M.E.; Estévez, P.A. An Optimized Impedance Model for the Estimation of the State-of-Charge of a Li-Ion Cell: The Case of a LiFePO4 (ANR26650). Energies 2019, 12, 681. 2. Kordestani, M; Zanj, A; Orchard, ME; Saif, M. A Modular Fault Diagnosis and Prognosis Method for Hydro-Control Valve System Based on Redundancy in Multisensor Data Information, 2019, IEEE TRANSACTIONS ON RELIABILITY 3. Sierra, G; Orchard, M; Goebel, K; Kulkarni, C. Battery health management for small-size rotary-wing electric unmanned aerial vehicles: An efficient approach for constrained computing platforms, 2019, RELIABILITY ENGINEERING & SYSTEM SAFETY 4. Quintero, V; Perez, A; Estevez, C; Orchard, M. State-of-charge estimation to improve decision making by MAC protocols used in WSNs, 2019, ELECTRONICS LETTERS 5. Acuna, DE; Orchard, ME; Saona, RJ, Conditional predictive Bayesian Cramer-Rao Lower Bounds for prognostic algorithms design, 2018, APPLIED SOFT COMPUTING


59

6. Jaramillo, F; Orchard, M; Munoz, C; Zamorano, M; Antileo, C. Advanced strategies to improve nitrification process in sequencing batch reactors - A review, 2018, JOURNAL OF ENVIRONMENTAL MANAGEMENT 7. Espinosa, S; Silva, JF; Mendez, RA; Lobos, R; Orchard, M. Optimality of the maximum likelihood estimator in astrometry, 2018, ASTRONOMY & ASTROPHYSICS 8. Jaras I., Orchard M.E. Performance assessment of sequential Bayesian processors based on probably approximately correct computation and information theory, 2018, ELECTRONICS LETTERS 9. Tobar F., Castro I., Silva J., Orchard M. Improving battery voltage prediction in an electric bicycle using altitude measurements and kernel adaptive filters, 2018, PATTERN RECOGNITION LETTERS 10. Jaramillo, F; Orchard, M; Munoz, C; Antileo, C; Saez, D; Espinoza, P. On-line estimation of the aerobic phase length for partial nitrification processes in SBR based on features extraction and SVM classification, 2018, CHEMICAL ENGINEERING JOURNAL 11. Perez, A; Quintero, V; Jaramillo, F; Rozas, H; Jimenez, D; Orchard, M; Moreno, R. Characterization of the degradation process of lithium-ion batteries when discharged at different current rates, 2018, PROCEEDINGS OF THE INSTITUTION OF MECHANICAL ENGINEERS PART I-JOURNAL OF SYSTEMS AND CONTROL ENGINEERING 12. Mendez, RA; Claveria, RM; Orchard, ME; Silva, JF. Orbits for 18 Visual Binaries and Two Double-line Spectroscopic Binaries Observed with HRCAM on the CTIO SOAR 4m Telescope, Using a New Bayesian Orbit Code Based on Markov Chain Monte Carlo, 2017, ASTRONOMICAL JOURNAL 13. Roje, T; Marin, LG; Saez, D; Orchard, M; Jimenez-Estevez, G. Consumption modeling based on Markov chains and Bayesian networks for a demand side management design of isolated microgrids, 2017, International Journal of Energy Research 14. Barrios, P; Adams, M; Leung, K; Inostroza, F; Naqvi, G; Orchard, ME. Metrics for Evaluating Feature-Based Mapping Performance, 2017, IEEE TRANSACTIONS ON ROBOTICS 15. Torres, B; Quintero, V; Estevez, C; Orchard, M; Azurdia, C. SoC control for improved battery life and throughput performance under VST-TDMA, 2017, ELECTRONICS LETTERS


60

16. Acuna, DE; Orchard, ME. Particle-filtering-based failure prognosis via sigma-points: Application to Lithium-Ion battery State-of-Charge monitoring, 2017, MECHANICAL SYSTEMS AND SIGNAL PROCESSING 17. Ley, CP; Orchard, ME. Chi-squared smoothed adaptive particle-filtering based prognosis, 2017, MECHANICAL SYSTEMS AND SIGNAL PROCESSING 18. Aguila-Camacho N., Le Roux J.D., Duarte-Mermoud M.A., Orchard M.E. Control of a grinding mill circuit using fractional order controllers, 2017, JOURNAL OF PROCESS CONTROL 19. Diaz, MA; Zagal, JC; Falcon, C; Stepanova, M; Valdivia, JA; Martinez-Ledesma, M; Diaz-Pena, J; Jaramillo, FR; Romanova, N; Pacheco, E; Milla, M; Orchard, M; Silva, J; Mena, FP. New opportunities offered by Cubesats for space research in Latin America: The SUCHAI project case, 2016, ADVANCES IN SPACE RESEARCH 20. Echeverria, A; Silva, JF; Mendez, RA; Orchard, M. Analysis of the Bayesian Cramer-Rao lower bound in astrometry Studying the impact of prior information in the location of an object, 2016, ASTRONOMY & ASTROPHYSICS 21. Mundnich, K; Orchard, ME. Early online detection of high volatility clusters using Particle Filters, 2016, EXPERT SYSTEMS WITH APPLICATIONS 22. Perez, A; Moreno, R; Moreira, R; Orchard, M; Strbac, G. Effect of Battery Degradation on Multi-Service Portfolios of Energy Storage, 2016, IEEE TRANSACTIONS ON SUSTAINABLE ENERGY 23. Burgos-Mellado, C;Orchard, ME;Kazerani, M;Cardenas, R;Saez, D. Particle-filtering-based estimation of maximum available power state in Lithium-Ion batteries, 2016, APPLIED ENERGY 24. Reyes-Marambio, J;Moser, F;Gana, F;Severino, B;Calderon-Munoz, WR;Palma-Behnke, R;Estevez, PA;Orchard, M;Cortes, M. A fractal time thermal model for predicting the surface temperature of air-cooled cylindrical Li-ion cells based on experimental measurements, 2016, JOURNAL OF POWER SOURCES 25. Pola, DA; Navarrete, HF; Orchard, ME; Rabie, RS; Cerda, MA; Olivares, BE; Silva, JF; Espinoza, PA; Perez, A. Particle-Filtering-Based Discharge Time Prognosis for Lithium-Ion Batteries With a Statistical Characterization of Use Profiles , 2015, IEEE TRANSACTIONS ON RELIABILITY


61

26. Lobos, RA;Silva, JF;Mendez, RA;Orchard, M Performance Analysis of the Least-Squares Estimator in Astrometry, 2015, PUBLICATIONS OF THE ASTRONOMICAL SOCIETY OF THE PACIFIC 27. Moya, J; Ruiz-Del-Solar, J; Orchard, M; Parra-Tsunekawa, I. Fall Detection and Damage Reduction in Biped Humanoid Robots, 2015, INTERNATIONAL JOURNAL OF HUMANOID ROBOTICS 28. Burgos, C;Saez, D;Orchard, ME;Cardenas, R. Fuzzy modelling for the state-of-charge estimation of lead-acid batteries, 2015, JOURNAL OF POWER SOURCES 29. Orchard, ME; Lacalle, MS; Olivares, BE; Silva, JF; Palma-Behnke, R; Estevez, PA; Severino, B; Calderon-Munoz, W; Cortes-Carmona, M. Information-Theoretic Measures and Sequential Monte Carlo Methods for Detection of Regeneration Phenomena in the Degradation of Lithium-Ion Battery Cells, 2015, IEEE TRANSACTIONS ON RELIABILITY 30. Zhang, B;Orchard, M;Saha, B;Saxena, A;Lee, YJ;Vachtsevanos, G. A verification framework with application to a propulsion system, 2014, EXPERT SYSTEMS WITH APPLICATIONS 31. Severino, B;Gana, F;Palma-Behnke, R;Estevez, PA;Calderon-Munoz, WR;Orchard, ME;Reyes, J;Cortes, M. Multi-objective optimal design of lithium-ion battery packs based on evolutionary algorithms, 2014, JOURNAL OF POWER SOURCES 32. Mundnich, K;Orchard, ME;Selva, JF;Parada, P. Volatility Estimation of Financial Returns Using Risk-Sensitive Particle Filters, 2013, STUDIES IN INFORMATICS AND CONTROL 33. Orchard, ME;Hevia-Koch, P;Zhang, B;Tang, L. Risk Measures for Particle-Filtering-Based State-of-Charge Prognosis in Lithium-Ion Batteries, 2013, IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS 34. Olivares BE;Munoz MAC;Orchard ME;Silva JF. Particle-Filtering-Based Prognosis Framework for Energy Storage Devices With a Statistical Characterization of State-of-Health Regeneration Phenomena, 2013, IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT 35. Chen, CC;Brown, D;Sconyers, C;Zhang, B;Vachtsevanos, G;Orchard, ME. An integrated architecture for fault diagnosis and failure prognosis of complex engineering systems, 2012, EXPERT SYSTEMS WITH APPLICATIONS


62

36. Chen, CC;Vachtsevanos, G;Orchard, ME. Machine remaining useful life prediction: An integrated adaptive neuro-fuzzy and high-order particle filtering approach, 2012, MECHANICAL SYSTEMS AND SIGNAL PROCESSING 37. Tobar, FA;Orchard, ME. Study of Financial Systems Volatility Using Suboptimal Estimation Algorithms, 2012, STUDIES IN INFORMATICS AND CONTROL 38. Chen, CC ; Zhang, B ; Vachtsevanos, G ; Orchard, M. Machine Condition Prediction Based on Adaptive Neuro-Fuzzy and High-Order Particle Filtering, 2011, IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS 39. Zhang, B ; Sconyers, C ; Byington, C ; Patrick, R ; Orchard, ME ; Vachtsevanos, G. A Probabilistic Fault Detection Approach: Application to Bearing Fault Detection, 2011, IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS 40. Zhang, B ; Khawaja, T ; Patrick, R ; Vachtsevanos, G ; Orchard, M ; Saxena, A. A novel blind deconvolution de-noising scheme in failure prognosis, 2010, TRANSACTIONS OF THE INSTITUTE OF MEASUREMENT AND CONTROL 41. Orchard, ME ; Tang, LA ; Saha, B ; Goebel, K ; Vachtsevanos, G. Risk-Sensitive Particle-Filtering-based Prognosis Framework for Estimation of Remaining Useful Life in Energy Storage Devices, 2010, STUDIES IN INFORMATICS AND CONTROL


No indexada (por ejemplo, libros, capítulos de libro, revistas con referato): Workshop Papers and International Conferences: 1. Jimenez D., Ortiz-Villalba D., Perez A., Orchard M.E. Lithium-ion

battery degradation assessment in microgrids, 2019, 2018 IEEE International Autumn Meeting on Power, Electronics and Computing, ROPEC 2018

2. Orchard M.E., Acuña D.E. On prognostic algorithm design and fundamental precision limits in long-term prediction, 2019, Predictive Maintenance in Dynamic Systems: Advanced Methods, Decision Support Tools and Real-World Applications

3. Rozas H., Claveria R.M., Orchard M.E., Medjaher K. Residual-based scheme for detection and characterization of faults in lithium-ion batteries, 2018, IFAC-PapersOnLine


63

4. Ley C.P., Orchard M.E. The Impact of Lithium-Ion Battery Polarising Impedance Modelling on End-of-Discharge Prognosis Accuracy, 2018, IFAC-PapersOnLine

5. Pérez A., Benavides M., Rozas H., Seria S., Orchard M.E. Guidelines for the characterization of the internal impedance of lithium-ion batteries in PHM algorithms, 2018, International Journal of Prognostics and Health Management

6. Acuña D.E., Orchard M.E. Prognostic Algorithms Design Based on Predictive Bayesian Cramér-Rao Lower Bounds, 2017, IFAC-PapersOnLine

7. Quintero V., Estevez C., Orchard M. State-of-charge estimation to improve energy conservation and extend battery life of wireless sensor network nodes, 2017, International Conference on Ubiquitous and Future Networks, ICUFN

8. Pérez A., Quintero V., Rozas H., Jaramillo F., Moreno R., Orchard M. Modelling the degradation process of lithium-ion batteries when operating at erratic state-of-charge swing ranges, 2017, 2017 4th International Conference on Control, Decision and Information Technologies, CoDIT 2017

9. Pérez A., Quintero V., Rozas H., Jimenez D., Jaramillo F., Orchard M. Lithium-ion battery pack arrays for lifespan enhancement, 2017, 2017 CHILEAN Conference on Electrical, Electronics Engineering, Information and Communication Technologies, CHILECON 2017 – Proceedings

10. Gonzalez-Prida V., Orchard M.E., Martin C., Crespo A., Soto A.F. Inequality indices based on the notion of Shannon-entropy for the assessments of industrial fleets, 2016, Lecture Notes in Mechanical Engineering

11. Clavería R.M., Acuña D., Méndez R.A., Silva J.F., Orchard M.E. Application of multiple-imputation-particle-filter for parameter estimation of visual binary stars with incomplete observations, 2016, Proceedings of the Annual Conference of the Prognostics and Health Management Society, PHM

12. Pola D., Guajardo F., Jofré E., Quintero V., Pérez A., Acuña D., Orchard M. Particle-filtering-based state-of-health estimation and end-of-life prognosis for lithium-ion batteries at operation temperature, 2016, Proceedings of the Annual Conference of the Prognostics and Health Management Society, PHM

13. Yan W., Zhang B., Orchard M. Parameters optimization of lebesgue sampling-based fault diagnosis and prognosis with application to Li-ion batteries, 2016, Proceedings of the Annual Conference of the Prognostics and Health Management Society, PHM

14. Echeverria A., Silva J.F., Mendez R.A., Orchard M. Analysis of the Bayesian Cramér-Rao in astrometry, 2016, Proceedings of the IEEE Sensor Array and Multichannel Signal Processing Workshop


64

15. Montesinos L., Rodriguez S.J.P., Orchard M., Eyheramendy S. Sentiment analysis and prediction of events in TWITTER, 2016, CHILECON 2015 - 2015 IEEE Chilean Conference on Electrical, Electronics Engineering, Information and Communication Technologies, Proceedings of IEEE Chilecon 2015

16. Villalpando P., Meruane V., Boroschek R., Orchard M. Damage location by maximum entropy method on a civil structure, 2016, Conference Proceedings of the Society for Experimental Mechanics Series

17. Acuña Ureta, David; Orchard Concha, Marcos; Silva Sánchez, Jorge; Pérez Mora, Aramis. Multiple-imputation-particle-filtering for uncertainty characterization in battery state-of-charge estimation problems with missing measurement data: Performance analysis and impact on prognostic algorithms, 2015, International Journal of Prognostics and Health Management

18. Flores P., Vergara M., Fuentes P., Jaramillo F., Acuña D., Perez A., Orchard M. Modeling and prediction of criminal activity based on spatio-temporal probabilistic risk functions, 2015, Proceedings of the Annual Conference of the Prognostics and Health Management Society, PHM

19. Tampier C., Pérez A., Jaramillo F., Quintero V., Orchard M.E., Silva J.F. Lithium-ion battery end-of-discharge time estimation and prognosis based on Bayesian algorithms and outer feedback correction loops: A comparative analysis, 2015, Proceedings of the Annual Conference of the Prognostics and Health Management Society, PHM

20. Orchard Concha, Marcos; Tang, Lian; Vachtsevanos, George. A combined anomaly detection and failure prognosis approach for estimation of remaining useful life in energy storage devices, 2014, Proceedings of the Annual Conference of the Prognostics and Health Management Society 2011, PHM 2011

21. Acuña Ureta, David; Orchard Concha, Marcos; Silva Sánchez, Jorge; Pérez Mora, Aramis. Multiple-imputation-particle-filtering scheme for uncertainty characterization in battery state-of-charge estimation problems with missing measurement data, 2014, PHM 2014 - Proceedings of the Annual Conference of the Prognostics and Health Management Society 2014

22. Tobar, Felipe A.; Orchard Concha, Marcos; Mandic, Danilo P.D.; Constantinides, Anthony G. Estimation of financial indices volatility using a model with time-varying parameters, 2014, IEEE/IAFE Conference on Computational Intelligence for Financial Engineering, Proceedings (CIFEr)

23. Orchard M.E., Lacalle M., Olivares B.E., Cerda M.A., Silva J.F. Information-Theoretic measures and sequential monte carlo methods for detection of regeneration phenomena in the


65

degradation of energy storage devices, 2013, Chemical Engineering Transactions

24. Estévez Montero, Claudio; Orchard Concha, Marcos; Kailas, Aravind. Improving throughput performance under an energy efficient multiplexing access scheme using time-of- failure prognosis, 2013, BODYNETS 2013 - 8th International Conference on Body Area Networks

25. Carricajo Martín, Tomás; Orchard Concha, Marcos; Vallejos Sánchez, Paul. Design and simulation of control strategies for trajectory tracking in an autonomous ground vehicle ?, 2013, IFAC Proceedings Volumes (IFAC-PapersOnline)

26. Carricajo, Tomás; Kripper, Felipe; Orchard Concha, Marcos; Yacher, Luis; Paredes, Rodrigo. Anomaly detection in gas turbine compressor of a power generation plant using similarity-based modeling and multivariate analysis, 2013, PHM 2013 - Proceedings of the Annual Conference of the Prognostics and Health Management Society 2013

27. Estévez Montero, Claudio; Orchard Concha, Marcos; Kailas, Aravind. Improving throughput performance under an energy efficient multiplexing access scheme using time-of-failure prognosis, 2013, Proceedings of the 8th International Conference on Body Area Networks, BodyNets 2013

28. Orchard Concha, Marcos; Cerda Muñoz, Matías; Olivares Rubio, Benjamín; Silva Sánchez, Jorge. Sequential monte carlo methods for discharge time prognosis in lithium-ion batteries, 2012, International Journal of Prognostics and Health Management

29. Orchard Concha, Marcos; Olivares Rubio, Benjamín; Cerda Villablanca, Mauricio; Silva Sánchez, Jorge. Anomaly detection based on information-theoretic measures and particle filtering algorithms, 2012, Proceedings of the Annual Conference of the Prognostics and Health Management Society 2012, PHM 2012

30. Tobar F.A; Yacher L; Paredes R; Orchard M.E. Anomaly detection in power generation plants using similarity-based modeling and multivariate analysis, 2011, Proceedings of the American Control Conference

31. Cabello F; Acuna A; Vallejos P; Orchard M.E; Del Solar J.R. Design and validation of a fuzzy longitudinal controller based on a vehicle dynamic simulator, 2011, IEEE International Conference on Control and Automation, ICCA

32. Moreno G; Saez D; Orchard M.E. A new method for identification of fuzzy models based on evolutionary algorithms and its application to the modeling of a wind turbine, 2011, IEEE International Conference on Control and Automation, ICCA

33. Tang L; Orchard M.E; Goebel K; Vachtsevanos G. Novel metrics and methodologies for the verification and validation of prognostic algorithms, 2011, IEEE Aerospace Conference Proceedings


66

34. Chen C; Brown D; Sconyers C; Vachtsevanos G; Zhang B; Orchard M.E. A .NET framework for an integrated fault diagnosis and failure prognosis architecture, 2010, AUTOTESTCON (Proceedings)

35. Zhang B; Sconyers C; Orchard M; Patrick R; Vachtsevanos G. Fault progression modeling: An application to bearing diagnosis and prognosis, 2010, Proceedings of the 2010 American Control Conference, ACC 2010

Patentes:


Co-Principal Investigator in the following research FONDECYT projects funded by CONICYT-Chile: 1. 1170683-Robust Distributed Control Strategies for the Coordination of Hybrid AC and DC Microgrids, FONDECYT, Regular, 2017-2021 2. 1170854-Topics on Information and Decision with Applications to Coding and Inverse Problems in Astronomy, FONDECYT, Regular, 2017-2021 3. 1151213-Information and decision theory applied to the measurement of quantities of astronomical interest: The case of ground- and space-based astrometry and photometry, FONDECYT, Regular, 2015-2018 4. 1151476-Cubesat Platform for Space and Technology Research, FONDECYT, Regular, 2015-2019 5. 3150007-Diseño y estudio de controladores adaptivos fraccionarios con aplicación al proceso de molienda de minerals, FONDECYT, Postdoctorado, 2014-2017 Principal Investigator in the following research FONDECYT projects funded by CONICYT: 1. 1170044-Prognostics performance metrics based on bayesian cramèr-rao lower bounds, FONDECYT, Regular, 2017-2021 2. 1140774-Novel estimation and prognostic techniques for the analysis of state-of-charge and state-of-health degradation in energy storage devices, FONDECYT, Regular, 2014-2017 3. 1110070-Risk-Sensitive particle filtering framework for failure prognosis and uncertainty representation in nonlinear systems with high-Impact/low-likelihood events, FONDECYT, Regular, 2011-2014


67

4. 11070022-Sequential Monte Carlo methods and Feedback concepts applied to Fault Diagnosis and Failure Prognosis in Nonlinear, non-Gaussian Dynamic, FONDECYT, Iniciación en Investigación, 2007-2009 Co-Principal Investigator in the following “Others Projects”: 1. EQM160122- Equipamiento para la emulación y evaluación de sistemas de almacenamiento energético, FONDEQUIP, Concurso de Equipamiento Científico, 2016-2018 2. 10677-Procesos fundamentales en física de plasmas espaciales, combinando instrumentación, observaciones, teoría y simulaciones, Programa de Investigación Asociativa, Concurso Anillos en Ciencia y Tecnología, 2015-2018 3. EQM-120111-Equipamiento para de Sistemas de Generación Híbridos, FONDEQUIP, Concurso de Equipamiento Científico, 2012-2013 4. UR-11-III-Centro de Investigación del Litio: Red CIL, Fondo Central de Investigación, Programa U-Redes: Línea 2 incentivo a la Consolidación de Red; Domeyko II, 2011-2012 5. FB-009-Centro de Tecnología para la minería, Programa de Financiamiento Basal, 2008-2023 Principal Investigator in the following “Others Projects”: 1. REDES130029-Centro de Energía/Waterloo Institute for sustainable energy, University of Waterloo, Cooperación Internacional: Multilateral y vinculación, Apoyo a la Formación de Redes Internacionales Centros, 2013-2015 2. 11IDL1-10409 -Enfoque probabilístico basado en modelos para la estimación en línea del estado de salud/estado de carga y caracterización del perfil de uso de baterías de Ion-Litio, INNOVA, 2011-2012


Título, año de adjudicación, duración, objetivo, institución contratante. 1. Proyecto 147/2015: "Desarrollo de Software Computacional de un

Sistema Predictivo del Delito Urbano y Rural para Carabineros de Chile" Director: Raúl Manasevich (U.Ch.), Alternate Director: Marcos Orchard (U.Ch.)”, 2015-2016, CEAMOS - Universidad de Chile (2015-2016), Ministerio del Interior y Seguridad Pública, Subsecretaría Prevención del Delito.


68

2. Innova-Chile CORFO Project 15IPPID-45859, 2016, "Integración de Dispositivos de Almacenamiento Energético Secundario usando Baterías Betavoltaicas," Researcher, Academia Politécnica Militar de Chile.

3. UNTEC 2595-K: “Estudio de Sistemas de Detección de Fallas basado en Modelos SBM”, 05/2011-12/2011, PI: Marcos Orchard (U.Ch.). Facultad de Ciencias Físicas y Matemáticas, Universidad de Chile.

Nombre del académico Javier Ruiz del Solar



Título, institución, país Ingeniero Civil Electrónico, Universidad Técnica Federico Santa María, Chile


Doctor en Ingeniería, Technische Universität Berlin, 1997, Alemania


Robótica, Face Recognition, Statistical Classifiers


1. Rodrigo Pérez D. “Interactive learning with corrective feedback for continuous-action policies based on deep neural networks”, 2019, Magíster en Ciencias de la Ingeniería, Mención Eléctrica 2. Carlos Tampier C. Carga autónoma y su inserción en un modelo integral de operación subterránea para máquinas LHD, 2018, Magíster en Ciencias de la Ingeniería, Mención Eléctrica 3. Matías Mattamala A. Localización visual en robots de recursos computacionales limitados, 2018, Magíster en Ciencias de la Ingeniería, Mención Eléctrica 4. Pablo Cano M. Tracking robusto de robots usando random finite sets, 2018, Magíster en Ciencias de la Ingeniería, Mención Eléctrica 5. David Valenzuela U. Sistema de Teleoperación basado en interfaz háptica para brazo robótico, 2016, Magíster en Ciencias de la Ingeniería, Mención Eléctrica



69

6. Daniel Herrmann P. Modelamiento del entorno para un vehículo Autónomo, 2015, Magíster en Ciencias de la Ingeniería, Mención Eléctrica 7. Marcelo Saavedra A. Búsqueda de objetos mediante conocimiento semántico en ambientes interiores, 2015, Magíster en Ciencias de la Ingeniería, Mención Eléctrica 8. José Yáñez A. Detección robusta de objetos en robots, 2013, Magíster en Ciencias de la Ingeniería, Mención Eléctrica 9. Testart, Javier, “Control activo y diferencial en el tiempo de robots humanoides”, Tesis de Magíster en Ciencias de la Ingeniería, mención Ingeniería Eléctrica, U. de Chile, 2011. 10. Arenas, Matías, “Detección y seguimiento de robots articulados mediante análisis computacional de imágenes”, Tesis de Magíster en Ciencias de la Ingeniería, mención Ingeniería Eléctrica, U. de Chile, 2009. Nota: Todos de la Universidad de Chile


1. Tapia, Claudio, “Interfaz Cerebro Computador de Propósito general

basada en modelo mental de movimiento”, Tesis de Doctorado en

Ingeniería Eléctrica, Universidad de Chile, 2018.

2. Leottau, David, “Multi-Agent based decentralized reinforcement

learning of individual behaviors”, Tesis de Doctorado en Ingeniería

Eléctrica, Universidad de Chile, 2018.

3. Celemin, Carlos, “A framework for learning continuous actions from

corrective advice”, Tesis de Doctorado en Ingeniería Eléctrica,

Universidad de Chile, 2018.

4. Bernuy, Fernando, “Modelamiento Semántico del entorno para la

conducción autónoma de un vehículo terrestre”, Tesis de Doctorado

en Ingeniería Eléctrica, Universidad de Chile, 2017.

5. Fustos, Roberto, “Descubrimiento de unidades geometalúrgicas por

medio de análisis de conglomerados geoestadístico”, Tesis de

Doctorado en Ingeniería de Minas, Universidad de Chile, 2017 (co-

guía).

6. Parra-Tsunekawa, Isao, “Generación de Mapa de Entorno para

Navegación de Vehículo Terrestre Autónomo”,Tesis de Doctorado en


7. Delpiano, José, “3D Analysis of Cellular and Supracellular Migration in

Developmental Biology”, Tesis de Doctorado en Ingeniería Eléctrica,



70

8. Correa, Mauricio, “Visión Computacional Robusta para Robots

Humanoides”, Tesis de Doctorado en Ingeniería Eléctrica, Universidad

de Chile, 2012.

9. Hermosilla, Gabriel, “Reconocimiento Robusto de Rostros usando

Imágenes Térmicas”, Tesis de Doctorado en Ingeniería Eléctrica,


10. Guerrero, Pablo, “Real-Time Bayesian Handling of Uncertainty in a

Mobile Robot”, Tesis de Doctorado en Ingeniería Eléctrica,


11. Loncomilla, Patricio, “Generación Automática de Landmarks Visuales

Naturales Tridimensionales basada en Descriptores Locales para

Auto-Localización de Robots Móviles”, Tesis de Doctorado en


12. Palma-Amestoy, Rodrigo, “Visión Computacional Robótica basada en

Contexto”, Tesis de Doctorado en Ingeniería Eléctrica, Universidad de

Chile, 2011.

13. Vallejos, Paul, “Diseño Eficiente de un Robot Activo Completamente

Actuado basado en el Modelo de un Robot Pasivo”, Tesis de

Doctorado en Ingeniería Eléctrica, Universidad de Chile. 2011.

14. Muñoz, Fabián, “Rol del conocimiento a priori en la inspección libre

de imágenes estáticas”, Tesis de Doctorado en Neurociencias,

Universidad de Valparaíso, 2010.

15. [Salazar Garay, Roberto, “KOSMA Dual Channel Test Receiver”, Tesis

de Doctorado en Ciencias de la Ingeniería, mención Automática,


16. Verschae, Rodrigo, “Multiclass Object Detection: Coarse-To-Fine

Object Detection and A-Contrario Validation”, Tesis de Doctorado en

Ingeniería Eléctrica, Universidad de Chile, Marzo de 2010.



Publicaciones indexadas ISI:

1. Celemin, C., Maeda, G., Ruiz-del-Solar, J., Peters, J, Kober, J. (2019/2020). Reinforcement Learning of Motor Skills using Policy Search and Human Corrective Advice, International Journal of Robotics Research. (ISI) (in press)

2. Valenzuela-Urrutia, D., Muñoz-Riffo, R., Javier Ruiz-del-Solar, J. (2019/2020). Virtual Reality-Based Time-Delayed Haptic Teleoperation Using Point Cloud Data, Journal of Intelligent and Robotic Systems. (ISI) (https://doi.org/10.1007/s10846-019-00988-1) (published online 2 February 2019)


71

3. Leottau, L., Lobos-Tsunekawa, K., Jaramillo, F., Ruiz-del-Solar, J. (2019). Accelerating Decentralized Reinforcement Learning of Complex Individual Behaviors, Engineering Applications of Artificial Intelligence, Vol. 85, pp. 243-253, October 2019 (ISI) (https://doi.org/10.1016/j.engappai.2019.06.019)

4. Martínez, L., Ruiz-del-Solar, J., Sun, L., Siebert, J.P., Aragon-Camarasa, G. (2019). Continuous Perception for Deformable Objects Understanding, Robotics and Autonomous Systems, Vol. 118, pp. 220-230, August 2019. (ISI) (https://doi.org/10.1016/j.robot.2019.05.010)

5. Pairo, W., Loncomilla, P., and Ruiz-del-Solar, J. (2019). A Delay-Free and Robust Object Tracking Approach for Robotics Applications, Journal of Intelligent and Robotic Systems, Vol. 95, Issue 1, pp. 99–117, July 2019. (ISI) (https://doi.org/10.1007/s10846-018-0840-6)

6. Celemin, C., Ruiz-del-Solar, J. (2019). An Interactive Framework for Learning Continuous Actions Policies based on Corrective Feedback, Journal of Intelligent and Robotic Systems, Vol. 95, Issue 1, pp. 77–97, July 2019. (ISI) (https://doi.org/10.1007/s10846-018-0839-z)

7. Grossi, B., Loncomilla, P., Canals, M., and Ruiz-del-Solar, J. (2019). Are Cursorial Birds Good Kinematic Models of Non-Avian Theropods?, International Journal of Morphology, Vol. 37, Issue 2, pp. 620-625, June 2019. (ISI)

8. Celemin, C., Ruiz-del-Solar, J., Kober, J. (2019). A Fast Hybrid Reinforcement Learning Framework with Human Corrective Feedback, Autonomous Robots (Springer), Vol. 43, Issue 5, pp. 1173–1186, June 2019. (ISI) (https://doi.org/10.1007/s10514-018-9786-6)

9. Lobos-Tsunekawa, K., Leiva, F. Ruiz-del-Solar, J. (2018). Visual Navigation for Biped Humanoid Robots using Deep Reinforcement Learning, IEEE RA Letters, Vol. 3, Issue 4, pp. 3247 - 3254 (ISI) (https://doi.org/10.1109/LRA.2018.2851148).

10. Bernuy, F., Ruiz-del-Solar, J. (2018). Topological Semantic Mapping and Localization in Urban Road Scenarios, Journal of Intelligent and Robotic Systems, Vol. 92, Issue 1, Sept. 2018. pp. 19–32. (ISI) (https://doi.org/10.1007/s10846-017-0744-x)

11. Loncomilla, P., Ruiz-del-Solar, J. and Saavedra, M. (2018). A Bayesian based Methodology for Indirect Object Search, Journal of Intelligent and Robotic Systems, Vol. 90, Issue 1–2, May 2018, pp. 45–63. (ISI) (DOI: 10.1007/s10846-017-0643-1)

12. Leottau, L., Ruiz-del-Solar, Babuska, R. (2018). Decentralized Reinforcement Learning of Robot Behaviors, Artificial Intelligence, Vol. 256, March 2018, pp. 130-159. (ISI) (https://doi.org/10.1016/j.artint.2017.12.001)


72

13. Cano, P., Ruiz-del-Solar, J. (2017). Robust Tracking of Soccer Robots using Random Finite Sets, IEEE Intelligent Systems, Issue 6, November/December 2017, pp. 22-29. (ISI) (DOI: 10.1109/MIS.2017.4531220)

14. Ruiz-del-Solar, J., Vallejos, P., Asenjo, R., Correa, M., Mascaro, M., Parra-Tsunekawa, I. (2017). Robotics Research in Chile: Addressing the Needs of the Local Mining Industry at the Advanced Mining Technology Center, International Journal of Advanced Robotic Systems, Vol. 14, Issue 1, Jan.-Feb. 2017 (ISI) (DOI: 10.1177/1729881416682695).

15. Tapia, C., Daud, O., Ruiz-del-Solar, J. (2017). EMG Signal filtering based on Independent Component Analysis and Empirical Mode Decomposition for the Estimation of Motor Activation Patterns, Journal of Medical and Biological Engineering, 37(1), 140-155, 2017 (DOI 10.1007/s40846-016-0201-5). (ISI)

16. Hermosilla, G., Ruiz-del-Solar, J., Verschae, R. (2017). An enhanced representation of thermal faces for improving local appearance-based face recognition, Intelligent Automation & Soft Computing, Vol. 23, Issue 1, pp. 1-12, 2017. (ISI) (DOI:10.1080/10798587.2015.1110288)

17. Leung, K., Luehr, D., Houshiar, H., Inostroza, F., Borrmann, D., Adams, M., Nuechter, A., Ruiz-del-Solar, J., (2017). Chilean Underground Mine Dataset, International Journal of Robotics Research, Vol. 36(1), pp. 16–23, 2017. (ISI)

18. Delpiano, J., Pizarro, L., Verschae, R., Ruiz-del-Solar, J., (2016). Multi-objective optimization for parameter selection and characterization of optical flow methods, Applied Soft Computing, Vol. 46, Sept. 2016, pp. 1067-1078. (ISI) (doi:10.1016/j.asoc.2016.01.037)

19. Loncomilla, P., Ruiz-del-Solar, J. and Martínez, L., (2016). Object Recognition using Local Invariant Features for Robotic Applications: A Survey, Pattern Recognition, Vol. 60, Dec. 2016, pp. 499-514 (ISI) (doi: 10.1016/j.patcog.2016.05.021)

20. Correa, M., Ruiz-del-Solar, J., Verschae, R. (2016). A Realistic Virtual Environment for Evaluating Face Analysis Systems under Dynamic Conditions, Pattern Recognition, Vol. 52, April 2016, pp. 160-173. (ISI)

21. Iocchi, L., Holz, D., Ruiz-del-Solar, J., Sugiura, K., van der Zant, T., (2015). RoboCup@Home: Analysis and Results of Evolving Competitions for Domestic and Service Robots, Artificial Intelligence, Vol. 229, Dec. 2015, pp. 258–281. (ISI)

22. Moya, J., Ruiz-del-Solar, J., Orchard, M., Parra-Tsunekawa, I., (2015). Fall Detection and Damage Reduction in Biped Humanoid Robots, Int. Journal of Humanoid Robotics, Vol. 12, No. 1, 2015 (31 pages). (ISI)


73

23. Parra-Tsunekawa, I., Ruiz-del-Solar, J., Vallejos, P. (2015). A Kalman-filtering-based approach for improving terrain mapping in off-road autonomous vehicles, Journal of Intelligent and Robotic Systems, Vol. 78, No. 3-4, pp. 577-591. (ISI)

24. Ruiz-del-Solar, J., and Weitzenfeled, A. (2015), Special Issue on Advanced Robotics, Journal of Intelligent and Robotic Systems, Vol. 77, No. 1, pp. 3–4. (ISI)

25. Iocchi, L., Ruiz-del-Solar, J., and van der Zant, T. (2014). Advances in Domestic Service Robots in the Real World, Journal of Intelligent and Robotic Systems, Vol. 76, No. 1, pp. 3-4, Oct. 2014. (ISI)

26. Loncomilla, P., Tapia, C., Daud, O., Ruiz-del-Solar, J. (2014). A Novel Methodology for Assessing the Fall Risk using Low-Cost and Off-the-Shelf Devices, IEEE Trans. on Human-Machine Systems, Vol. 44, No. 3, pp. 406-415, June 2014. (ISI)

27. Salah, A.A., Oudeyer, P.-Y., Meriçli, Ç., Ruiz-del Solar, J. (2014). Guest Editorial: Behavior Understanding and Developmental Robotics, IEEE Trans. on Autonomous Mental Development, Vol. 6, No. 77-78, pp. 1-2, June 2014. (ISI)

28. Correa, M., Hermosilla, G., Verschae, R., and Ruiz-del-Solar, J. (2012). Human Detection and Identification by Robots using Thermal and Visual Information in Domestic Environments, Journal of Intelligent and Robotic Systems, Vol. 66, No.1-2, pp. 223-243, 2012. (ISI)

29. Delpiano, J., Jara, J., Scheer, J., Ramirez, O., Ruiz-del-Solar, J., Hartel, S. (2012). Performance of optical flow techniques for motion analysis of fluorescent point signals in confocal microscopy, Machine Vision and Applications, Vol. 23, No. 4, pp. 675-689, 2012. (ISI)

30. Hermosilla, G., Ruiz-del-Solar, J., Verschae, R., and Correa, M. (2012). A Comparative Study of Thermal Face Recognition Methods in Unconstrained Environments, Pattern Recognition, Vol. 45, No. 7, pp. 2445-2459. (ISI)

31. Iocchi, L., Ruiz-del-Solar, J., and van der Zant, T. (2012). Domestic Service Robots in the Real World, Journal of Intelligent and Robotic Systems, Vol. 66, No.1-2, pp. 183-186, 2012. (ISI)

32. Loncomilla, P., and Ruiz-del-Solar, J. (2012). Visual SLAM based on Rigid-Body 3D landmarks, Journal of Intelligent and Robotic Systems, Vol. 66, No.1-2, pp. 125-149, 2012. (ISI)

33. Ruiz-del-Solar, J., and Weitzenfeled, A., Advances in Robotics in Latin America, Journal of Intelligent and Robotic Systems, Vol. 66, No.1-2, pp. 1-2, 2012. (ISI)

34. Testart, J., Ruiz-del-Solar, J., Schulz, R., Guerrero, P. Palma-Amestoy, R. (2011). A Real-Time Hybrid Architecture for Biped Humanoids with Active Vision Mechanisms, Journal of Intelligent and Robotic Systems, Vol. 63, No. 2, pp. 233-255, 2011. (ISI)


74

35. Vallejos, P., Ruiz-del-Solar, J., Swett, F. (2011). A new methodology for the design of passive biped robots: Determining conditions on the robot’s parameters for the existence of stable walking cycles, Journal of Intelligent and Robotic Systems, Vol. 63, No. 3-4, pp. 503-523, 2011. (ISI)

36. Ruiz-del-Solar, J., Arenas, M., Verschae, R., Loncomilla, P. (2010). Visual Detection of Legged Robots and its Application to Robot Soccer Playing and Refereeing, Int. Journal of Humanoid Robotics, Vol. 7, No. 4, pp. 669-698, 2010. (ISI)

37. Ruiz-del-Solar, J., Verschae, R., Arenas, M., Loncomilla, P. (2010). Play Ball! Robot Detection System in the Soccer Domain, IEEE Robotics and Automation Magazine, Vol. 17, No. 4, pp. 43-53, 2010. (ISI)

38. Palma-Amestoy, R., Ruiz-del-Solar, J., Yañez, J.M., Guerrero, P. (2010). Spatiotemporal Context Integration in Robot Vision, Int. Journal of Humanoid Robotics, Vol. 7, No. 3, pp. 357-377, 2010. (ISI)

39. Guerrero, P., Ruiz-del-Solar, J., Romero, M., Angulo, S. (2010). Task Oriented Probabilistic Active Vision, Int. Journal of Humanoid Robotics, Vol. 7, No. 3, pp. 451-476, 2010. (ISI)

40. Ruiz-del-Solar, J. (2010). Robotics-Centered Outreach Activities: An Integrated Approach. IEEE Trans. on Education, Vol. 53, No. 1, pp. 38-45, 2010. (ISI)

41. Ruiz-del-Solar, J. (2010). Additional Elements on the Use of Robots for Childcare. Interaction Studies, Vol. 11, No. 2., pp. 253-256. (ISI)


No indexada (por ejemplo, libros, capítulos de libro, revistas con referato): Libros 1. Salah, A.A., Ruiz-del-Solar, J., Mericli, C., Oudeyer, P.-Y. (Eds.) (2012).

Human Behavior Understanding (Third Workshop, HBU 2012, in IROS 2012), Lecture Notes in Computer Science, Vol. 7559, 175 p., Springer (ISBN 978-3-642-34013-0).

2. Ruiz-del-Solar, J., Chown, E., Ploeger, P.G. (Eds.) (2011). RoboCup 2010: Robot Soccer World Cup XIV, Lecture Notes in Computer Science, Vol. 6556, 432 p., Springer (ISBN 978-3-642-20216-2).

Capítulos de libros


75

1. Ruiz-del-Solar, J., Loncomilla P. (2019). Deep Learning Methods for

Robot Vision. In M. Hassaballah and A.I. Awad, (Eds.), Deep Learning in Computer Vision: Theories and Applications, CRC Press.

2. Ruiz-del-Solar, J., Verschae, R., Hermosilla, G., Correa, M. (2014). Thermal Face Recognition in Unconstrained Environments using histograms of LBP Features. In S. Braham, L.C. Jain, L. Nanni, A. Lumini, (Eds.), Local binary patterns: New variants and new applications, Springer, pp. 219-243 (ISBN 978-3-462-39288-7).

Patentes 1. Javier Ruiz del Solar, Paul Vallejos, Rodrigo Asenjo, Omar Daud,

Mauricio Correa, 2018, “Método de detección de zonas de saturación, mediante plataforma aérea no tripulada, equipada con cámara térmica infrarroja, para la gestión y el control de riego en pilas de lixiviación”, Número Patente: 56395 INAPI, Otorgada.

2. Claudio Perez, Pablo Estévez, Javier Ruiz del Solar, Claudio Held, Carlos Aravena, 2013, “Method For Determining Eye Location on a Frontal Face Digital Image To Validate The Frontal Face and Determine Points of Reference”, US8971592 B2, Otorgada.

3. Javier Ruiz del Solar, Paul Vallejos, Carlos Tampier, 2018, ““SISTEMA DE CARGUÍO AUTÓNOMO PARA CARGADORES FRONTALES”, Número de solicitud 3004-2018.

4. Javier Ruiz del Solar, Paul Vallejos, Carlos Tampier, Leonardo Leottau, 2018, “Método de estimación de derrape y detección de colisión con una pila de mineral para máquinas de carga frontal”, Número de solicitud 3481-2018.

5. Javier Ruiz del Solar, Paul Vallejos, Carlos Tampier, 2019, “Sistema de asistencia para tele-operación de vehículos en túneles”, Número de solicitud 0600-2019.

Workshop Papers and International Conferences: 1. Lobos-Tsunekawa K., Leottau D.L., Ruiz-Del-Solar J. Toward real-time

decentralized reinforcement learning using finite support basis functions, 2018, Lecture Notes in Computer Science

2. Cruz N., Lobos-Tsunekawa K., Ruiz-Del-Solar J. Using convolutional neural networks in robots with limited computational resources: Detecting NAO robots while playing soccer, 2018, Lecture Notes in Computer Science

3. Lobos-Tsunekawa, K; Leiva, F; Ruiz-del-Solar, J. Visual Navigation for Biped Humanoid Robots Using Deep Reinforcement Learning, 2018, IEEE ROBOTICS AND AUTOMATION LETTERS


76

4. Celemin C., Perez R., Ruiz-Del-Solar J., Veloso M. Interactive machine learning applied to dribble a ball in soccer with biped robots, 2018, Lecture Notes in Computer Science

5. Martínez L.M., Ruiz-Del-Solar J. Recognition of grasp points for clothes manipulation under unconstrained conditions, 2018, Lecture Notes in Computer Science

6. Mattamala M., Olave G., González C., Hasbún N., Ruiz-Del-Solar J. The NAO Backpack: An open-hardware add-on for fast software development with the NAO robot, 2018, Lecture Notes in Computer Science

7. Celemin C., Ruiz-Del-Solar J. Teaching agents with corrective human feedback for challenging problems, 2017, 2016 IEEE Latin American Conference on Computational Intelligence, LA-CCI 2016 – Proceedings

8. Leottau D.L., Vatsyayan A., Ruiz-del-Solar J., Babu¿ka R. Decentralized reinforcement learning applied to mobile robots, 2017, Lecture Notes in Computer Science

9. Cano P., Ruiz-del-Solar J. Robust tracking of multiple soccer robots using random finite sets, 2017, Lecture Notes in Computer Science

10. Bernuy F., Solar J.R.D. Semantic Mapping of Large-Scale Outdoor Scenes for Autonomous Off-Road Driving, 2016, Proceedings of the IEEE International Conference on Computer Vision

11. Holz D., Ruiz-Del-solar J., Sugiura K., Wachsmuth S. On RoboCup@Home - Past, present and future of a scientific competition for service robots, 2015, Lecture Notes in Computer Science

12. Cano P., Tsutsumi Y., Villegas C., Ruiz-Del-Solar J. Robust detection of white goals, 2015, Lecture Notes in Computer Science

13. Leottau D.L., Ruiz-Del-solar J. An accelerated approach to decentralized reinforcement learning of the ball-dribbling behavior, 2015, AAAI Workshop - Technical Report

14. Leottau L., Celemin C., Ruiz-Del-solar J. Ball dribbling for humanoid biped robots: A reinforcement learning and fuzzy control approach, 2015, Lecture Notes in Computer Science

15. Martínez L., Loncomilla P., Ruiz-Del-solar J. Object recognition for manipulation tasks in real domestic settings: A comparative study, 2015, Lecture Notes in Computer Science

16. Celemin C., Ruiz-Del-Solar J. Interactive learning of continuous actions from corrective advice communicated by humans, 2015, Lecture Notes in Computer Science

17. Wachsmuth S., Holz D., Rudinac M., Ruiz-Del-Solar J. RoboCup@Home - Benchmarking domestic service robots, 2015, Proceedings of the National Conference on Artificial Intelligence

18. Leottau D.L., Ruiz-Del-Solar J., MacAlpine P., Stone P. A study of layered learning strategies applied to individual behaviors in robot soccer, 2015, Lecture Notes in Computer Science


77

19. Sánchez M.-L., Correa M., Martínez L., Ruiz-Del-Solar J. An episodic long-term memory for robots: The bender case, 2015, Lecture Notes in Computer Science

20. Mattamala M., Villegas C., Yáñez J.M., Cano P., Ruiz-Del-Solar J. A dynamic and efficient active vision system for humanoid soccer robots, 2015, Lecture Notes in Computer Science

21. Celemin C., Ruiz-Del-Solar J. COACH: Learning continuous actions from COrrective Advice Communicated by Humans, 2015, Proceedings of the 17th International Conference on Advanced Robotics, ICAR 2015

22. Ruiz Del Solar San Martin, Javier; Verschae Tannenbaum, Rodrigo; Hermosilla Vigneau, Gabriel; Correa Perez, Mauricio. Thermal face recognition in unconstrained environments using histograms of LBP features, 2014, Studies in Computational Intelligence

23. Leottau Forero, David; Yáñez Arancibia, José, Ruiz Del Solar San Martín, Javier. Integration of the ROS framework in soccer robotics: The NAO case, 2014, Lecture Notes in Computer Science

24. Delpiano, José; Pizarro, Luis; Verschae, Rodrigo; Ruíz Del Solar San Martín, Javier. Multi-objective optimization for characterization of optical flow methods, 2014, VISAPP 2014 - Proceedings of the 9th International Conference on Computer Vision Theory and Applications

25. Guerrero Pérez, Pablo; Ruíz del Solar San Martín, Javier. Circular regression based on gaussian processes, 2014, Proceedings - International Conference on Pattern Recognition

26. Pairo Huaynoca, Wilma; Ruíz Del Solar San Martín, Javier; Verschae Tannenbaum, Rodrigo; Correa Pérez, Mauricio; Loncomilla Zambrano, Patricio. Person following by mobile robots: Analysis of visual and range tracking methods and technologies, 2014, Lecture Notes in Computer Science

27. Loncomilla Zambrano, Patricio; Saavedra Gajardo, Marcelo; Ruíz Del Solar San Martín, Javier. Semantic object search using semantic categories and spatial relations between objects, 2014, Lecture Notes in Computer Science

28. Marchant R., Guerrero P., Ruiz-Del-Solar J. Cooperative global tracking using multiple sensors, 2013, Lecture Notes in Computer Science

29. Ruiz del Solar San Martín, Javier; Loncomilla Zambrana, Patricio; Saavedra, Marcelo A Bayesian framework for informed search using convolutions between observation likelihoods and spatial relation masks, 2013, 2013 16th International Conference on Advanced Robotics, ICAR 2013

30. Marchant R; Guerrero P; Ruiz-Del-Solar J. A portable ground-truth system based on a laser sensor, 2012, Lecture Notes in Computer Science


78

31. Correa M; Ruiz-del-Solar J; Verschae R. A virtual environment tool for benchmarking face analysis systems, 2012, Lecture Notes in Computer Science

32. Salah A.A; Ruiz-Del-Solar J; Mericli C; Oudeyer P.-Y. Human behavior understanding for robotics, 2012, Lecture Notes in Computer Science

33. Verschae R; Ruiz-Del-Solar J. TCAS: A multiclass object detector for robot and computer vision applications, 2012, Lecture Notes in Computer Science

34. Dodds R; Iocchi L; Guerrero P; Ruiz-Del-Solar J. Benchmarks for robotic soccer vision, 2012, Lecture Notes in Computer Science

35. Bernuy F; Del Solar J.R; Parra I; Vallejos P. Adaptive and real-time unpaved road segmentation using color histograms and RANSAC, 2011, IEEE International Conference on Control and Automation, ICCA

36. Pizarro L; Delpiano J; Aljabar P; Ruiz-Del-Solar J; Rueckert D. Towards dense motion estimation in light and electron microscopy, 2011, Proceedings - International Symposium on Biomedical Imaging

37. Correa M; Ruiz-Del-Solar J; Parra-Tsunekawa S.I; Verschae R. A realistic simulation tool for testing face recognition systems under real-world conditions, 2011, Lecture Notes in Computer Science

38. Hermosilla G; Loncomilla P; Ruiz-Del-Solar J. Thermal face recognition using local interest points and descriptors for HRI applications, 2011, Lecture Notes in Computer Science

39. Cabello F; Acuna A; Vallejos P; Orchard M.E; Del Solar J.R. Design and validation of a fuzzy longitudinal controller based on a vehicle dynamic simulator, 2011, IEEE International Conference on Control and Automation, ICCA

40. Ruiz-Del-Solar J; Chown E; Ploger P.G. Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics): Preface, 2011, Lecture Notes in Computer Science

41. Correa M; Ruiz-Del-Solar J; Verschae R; Lee-Ferng J; Castillo N. Real-time hand gesture recognition for human robot interaction, 2010, xxLecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics)

42. Ruiz-del-Solar J; Moya J; Parra-Tsunekawa I. Fall detection and management in biped humanoid robots, 2010, Proceedings - IEEE International Conference on Robotics and Automation

43. Correa M; Ruiz-Del-Solar J; Parra-Tsunekawa I. A virtual environment for realistic testing and training of face detection and recognition systems, 2010, Proceedings - IEEE International Workshop on Robot and Human Interactive Communication

44. Lacassie J.P; Ruiz-Del-Solar J. Application of artificial neural networks to the geochemical study of an impacted fluvial system, 2010, Proceedings of the International Joint Conference on Neural Networks


79

45. Verschae R; Ruiz-del-Solar J. Coarse-to-fine multiclass nested cascades for object detection, 2010, Proceedings - International Conference on Pattern Recognition

46. Ruiz-Del-Solar J; Mascaro M; Correa M; Bernuy F; Riquelme R; Verschae R. Analyzing the human-robot interaction abilities of a general-purpose social robot in different naturalistic environments, 2010, xxLecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics)

Patentes:


Título, fuente de financiamiento, duración, año de adjudicación y tipo de Investigación Co-Principal Investigator in the following research FONDECYT projects funded by CONICYT-Chile: 1. 3160019-Efectos de la morfología y del mecanismo de cabeceo sobre la locomoción bípeda terópoda: Análisis mediante anatomía comparada, registros cinemáticos, simulación computacional y modelos robóticos bio-inspirados, FONDECYT, Postdoctorado, 2015-2018 2. 3120218-Boosting learning algorithms for multiclass classification and multidimensional regression: Applications to object detection and classification, FONDECYT, Postdoctorado, 2011-2013 Principal Investigator in the following research FONDECYT projects funded by CONICYT: 1. 1161500-Fast object recognition for challenging robotics applications, FONDECYT, Regular, 2016-2020 2. 1130153-Semantic Perception and Mapping for Mobile Robots in Unconstrained Environments, FONDECYT, Regular, 2013-2016 3. 1090250-Robust and fast vision systems for humanoid robots, FONDECYT, Regular, 2009-2013 Principal Investigator in the following research FONDEF projects: 1. IT16I10026-Sistema de carguío autónomo para cargadores frontales de bajo perfil, FONDEF, IDEA, 2017-2018 2. IT16M100017-Automatización del proceso de carguío de LHDs, FONDEF, IT-Minería, 2016-2018


80

Co-Principal Investigator in the following “Others Projects”: 1. 321489-RESPONSIBILITY Global Model and Observatory for International Responsible Research and Innovation Coordination, Unión Europea, FP7-Coordination Actions, 2013-2016 2. RIE_2012-Advanced Mining Technology Center: Energy and Management Course, Cooperación Internacional: Proyectos bilaterales, Redes de Investigación en Energía, 2012-2014 3. UR-11-XIII-Red Interdisciplinaria de I+D en Cine e imagen 3D, Fondo Central de Investigación Programa U-Redes: Línea 2 incentivo a la Consolidación de Red; Domeyko II, 2011-2012 4. CA 10/10-Investigación, escritura de guión y filmación de largometraje Deseos, Fondo Central de Investigación CREACION ARTISTICA DID, 2010-2011 5. 10STIC-04-Arvs - Hybrid Model Based Markerless 3D Tracking For Augmented Reality And Visual Servoing, Cooperación Internacional: Multilateral y vinculación, Programa Regional TIC-AMSUD, 2010-2012 6. 230550-ETHICAL Promoting international debate on ethical implications of data collection, use and retention for biometric and medical apllications, Unión Europea, FP7-Coordination Actions, 2009-2010 Principal Investigator in the following “Others Projects”: 1. EQM170041-Sistema de Cómputo para Deep Learning basado en Cluster NVIDIA DGX-1, FONDEQUIP, Concurso de Equipamiento Científico, 2017-2019 2. REDES140071-Robot Vision for Service Robotics, Cooperación Internacional: Multilateral y vinculación, Apoyo a la Formación de Redes Internacionales_Centros, 2014-2016 3. 08PDTE-7085- Difusión de tecnología RFID en sectores claves de la economía chilena, INNOVA, Difusión Tecnológica, 2008-2011 4. FB-009 - Centro de Tecnología para la minería, Programa Financiamiento Basal, 2008-2023


81

5. FSM0601-Red Nacional de Doctorado en Ingeniería Eléctrica y Electrónica, MECESUP, 2007-2011



Martin David Adams




NA


Ph.D., University of Oxford, Reino Unido, 1993.


Robotics, autonomous navigation, stochastic sensor processing, signal processing, estimation and control, tracking.


1. Angelo Falchetti P. Random Finite Sets In Visual Slam, 2017, Magíster en Ciencias de la Ingeniería, Mención Eléctrica.

2. Felipe Inostroza F. Estimación de estadísticas de detección en la construcción de mapas y localización simultánea. The estimation of detection statistics in simultaneous localization anda mapping, 2015, Magíster en Ciencias de la Ingeniería, Mención Eléctrica.



1. Daniel Lühr S. Improved Stochastic detection Algorithms with Applications in Radar and Ladar based Robotic Mapping, 2018, Doctorado en Ingeniería Eléctrica, Universidad de Chile.

Listado de publicaciones en

Publicaciones ISI



82

los últimos 10 años. En caso de publicaciones con más de un autor, indicar en negrita el autor principal.

1. Moratuwage, D; Adams, M; Insotroza, F: Delta-Generalized Labeled Multi-Bernoulli Simultaneous Localization and Mapping with an Optimal Kernel-Based Particle Filtering Approach, 2019, MDPI Sensors.

2. Inostroza, F; Adams, M; Leung, K: Modeling Detection Statistics in Feature-Based Robotic Navigation for Range Sensors, 2018, NAVIGATION-JOURNAL OF THE INSTITUTE OF NAVIGATION.

3. Pak, A; Correa, J; Adams, M: Robust Joint Target Detection and Tracking for Space Situational Awareness, 2018, JOURNAL OF GUIDANCE CONTROL AND DYNAMICS.

4. Barrios, P; Adams, M; Leung, K; Inostroza, F; Naqvi, G; Orchard, ME: Metrics for Evaluating Feature-Based Mapping Performance, 2017, IEEE TRANSACTIONS ON ROBOTICS.

5. Galdames, FJ; Perez, CA; Estevez, PA; Adams, M: Classification of rock lithology by laser range 3D and color images, 2017, INTERNATIONAL JOURNAL OF MINERAL PROCESSING.

6. Leung, KYK; Inostroza, F; Adams, M: Relating Random Vector and Random Finite Set Estimation in Navigation, Mapping, and Tracking, 2017, IEEE TRANSACTIONS ON SIGNAL PROCESSING.

7. Leung, K; Luhr, D; Houshiar, H; Inostroza, F; Borrmann, D; Adams, M; Nuchter, A; del Solar, JR: Chilean underground mine dataset, 2017, INTERNATIONAL JOURNAL OF ROBOTICS RESEARCH.

8. Leung, KYK; Inostroza, F; Adams, M: Multifeature-Based Importance Weighting for the PHD SLAM Filter, 2016, IEEE TRANSACTIONS ON AEROSPACE AND ELECTRONIC SYSTEMS.

9. Adams, M: The IEEE RAS International Workshop on Vision, Robotics, and Tracking Applications, 2016, IEEE ROBOTICS & AUTOMATION MAGAZINE.

10. Luhr, D; Adams, M: Radar Noise Reduction Based on Binary Integration, 2015, IEEE SENSORS JOURNAL.

11. Adams M., Vo B.-N., Mahler R.: Advances in probabilistic modeling: Applications of stochastic geometry, 2014, IEEE ROBOTICS & AUTOMATION MAGAZINE.

12. Adams, M; Vo, BN; Mahler, R; Mullane, J: SLAM Gets a PHD New Concepts in Map Estimation, 2014, IEEE ROBOTICS & AUTOMATION MAGAZINE.

13. Adams, M; Mullane, J; Vo, BN: Circumventing the feature association problem in SLAM, 2013, IEEE INTELLIGENT TRANSPORTATION SYSTEMS MAGAZINE.

14. Mullane, J ; Vo, BN ; Adams, MD ; Vo, BT: A Random-Finite-Set Approach to Bayesian SLAM, 2011, IEEE TRANSACTIONS ON ROBOTICS.

15. Jose, E; Mullane, J; Adams, M: Predicting Millimetre Wave Radar Spectra for Autonomous Navigation, 2010, IEEE Sensors.

16. Perera, L; Wijesoma, W.S; Adams, M: SLAM with Joint Sensor Bias Estimation: Closed Form Solutions on Observability, Error Bounds and Convergence rates, 2010, IEEE Transactions on Control Systems Technology.


No indexada (por ejemplo, libros, capítulos de libro, revistas con referato):


83

Libros

1. Adams, M; Mullane, J; Jose, E; Vo, B.-N, Robotic Navigation and Mapping with Radar, 2012, Artech House Boston, London, published, ISBN: 9781608074839.

2. Mullane, J; Vo, B.-N; Adams, M; Vo, B.-T; Random Finite Sets for Robot Mapping & SLAM, 2011, Springer Tracts in Advanced Robotics 72, Springer-Verlag Berlin Heidelberg, Published, ISBN: 978-3-642-21389-2.

Workshop Papers and International Conferences: 1. Inostroza F., Adams M.: Addressing Data Association in Maximum Likelihood

SLAM with Random Finite Sets, 2018, 2018 21st International Conference on Information Fusion, FUSION 2018.

2. Moratuwage D., Adams M., Inostroza F.: d-Generalised Labelled Multi-Bernoulli Simultaneous Localisation and Mapping, 2018, ICCAIS 2018 - 7th International Conference on Control, Automation and Information Sciences.

3. Cament L., Adams M., Correa J.: A Multi-Sensor, Gibbs Sampled, Implementation of the Multi-Bernoulli Poisson Filter, 2018, 2018 21st International Conference on Information Fusion, FUSION 2018.

4. Barrios P., Adams M.: Point set registration based on multi-object metrics, 2017, 2017 International Conference on Control, Automation and Information Sciences, ICCAIS 2017.

5. Cament L., Adams M., Correa J., Perez C.: The d-generalized multi-Bernoulli poisson filter in a multi-sensor application, 2017, 2017 International Conference on Control, Automation and Information Sciences, ICCAIS 2017.

6. Correa J., Adams M.: Estimating detection statistics within a Bayes-closed multi-object filter, 2016, FUSION 2016 - 19th International Conference on Information Fusion, Proceedings.

7. Leung, Keith Yu Kit; Inostroza Ferrario, Felipe; Adams, Martin David: Generalizing random-vector SLAM with random finite sets, 2015, Proceedings - IEEE International Conference on Robotics and Automation.

8. Barrios P., Naqvi G., Adams M., Leung K., Inostroza F.: The Cardinalized Optimal Linear Assignment (COLA) metric for multi-object error evaluation, 2015, 2015 18th International Conference on Information Fusion, Fusion 2015.

9. Correa J., Adams M., Perez C.: A Dirac Delta mixture-based Random Finite Set filter, 2015, ICCAIS 2015 - 4th International Conference on Control, Automation and Information Sciences.

10. Inostroza F., Leung K.Y.K., Adams M.: Incorporating estimated feature descriptor information into Rao Blackwellized-PHD-SLAM, 2015, 2015 18th International Conference on Information Fusion, Fusion 2015.

11. Leung, Keith Yu Kit; Inostroza Ferrario, Felipe; Adams, Martin David: Evaluating set measurement likelihoods in random-finite-set SLAM, 2014, FUSION 2014 - 17th International Conference on Information Fusion.


84

12. Leung, Keith Yu Kit; Inostroza Ferrario, Felipe; Adams, Martin David: Semantic feature detection statistics in set based simultaneous localization and mapping, 2014, FUSION 2014 - 17th International Conference on Information Fusion.

13. Leung, Keith; Inostroza Ferrari, Felipe; Adams Kallenbach, Martin: An improved weighting strategy for Rao-Blackwellized Probability Hypothesis Density simultaneous localization and mapping, 2013, 2013 International Conference on Control, Automation and Information Sciences, ICCAIS 2013.

14. Mullane J; Vo B.-N; Adams M; Vo B.-T.: Mobile robotics in a random finite set framework, 2011, Lecture Notes in Computer Science.

Patentes:


1. Multi-Target Tracking and Robotic Navigation under a Finite Set Statistical Framework, FONDECYT, Regular, 2019-2023, Investigador principal.

2. Algoritmos basados en "Random Finite Sets" aplicados a detección y seguimiento automático de personas y vehículos en ambientes variables y a seguimiento de basura espacial, FONDECYT, Postdoctorado, 2018-2021, Investigador principal.

3. Sistema de detección y clasificación mineralógica rápida basado en análisis hiperespectral, FONDEF, IDEA, 2016-2018, Investigador principal.

4. Advances in SLAM based on Visual, Lidar and Radar Statistical Detection Modelling and Random Finite Sets, FONDECYT, Regular, 2015-2019, Investigador principal.

5. Towards Long-term Autonomy and Navigation in Changing Environments Using Random Finite Sets, FONDECYT, Postdoctorado, 2014-2016, Investigador asociado.

6. Exploración 3D automatizada para digitalización rápida de minas, Cooperación Internacional: Proyectos bilaterales, Proyectos de intercambio CONICYT/DAAD-Alemania, 2013-2015, Investigador principal.

7. Detección y caracterización de variables geometalurgicas a partir de imágenes hiperespectrales, FONDEF, IDEA, 2013-2015, Investigador principal.

8. Centro para la investigación multidisplinaria en procesamiento de señales, Programa de Investigación Asociativa, Concurso Anillos en Ciencia y Tecnologia, 2012-2015, Investigador asociado.

9. Advances in robot perception and mapping in challenging environments, FONDECYT, Regular, 2011-2014, Investigador principal.



Néstor Becerra Yoma

Carácter del vínculo



85

(claustro/núcleo, colaborador o visitante)


Ingeniero eléctrico, U. Estadual de Campinas, Brasil


PhD in Electrical Engineering , The University of Edinburgh, Reino Unido, 1998.


Procesamiento de señales y de voz, inteligencia artificial e interacción humano-robot.



1. José Novoa I. Robust speech recognition in noisy and reverberant environments using deep neural network based systems, 2018, Doctorado en Ingeniería Eléctrica.

2. Víctor Poblete R. Reconocimiento robusto de patrones acústicos basados en el sistema auditivo periférico, 2014, Doctorado en Ingeniería Eléctrica.

3. Juan Árias A. Evaluación Automática de Prosodia con Aplicaciones en Enseñanza de Idiomas y Detección de Emociones, 2013, Doctorado en Ingeniería Eléctrica.

4. Claudio Garretón Vender, Robustez a variabilidad de canal en reconocimiento de patrones acústicos con aplicaciones en enseñanzas de idioma y biometría. 2011, Doctorado en Ingeniería Eléctrica.

5. Carlos Antonio Molina Sánchez, Investigación en tecnología de reconocimiento de voz aplicada a enseñanza de segundo idioma con adaptación y cancelación no-supervisada de ruido, 2010, Doctorado in Ingeniería Eléctrica.

6. Fernando Huenupan Quiñan, Fusión de múltiples clasificadores en verificación de locutor. 2010, Doctorado in Ingeniería Eléctrica.

Listado de publicaciones en

Publicaciones ISI



86

los últimos 10 años. En caso de publicaciones con más de un autor, indicar en negrita el autor principal.

1. Susannah J Buchan, Rodrigo Mahú, Jorge Wuth, Naysa Balcazar-Cabrera, Laura Gutierrez, Sergio Neira, Néstor Becerra Yoma. “An unsupervised Hidden Markov Model-based system for the detection and classification of blue whale vocalizations off Chile.” Bioacoustics, pp, 1-28, January 2019.

2. Novoa, J; Fredes, J; Poblete, V; Yoma, NB: Uncertainty weighting and propagation in DNN-HMM-based speech recognition, 2018, COMPUTER SPEECH AND LANGUAGE.

3. Khan, MS; Jenkins, JS; Yoma, NB: Discovering New Worlds A review of signal processing methods for detecting exoplanets from astronomical radial velocity data, 2017, IEEE SIGNAL PROCESSING MAGAZINE.

4. Fredes J., Novoa J., King S., Stern R.M., Yoma N.B.: Locally Normalized Filter Banks Applied to Deep Neural-Network-Based Robust Speech Recognition, 2017, IEEE SIGNAL PROCESSING LETTERS.

5. Jenkins, JS; Jones, RA; Tuomi, M; Diaz, M; Cordero, JP; Aguayo, A; Pantoja, B; Arriagada, P; Mahu, R; Brahm, R; Rojo, P; Soto, MG; Ivanyuk, O; Yoma, NB; Day-Jones, AC; Ruiz, MT; Pavlenko, YV; Barnes, JR; Murgas, F; Pinfield, DJ; Jones, MI; Lopez-Morales, M; Shectman, S; Butler, RP; Minniti, D: New planetary systems from the Calan-Hertfordshire Extrasolar Planet Search, 2017, MONTHLY NOTICES OF THE ROYAL ASTRONOMICAL SOCIETY.

6. Maldonado M., Pinto A., Gomez C.O., Becerra-Yoma N.: Electrode arrangements for continuous measurement of dispersion conductivity in lab flotation cells, 2017, MINERALS ENGINEERING.

7. Firoozabadi, AD; Diaz, A; Rojo, P; Soto, I; Mahu, R; Yoma, NB; Sedaghati, E: Unsupervised Method for Correlated Noise Removal for Multi-wavelength Exoplanet Transit Observations, 2017, PUBLICATIONS OF THE ASTRONOMICAL SOCIETY OF THE PACIFIC.

8. Mahu R., Rojo P., Dehghan Firoozabadi A., Soto I., Sedaghati E., Becerra Yoma N.: Estimation of exoplanetary planet-to-star radius ratio with homomorphic processing, 2017, ASTRONOMY AND COMPUTING.

9. Bhatti, SM; Khan, MS; Wuth, J; Huenupan, F; Curilem, M; Franco, L; Yoma, NB: Automatic detection of volcano-seismic events by modeling state and event duration in hidden Markov models, 2016, JOURNAL OF VOLCANOLOGY AND GEOTHERMAL RESEARCH.

10. Montes-Atenas, G; Seguel, F; Valencia, A; Bhatti, SM; Khan, MS; Soto, I; Yoma, NB: Predicting bubble size and bubble rate data in water and in froth flotation-like slurry from computational fluid dynamics (CFD) by applying deep neural networks (DNN), 2016, INTERNATIONAL COMMUNICATIONS IN HEAT AND MASS TRANSFER.

11. Curilem, M; Huenupan, F; Beltran, D; Martin, CS; Fuentealba, G; Franco, L; Cardona, C; Acuna, G; Chacon, M; Khan, MS; Yoma, NB: Pattern recognition applied to seismic signals of Llaima volcano (Chile): An evaluation of station-dependent classifiers, 2016, JOURNAL OF VOLCANOLOGY AND GEOTHERMAL RESEARCH.


87

12. Seguel, F; Soto, I; Krommenacker, N; Maldonado, M; Yoma, NB: Optimizing flotation bank performance through froth depth profiling: Revisited, 2015, MINERALS ENGINEERING.

13. Poblete, V; Espic, F; King, S; Stem, RM; Huenupan, F; Fredes, J; Yoma, NB: A perceptually-motivated low-complexity instantaneous linear channel normalization technique applied to speaker verification, 2015, COMPUTER SPEECH AND LANGUAGE.

14. Khan, MS; Montes, G; Valencia, A; Bhatti, SM; Yoma, NB: On discriminating sizes of CFD generated bubbles with signal processing analysis, 2015, INTERNATIONAL JOURNAL OF HEAT AND MASS TRANSFER.

15. Jenkins, JS;Yoma, NB;Rojo, P;Mahu, R;Wuth, J: Improved signal detection algorithms for unevenly sampled data. Six signals in the radial velocity data for GJ876, 2014, MONTHLY NOTICES OF THE ROYAL ASTRONOMICAL SOCIETY.

16. Poblete, V; Yoma, NB; Stern, RM: Optimization of the parameters characterizing sigmoidal rate-level functions based on acoustic features, 2014, SPEECH COMMUNICATION.

17. Curilem, M;Vergara, J;San Martin, C;Fuentealba, G;Cardona, C;Huenupan, F;Chacon, M;Khan, MS;Hussein, W;Yoma, NB: Pattern recognition applied to seismic signals of the Llaima volcano (Chile): An analysis of the events' features, 2014, JOURNAL OF VOLCANOLOGY AND GEOTHERMAL RESEARCH.

18. Hussein, W;Khan, MS;Zamorano, J;Espic, F;Yoma, NB: A novel ultrasound based technique for classifying gas bubble sizes in liquids, 2014, MEASUREMENT SCIENCE AND TECHNOLOGY.

19. Arias, JP;Busso, C;Yoma, NB: Shape-based modeling of the fundamental frequency contour for emotion detection in speech, 2014, COMPUTER SPEECH AND LANGUAGE.

20. Catalan I;Sepulveda JW;Yoma NB;Garreton C;Huenupan F: On Reducing Harmonic and Sampling Distortion in Vocal Tract Length Normalization, 2013, IEEE TRANSACTIONS ON AUDIO SPEECH AND LANGUAGE PROCESSING.

21. Torres HV;Yoma NB;Berrios LB;Sepulveda JW: Multicriteria-Based Computer-Aided Pronunciation Quality Evaluation of Sentences, 2013, ETRI JOURNAL.

22. Garreton, C;Yoma, NB: Telephone Channel Compensation in Speaker Verification Using a Polynomial Approximation in the Log-Filter-Bank Energy Domain, 2012, IEEE TRANSACTIONS ON AUDIO SPEECH AND LANGUAGE PROCESSING.

23. Garreton, C ; Yoma, NB ; Torres, M: Channel Robust Feature Transformation Based on Filter-Bank Energy Filtering, 2010, IEEE TRANSACTIONS ON AUDIO SPEECH AND LANGUAGE PROCESSING.

24. Arias, JP ; Yoma, NB ; Vivanco, H: Automatic intonation assessment for computer aided language learning, 2010, SPEECH COMMUNICATION.

25. Huenupan, F ; Yoma, NB ; Garreton, C ; Molina, C: On-Line Linear Combination of Classifiers Based on Incremental Information in Speaker Verification, 2010, ETRI JOURNAL.

26. Molina, C ; Yoma, NB ; Huenupan, F ; Garreton, C ; Wuth, J: Maximum Entropy-Based Reinforcement Learning Using a Confidence Measure in Speech


88

Recognition for Telephone Speech, 2010, IEEE TRANSACTIONS ON AUDIO SPEECH AND LANGUAGE PROCESSING.


No indexada (por ejemplo, libros, capítulos de libro, revistas con referato): Workshop Papers and International Conferences: 1. Novoa J., Wuth J., Escudero J.P., Fredes J., Mahu R., Yoma N.B.: DNN-HMM

based Automatic Speech Recognition for HRI Scenarios, 2018, ACM/IEEE International Conference on Human-Robot Interaction.

2. Hussein W.B., Essmat S.A., Yoma N.B.: On bubble sizing in water by ultrasound, 2017, International Journal of Interactive Mobile Technologies.

3. Novoa J., Wuth J., Escudero J.P., Fredes J., Mahu R., Stern R., Yoma N.B.: Robustness over time-varying channels in DNN-HMM ASR based human-robot interaction, 2017, Proceedings of the Annual Conference of the International Speech Communication Association, INTERSPEECH.

4. Poblete V., Escudero J.P., Fredes J., Novoa J., Stern R.M., King S., Yoma N.B.: The use of locally normalized cepstral coefficients (LNCC) to improve speaker recognition accuracy in highly reverberant rooms, 2016, Proceedings of the Annual Conference of the International Speech Communication Association, INTERSPEECH.

5. Curilem M., Soto C., Huenupan F., San Martin C., Cardona C., Franco L., Acuña G., Chacón M., Salman Khan M., Yoma N.B.: Feature selection for discrimination between volcanic and tectonic events of the Llaima Volcano (Chile), 2016, IET Seminar Digest.

6. Fredes J., Novoa J., Poblete V., King S., Stern R., Yoma N.B.: Robustness to additive noise of locally-normalized cepstral coefficients in speaker verification, 2015, Proceedings of the Annual Conference of the International Speech Communication Association, INTERSPEECH.

7. Iturralde D., Soto I., Becerra N., Sun L.: A new algorithm for tracking people in a pervasive mining environment, 2013, ICISO 2013 - Proceedings of the 14th International Conference on Informatics and Semiotics in Organisations, IFIP WG8.1 Working Conference.

8. Arias Aparicio, Juan; Busso, Carlos; Becerra Yoma, Néstor: Energy and F0 contour modeling with functional data analysis for emotional speech detection, 2013, Proceedings of the Annual Conference of the International Speech Communication Association, INTERSPEECH.

9. Poblete Ramírez, Víctor; Becerra Yoma, Néstor; Stern, Richard: Optimization of sigmoidal rate-level function based on acoustic features, 2013, Proceedings of the Annual Conference of the International Speech Communication Association, INTERSPEECH.

10. Becerra Yoma, Néstor; Garretón Vender, Claudio; Huenupán, Fernando; Catalán Ludwig, Ignacio; Wuth Sepúlveda, Jorge: VTLN based on the linear interpolation of contiguous mel filter-bank energies, 2013, Proceedings of the


89

Annual Conference of the International Speech Communication Association, INTERSPEECH.

11. Wuth J., Yoma N.B., Benavides L., Vivanco H.: Pronunciation quality evaluation of sentences by combining word based scores, 2012, 13th Annual Conference of the International Speech Communication Association 2012, INTERSPEECH 2012.

12. Molina C; Lee S; Narayanan S; Yoma N.B.: A study of the effectiveness of articulatory strokes for phonemic recognition, 2011, Proceedings of the Annual Conference of the International Speech Communication Association, INTERSPEECH.

13. Garreton C; Yoma N.B.: On enhancing feature sequence filtering with filter-bank energy transformation in speaker verification with telephone speech, 2010, Proceedings of the 11th Annual Conference of the International Speech Communication Association, INTERSPEECH 2010.

Patentes:


1. Implementación de un sistema de apoyo al monitoreo de la sismicidad del volcán Llaima, FONDEF, IDEA, 2015-2017, Investigador asociado.

2. Voice based interfaces for cooperative robot swarm, FONDECYT, Regular, 2015-2019, Investigador principal.

3. Plataforma para investigación avanzada en interacción humano-robot y robótica móvil, FONDEQUIP, Concurso de Equipamiento Científico, 2014-2015, Investigador principal.

4. Plataforma de Procesamiento y Gestión de señales sísmicas para apoyar la identificación de eventos del volcán Llaima, FONDEF, IDEA, 2013-2015, Investigador asociado.

5. Text routing: reconocimiento inteligente de las intenciones del usuario para enrutamiento de llamadas en Call Centers utilizando técnicas de análisis Semántico de Lenguaje Natural y Métodos de Aprendizaje Automático, FONDEF, IDEA, 2013-2015, Investigador asociado.

6. Centro para la investigación multidisplinaria en procesamiento de señales, Programa de Investigación Asociativa, Concurso Anillos en Ciencia y Tecnologia, 2012-2015, Investigador principal.

7. Robust speech pattern recognition on telephone and education applications, FONDECYT, Regular, 2010-2014, Investigador principal.

8. Research on adaptation and compensation techniques for speech and speaker recognition, FONDECYT, Regular, 2007-2010, Investigador principal.


Nombre del académico Bárbara Jeannette Poblete Labra


Claustro, Profesora Asociada.


90

Título, institución, país Ingeniera Civil en Computación, Universidad de Chile, Chile.


PhD. In Computer Science and Digital Communications, University Pompeu Fabra, 2009, España.


21. Social network and media analysis: extract useful knowledge from online social media data using data mining techniques. In specific for disaster management and information credibility.

22. Data mining: mining extremely large data sets, clustering, classification, machine learning, privacy and security protection in data mining.

23. Web mining: social media analysis, usage mining, content and structure mining on the Web, search engine query mining, website mining.

24. Information retrieval (IR): indexing techniques, IR Models, multimedia IR.

25. Web search engines: Web ranking. re-ranking, vertical search engines, Web crawling.


Autor(es), título de la tesis, año, nombre programa de magíster, institución 1. Ignacio Valderrama. “Estudio de patrones y relaciones mediante un analisis cuantitativo entre metricas de eventos sismicos con datos extraidos de Twitter”, 2019, Magíster en Ciencias, Mención Computación

2. Hernan Sarmiento. “Detección de un Situación de Emergencia Utilizando Twitter”, 2019, Magíster en Ciencias, Mención Computación

3. Luis Martinez. “Comparación De Resúmenes Automáticos de Noticias en Base a Medios Sociales”, 2019, Magíster en Ciencias, Mención Computación

4. Jazmine Maldonado F. Detección de Sismos y Visualizacion en Tiempo Real Usando Usuarios de Twitter como "Sensores Sociales, 2018, Magíster en Ciencias, Mención Computación 5. Jorge Bahamonde V. Análisis Estático del Sistema de Medios Noticiosos Chilenos en Twitter / Static Analysis of



91

the Chilean News Media System in Twitter, 2017, Magíster en Ciencias, Mención Computación 6. Mauricio Quezada V. Identification and Characterization of High Impact News Events on Twitter, 2014, Magíster en Ciencias, Mención Computación 7. Felipe Bravo M. Análisis Estático y Dinámico de Opiniones en Twitter, 2013, Magíster en Ciencias, Mención Computación



Autor(es), título de la tesis, año, nombre programa de doctorado, institución 1. José Herrera M. Learning to Rank Social Knowledge for Question Answering in Streaming Platforms, 2019, Doctorado en Ciencias, Mención Computación 2. Teresa Bracamonte N. Improving Web Multimedia Information Retrieval Using Social Data, 2018, Doctorado en Ciencias, Mención Computación 3. Vanessa Peña A. Spatio-Temporal Historical Event Visual Exploration Through Social Media-Based Models, 2018, Doctorado en Ciencias, Mención Computación



Publicaciones indexadas ISI: Autor(es), nombre, año, lugar (Título Revista), editorial, estado, ISSN. Incluir factor de impacto de revista, si es pertinente.

1. Mendoza, M; Poblete, B; Valderrama, I. Nowcasting earthquake damages with Twitter, 2019, EPJ DATA SCIENCE

2. T. Bracamonte, B. Bustos, B. Poblete, T. Schreck: Extracting Semantic Knowledge From Web Context For Multimedia IR: A Taxonomy, Survey And Challenges, 2018, Multimedia Tools and Applications.

3. Poblete, B; Guzman, J; Maldonado, J; Tobar, F. Robust Detection of Extreme Events Using Twitter: Worldwide Earthquake Monitoring, 2018, IEEE TRANSACTIONS ON MULTIMEDIA


92

4. Bahamonde, J; Bollen, J; Elejalde, E; Ferres, L; Poblete, B. Power structure in Chilean news media, 2018, PLOS ONE

5. Peña-Araya; M. Quezada; B. Poblete; Denis Parra: Gaining Historical and International Relations Insights from Social Media Spatio-Temporal Real-World News Analysis using Twitter, 2017, EPJ Data Science.

6. J. Kalyanam, M. Quezada, B. Poblete, G. Lanckriet: Prediction and Characterization of High-Activity Events in Social Media Triggered by Real-World News. PLOS ONE. Dic. 2016.

7. F. Bravo-Marquez, M. Mendoza, B. Poblete: Meta-Level Sentiment Models for Big Social Data Analysis. In the journal Knowledge-Based Systems, 2014 special issue on Big Data for Social Analysis, ISSN: 0950-7051.

8. C. Castillo, M. Mendoza, B. Poblete. Predicting Information Credibility in Time-Sensitive Social Media. In Internet Research 23, no. 5 (2013): 560-588, special issue on The Predictive Power of Social Media. ISSN: 1066-2243

9. B. Poblete, M. Spiliopoulou, R. Baeza-Yates. Confidentiality Protection for Public Information in Query Logs. In ACM Transactions on the Web (TWEB), Volume 4, Issue 3 (July 2010), Year of Publication: 2010. ISSN:1559-1131


No indexada (por ejemplo, libros, capítulos de libro, revistas con referato): Autor(es), año, nombre, lugar, editorial, estado. Capítulos de Libros:

1. R. Baeza-Yates, R. Jones, B. Poblete, M. Spiliopoulou: Issues with Privacy Preservation in Query Log Mining. In the book Privacy-Aware Knowledge Discovery: Novel Applications and New Techniques, Editors: Francesco Bonchi, Yahoo! Research, Barcelona, Spain, Elena Ferrari, University of Insubria, Italy. Series: Chapman & Hall/CRC Data Mining and Knowledge Discovery Series. ISBN: 9781439803653, ISBN 10: 143980365X, Publication Date: November 22, 2010, Number of Pages: 544. Hardcover.

Workshop Papers and International Conferences:


93

1. A. Arango*, J. Pérez, B. Poblete. Hate Speech is Not as Easy as You May Think: A Closer Look at Model Validation. Accepted in proceedings of 42nd International ACM SIGIR Conference on Research and Development in Information Retrieval. July 21-25, 2019 (Paris, France). 2. H. Rosales-Méndez*, A. Hogan, B. Poblete. VoxEL: A benchmark dataset for multilingual Entity Linking. In International Semantic Web Conference, pp. 170-186.

Springer, Cham, 2018. 3. H. Sarmiento*, B. Poblete, J. Campos: Domain-Independent Detection of Emergency Situations Based on Social Activity Related to Geolocations. In Proceedings of the 10th ACM Conference on Web Science. May 2018. pp.

245-254. Amsterdam, Netherlands.

4. J. Herrera*, D. Parra✶, B. Poblete: Learning to Leverage Microblog Information for QA Retrieval. In Proceedings of the 40th European Conference on Information Retrieval (ECIR 2018). March 26-19, 2018. Grenoble, France. 5. J. Maldonado*, J. Guzman*, B. Poblete: A Lightweight and Real-Time World-Wide Earthquake Detection and Monitoring System Based on Citizen Sensors. In Proceedings of The fifth AAAI Conference on Human Computation and Crowdsourcing (HCOMP 2017). October 24-26, 2017. Quebec City, Canada. 6. Rosales, H*., Poblete, B., Hogan, A.: Multilingual Entity Linking: Comparing English and Spanish. In the Linked Data for Information Extraction Workshop (LD4IE). 2017. Vienna, Austria. 7. T. Bracamonte*, A. Hogan, B. Poblete: Applying community detection methods to cluster tags in multimedia search results. In Proceedings of the 2016 IEEE International Symposium on Multimedia (ISM 2016). 8. Gutierrez, F.J.*, Poblete, B.: Sentiment-based User Profiles in Microblogging Platforms. In Proceedings of the 26th ACM Conference on Hypertext & Social Media, (HT ’15), 2015. Guzelyurt, Northern Cyprus. (citas: 2 scopus, 2 google scholar) 9. Maldonado, J.*, Peña-Araya, V.*, Poblete, B.: Spatio and Temporal Characterization of Chilean News Events in Social Media. In The SIGIR 2015 Workshop on Temporal, Social and Spatially-aware Information Access (#TAIA2015), 2015. Santiago, Chile.

10. Herrera, J.M.*, Parra, D.✶, Poblete, B.: Retrieving Relevant Conversations for Q&A on Twitter. In The SIGIR


94

2015 Workshop on Social Personalisation & Search (SPS 2015). 2015. Santiago, Chile.

11. Graells-Garrido, E.✶, Poblete, B. #Santiago is not #Chile, or is it? A model to normalize social media impact. In Proceedings of The ACM International Conference Proceeding Series, Proceedings of the 2013 Chilean Conference on Human-Computer Interaction. (citas: 2 scopus, 3 google scholar) 12. Guzman, J.*, Poblete, B.: On-line relevant anomaly detection in the Twitter stream: An Efficient Bursty Keyword Detection Model. In Proceedings of KDD 2013 Workshop on Outlier Detection and Description, ODD 2013, Chicago, USA. (citas: 16 scopus, 26 google scholar) 13. Bravo-Marquez, F.*, Mendoza, M., Poblete, B.: Combining Strengths Emotions and Polarities for Boosting Twitter Sentiment Analysis. In Proceedings of KDD 2013 Workshop on Issues of Sentiment Discovery and Opinion Mining, WISDOM-KDD 2013, Chicago, USA. (citas: 37 scopus, 69 google scholar) 14. Mendoza, M., Bravo-Marquez, F.*, Poblete, B, Gayo-Avello, D.: Long- memory time series ensembles for concept shift detection. In Proceedings of KDD 2013 2nd International Workshop on Big Data, Streams and Heterogeneous Source Mining: Algorithms, Systems, Programming Models and Applications, BigMine 2013, Chicago, USA. 15. Bravo-Marquez, F.*, Gayo-Avello, D., Mendoza, M., Poblete, B. Opinion dynamics of elections in Twitter. In Proceedings of the 8th Latin American Web Congress, LA WEB, Cartagena de Indias, Colombia, p.32–39, (2012). (citas: 7 scopus, 16 google scholar) 16. Castillo, C., Mendoza, M., Poblete, B.: Information Credibility on Twitter. In Proceedings of the 20th World Wide Web Conference. Hyderabad, India. 2011. WWW’11.

Pags. 675-684. ACM Press, New York, NY. (Core A*, citas: 420 scopus, 958 scholar) 17.Poblete, B., Spiliopoulou, M., Mendoza, M.: Query-Sets++: a scalable approach for modeling web sites. In Proceedings of the International Symposium on String Processing and Information Retrieval. Pages 129-134. 2011. Springer, Berlin, Heidelberg. 18. Mendoza, M., Poblete, B., Castillo, C.: Twitter Under Crisis: Can we trust what we RT?. In SOMA 2010: KDD Workshop on Social Media Analytics, Washington, DC. July 2010. (citas: 322 scopus, 716 scholar)


95

19. M. Mendoza, M. Marin, F. Ferrarotti and B. Poblete. 2010. Learning to Distribute Queries onto Web Search Nodes. In Proceedings of the 32nd European Conference on Information Retrieval (Milton Keynes, UK). ECIR 2010 . Springer LNCS. (Core A)

Patentes: 1. “Lightning search aggregate”. V.Murdock, L.Garcia,

B.Poblete, V.Plachouras. 2017 US Patent 9,594,835 2. “Methods for web site analysis". B Poblete, R Baeza-

Yates. 2014. Patent number: 8,751,632 3. “Classifying documents using implicit feedback and

query patterns". B Poblete, R Baeza-Yates. 2014. Patent number: 8,645,369

4. “Lightning search book-mark". V Murdock, L Garcia, B Poblete, V Plachouras. 2013. Patent number: 20,130,013,628

5. “Method for storing bookmarks for search results from previously submitted search queries by a user and storing links to selected documents by the user". V Murdock, L Garcia, B Poblete, V Plachouras. 2012. Patent number: 8,290,944

6. “Method and system for generating a hyperlink-click graph". B Poblete, A Gionis. 2011. Patent number: 7,945,565



1. 1191604-Mining real-world crisis events from social media data using domain-independent and multilingual approaches, FONDECYT, Regular, Investigadora Principal, 2019-2022

2. Instituto Milenio de Investigación en los Fundamentos de los Datos. Iniciativa Milenio (2018-2028). Investigadora Asociada.

3. Núcleo Milenio Centro de Investigación de la Web Semántica NC120004 Iniciativa Milenio 2017-2020 Investigadora Asociada (renovación).

4. FONDEF 2017-2019 (Corfo). Observatorio de Robo de Vehículos y Accesorios. Investigadora Asociada

5. ENLACE 2016 – Universidad de Chile. Investigadora Principal. Proyecto de enlace de la Universidad de Chile para FONDECYT

6. PLURALISMO 2014-2015 (Conicyt). Investigadora Asociada. Investigación sobre el pluralismo en los medios noticiosos Chilenos.


96

7. Millennium Nucleus Center, 2013-2016, Young Researcher of the Millennium Nucleus Center for “SemanticWeb Research” under Grant NC120004.

8. U-INICIA VID, 2012-2014, Lead Researcher of the project funded by the University of Chile, U-INICIA VID 2012, grant U-INICIA 3/0612. Duration 2-years, starting in 2012.

9. FONDECYT Initiation Grant, 2012-2014, Lead Researcher of the FONDECYT Initiation to Research Grant number 11121511. Duration 3-years, starting in 2013.

10. FONDEF, 2010-2013, Associate Researcher in FONDEF project D09I-1185. Duration 3-years, starting in 2011.



Nombre del académico Claudio Gutiérrez Gallardo



Título, institución, país N.A


Ph.D. Computer Science, 1999, Wesleyan University, Estados Unidos.


- Bases de Datos: sistemas de bases de datos y lenguajes de consulta de datos, particularmente lenguajes para datos semiestructurados y de grafos.

- Linked Open Data: investigación sobre datos abiertos y enlazados. Publicación abierta masiva de datos. Modelos de datos en la Web Estándares de datos abiertos a escala de la Web

- Web Semantica: semántica de datos y lenguajes de consulta. Razonamiento a escala Web sobre datos.


Autor(es), título de la tesis, año, nombre programa de magíster, institución

1. Osvaldo Aliaga Q. Panel de Visualización de Información de las Universidades Estatales para la Toma de Decisiones de la División de Educación Superior del Ministerio De Educación de Chile, 2019, Magister en Ciencias mención Computación, Universidad de Chile.



97

2. Marcos Venegas Á. Estudio Sobre el Acceso Abierto a Datos Gubernamentales: El Caso de Transparencia en Chile, Costa Rica y Uruguay, 2018, Magister en Ciencias mención Computación, Universidad de Chile.

3. Marcel Augsburger B. Computación como Disciplina en la Educación Técnico Profersional, 2017, Magister en Ciencias mención Computación, Universidad de Chile.

4. Teófilo Chambilla A. Lenguaje de Especificación para la Delegación de Tareas en Servidores Web Mediante Agentes, 2016, Magister en Ciencias mención Computación, Universidad de Chile.

5. HERNÁDEZ HERNÁNDEZ, DANIEL. 2013, “Estándares de publicación de datos para la información pública en Chile”, Magister en Ciencias mención Computación, Universidad de Chile.

6. CHUN-HAU, LAI. 2012, “Diseño e implementación de algoritmos aproximados de clustering balanceado en PSO”, Magister en Ciencias mención Computación, Universidad de Chile.

7. VELOZ GONZÁLEZ, TOMÁS. 2010, “A Computational Study of Algebraic Chemistry”, Magister en Ciencias mención Computación, Universidad de Chile.

8. KRSULOVIC, ERNESTO. 2010, “Plataforma de Integración de Recursos Educacionales en la Web Chilena”, Magister en Ciencias mención Computación, Universidad de Chile.


Autor(es), título de la tesis, año, nombre programa de doctorado, institución

1. FERNÁNDEZ GARCÍA, JAVIER. 2014, “Binary RDF Optimization for Scalable Publishing, Exchanging and Consumption in the Web of Data”, Doctorado en Ciencias mención Computación, Universidad de Chile.

2. SAN MARTÍN, MAURO. 2012, “A model for social networks data management”, Doctorado en Ciencias mención Computación, Universidad de Chile.



1. Javier D. Fernández, Miguel A. Martínez-Prieto, Pablo de la Fuente Redondo, Claudio Gutiérrez: “Characterising RDF data sets”. J. Information Science 44(2): 203-229 (2018)


98

2. Valeria Fionda, Claudio Gutiérrez, Giuseppe Pirrò: “Building knowledge maps of Web graphs”. Artif. Intell. 239: 143-167 (2016)

3. Valeria Fionda, Giuseppe Pirrò, Claudio Gutiérrez: NautiLOD: “A Formal Language for the Web of Data Graph”. TWEB 9(1): 5:1-5:43 (2015)

4. V. Fionda, C. Gutierrez, G. Pirrò. “The swget portal: Navigating and acting on the web of linked data”. Journal of Web Semantics (ISI / SCOPUS), 26: 29-35 (2014)

5. G. Pabón, C. Gutiérrez, J. D. Fernández, M. A. Martínez-Prieto. “Linked Open Data technologies for publication of census microdata”. Journal of the American Society for Information Science and Technology, JASIST. 64(9): 1802-1814 (2013)

6. J. D. Fernández, M. A. Martínez-Prieto, C. Gutierrez, A. Polleres, M. Arias. “Binary RDF representation for publication and exchange (HDT)”. Journal of Web Semantics, 19: 22-41 (2013)

7. J. Alvarez, C. Gutierrez: History of Computing in Chile, 1961-1982: Early Years, Consolidation, and Expansion. IEEE Annals of the History of Computing 34(3): 22-33 (2012).

8. M. Arenas, C. Gutierrez, D. P. Miranker, J. Pérez, J. Sequeda: “Querying Semantic Data on the Web”. SIGMOD Record 41(4): 6-17 (2012).

9. C. Gutierrez, C. A. Hurtado, A. O. Mendelzon, J. Pérez: “Foundations of Semantic Web databases”. J. Comput. Syst. Sci. 77(3): 520-541 (2011).

10. M. Arenas, C. Gutierrez, J. Pérez: “Some Remarks on the Paper “semQA: SPARQL with Idempotent Disjunction””. IEEE Trans. Knowl. Data Eng. 23(4): 638-639 (2011).

11. J. Pérez, M. Arenas, C. Gutierrez: “nSPARQL: A navigational language for RDF”. J. Web Sem. 8(4): 255-270 (2010).

12. M. L. Cárdenas, J-C. Letelier, C. Gutierrez, A. Cornish-Bowden, J. Soto-Andrade: “Closure to efficient causation, computability and artificial life”. Journal of Theoretical Biology 2010; 263(1):79-92.



99

1. Gutierrez, C; Gutierrez, F; “Ricardo Poenisch: The Professionalization of the Teaching of Mathematics in Chile (1889-1930)”, ATENEA, 2014 (ISI/SCIELO)

2. Gutierrez G, Claudio; “Cercos para las ideas: el acceso al conocimiento bajo amenaza”, Revista Chilena de Pediatría (SCIELO)

3. Gutierrez G., Claudio; Gutierrez A., Flavio; “Fisica: su trayectoria en Chile (1800-1960)”, Historia-Santiago (SCIELO)

No indexada (por ejemplo, libros, capítulos de libro, revistas con referato): Autor(es), año, nombre, lugar, editorial, estado. Libros:

1. S. Rudolph, C. Gutierrez (Eds.) “Web Reasoning and Rule Systems”, Springer, LNCS 6902, 2011.

Capítulos de Libros: 1. Mauro San Martin, Claudio Gutierrez. Transforming and

Integrating Social Networks and Social Media Data. In: Encyclopedia of Social Network Analysis and Mining, 2014: 2202-2214.

2. V. Fionda, C. Gutierrez, G. Pirro. Semantic Navigation on the Web of Data. In: A. Harth, K. Hose, R. Schenkel (Eds), Linked Data Management, CRC Press, 2014.

3. J. D. Fernandez, M. Arias, M. A. Martinez-Prieto, C. Gutierrez. Management of Big Semantic Data. En: R. Akerkar (Ed.): Big Data Computing, Taylor and Francis/CRC, 2013.

4. C. Gutierrez, Modeling the Web of Data (Introductory Overview). A. Polleres et al. (Eds.): Reasoning Web 2011, LNCS 6848, pp. 416-444, 2011.

5. M. Arenas, C. Gutierrez, J. Perez. On the Semantics of SPARQL. En: R. De Virgilio, F. Giunchiglia, L. Tanca (Eds.), Semantic Web Information Management: A Model Based Perspective, Springer,2010.


1. Hernández D., Gutierrez C., Hogan A. Certain answers

for SPARQL with blank nodes, 2018, Lecture Notes in Computer Science

2. Perez-Messina I., Gutierrez C., Graells-Garrido E. Organic visualization of document evolution, 2018, International Conference on Intelligent User Interfaces, Proceedings IUI


100

3. Angles R., Arenas M., Barceló P., Boncz P., Fletcher G., Gutierrez C., Lindaaker T., Paradies M., Plantikow S., Sequeda J., Van Rest O., Voigt H. G-CORE a core for future graph query languages, 2018, Proceedings of the ACM SIGMOD International Conference on Management of Data

4. Chambilla T., Gutierrez C. Agent Server: Semantic agent for linked data, 2017, CEUR Workshop Proceedings

5. Chaves-Fraga D., Gutierrez C., Corcho O. On the role of the GRAPH clause in the performance of federated SPARQL queries, 2017, CEUR Workshop Proceedings

6. Hernández D., Gutierrez C. Semantics for querying paths in graph databases: No-repeated-node or no-repeated-edge ?, 2017, CEUR Workshop Proceedings

7. Angles R., Gutierrez C. Negation in SPARQL, 2016, CEUR Workshop Proceedings

8. Angles R., Gutierrez C. The multiset semantics of SPARQL patterns, 2016, Lecture Notes in Computer Science

9. Gutierrez, C Beyond Imported Magic: Essays on Science, Technology, and Society in Latin America, 2016, EAST ASIAN SCIENCE TECHNOLOGY AND SOCIETY-AN INTERNATIONAL JOURNAL

10. Gutierrez C., Hernández D., Hogan A., Polleres A. Certain answers for SPARQL, 2016, CEUR Workshop Proceedings

11. Garrido C., Gutierrez C. Dictionaries as networks: Identifying the graph structure of Ogden's basic English, 2016, COLING 2016 - 26th International Conference on Computational Linguistics, Proceedings of COLING 2016: Technical Papers

12. Mora Cerda, Ricardo; Gutiérrez Gallardo, Claudio. Random-walk closeness centrality satisfies boldi-vigna axioms, 2015, CEUR Workshop Proceedings

13. Hernández Pérez, Daniel; Gutiérrez Gallardo, Claudio. Disentangling the notion of dataset in SPARQL, 2015, CEUR Workshop Proceedings

14. Hose K., Schenkel R., Umbrich J., Gutierrez C. Foreword, 2014, Proceedings - International Conference on Data Engineering

15. Hogan, Aidan; Gutierrez Gallardo, Claudio. Paths towards the sustainable consumption of semantic data on the Web, 2014, CEUR Workshop Proceedings

16. Fionda V., Gutierrez C., Pirrò G. Knowledge maps of Web graphs, 2014, 14th International Conference on


101

the Principles of Knowledge Representation and Reasoning, KR 2014

17. Fernández, Javier D.; Gutiérrez Gallardo, Claudio; Martínez Prieto, Miguel; Pérez López, Jorge. Towards in-memory RDFS entailment, 2014, CEUR Workshop Proceedings

18. Fionda, Valeria; Pirrò, Giuseppe; Gutierrez Gallardo, Claudio. The map generator tool, 2014, CEUR Workshop Proceedings

19. Umbrich, Jürgen; Gutiérrez Gallardo, Claudio; Hogan, Aidan; Karnstedt, Marcel; Parreira, Josiane. The ACE theorem for querying the web of data, 2013, WWW 2013 Companion - Proceedings of the 22nd International Conference on World Wide Web

20. Umbrich J., Gutierrez C., Hogan A., Karnstedt M., Xavier Parreira J. Eight Fallacies when querying the Web of Data, 2013, Proceedings - International Conference on Data Engineering

21. Gutierrez C., Robbes R. WEON: Towards a software ecosystem ontology, 2013, 2013 1st International Workshop on Software Ecosystem Architectures, WEA 2013 – Proceedings

22. Franconi, Enrico; Gutierrez Gallardo, Claudio; Mosca, Alessandro; Pirro, Giuseppe; Rosati, Riccardo. The logic of extensional RDFS, 2013, Lecture Notes in Computer Science

23. Fionda, Valeria; Gutierrez Gallardo, Claudio; Pirro, Giuseppe. Web maps and their algebra, 2013, 21st Italian Symposium on Advanced Database Systems, SEBD 2013

24. Franconi, Enrico; Gutierrez Gallardo, Claudio; Mosca, Alessandro; Pirro, Giuseppe; Rosati, Riccardo. The logic of extensional RDFS (Extended abstract), 2013, 21st Italian Symposium on Advanced Database Systems, SEBD 2013

25. Gutiérrez Gallardo Claudio. Cercos para las ideas: el acceso al conocimiento bajo amenaza, 2012, REVISTA CHILENA DE PEDIATRIA

26. Alvarez J., Gutierrez C. The first university computer in Chile, 2012, 38th Latin America Conference on Informatics, CLEI 2012 - Conference Proceedings

27. Fionda V; Gutierrez C; Pirro G. Semantic navigation on the web of data: Specification of routes, web fragments and actions, 2012, WWW´12 - Proceedings of the 21st Annual Conference on World Wide Web


102

28. Fionda, Valeria; Gutiérrez Gallardo, Claudio; Pirrò, Giuseppe. Extracting relevant subgraphs from graph navigation, 2012, CEUR Workshop Proceedings

29. Gutierrez C; Hurtado C; Vaisman A. RDFS Update: From theory to practice, 2011, Lecture Notes in Computer Science

30. Rudolph S; Gutierrez C. Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics): Preface, 2011, Lecture Notes in Computer Science

31. Fernández J.D., Martínez-Prieto M.A., Gutierrez C. Compact representation of large RDF data sets for publishing and exchange, 2011, Actas de las 16th Jornadas de Ingenieria del Software y Bases de Datos, JISBD 2011

32. Martin M.S., Gutierrez C., Wood P.T. SNQL: A Social Network query and transformation language, 2011, CEUR Workshop Proceedings

33. Angles R., Gutierrez C. Subqueries in SPARQL, 2011, CEUR Workshop Proceedings

34. Gutierrez C. Modeling the web of data (Introductory overview), 2011, Lecture Notes in Computer Science

35. Fernandez J.D; Martinez-Prieto M.A; Gutierrez C. Publishing open statistical data: The Spanish census, 2011, ACM International Conference Proceeding Series

36. Fernandez J.D; Martinez-Prieto M.A; Arias M; Gutierrez C; Alvarez-Garcia S; Brisaboa N.R. Lightweighting the web of data through compact RDF/HDT, 2011, Lecture Notes in Computer Science

37. Angles R., Gutierrez C. SQL nested queries in SPARQL, 2010, CEUR Workshop Proceedings

38. Fernandez J.D; Martinez-Prieto M.A; Gutierrez C. Compact representation of large RDF data sets for publishing and exchange, 2010, xxLecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics)

39. Fernandez J.D; Gutierrez C; Martinez-Prieto M.A. RDF compression: Basic approaches, 2010, Proceedings of the 19th International Conference on World Wide Web, WWW ´10

40. Arenas, M; Gutiérrez Gallardo, Claudio; Pérez Rojas, Jorge. On the semantics of SPARQL, 2010, Semantic Web Information Management: A Model-Based Perspective


103




1. 1180886-Democratic Citizens and Information Technology: An Ameliorative Epistemological Project, FONDECYT, Regular, 2018-2022, Co-investigador

2. “Center for Semantic Web Research”, Millennium Nucleus, 2013-2019, Chile, Co-investigador

3. Head Chilean Node. Proj. FP7, No. 612551, Marie Curie Actions- International Research Staff Exchange Scheme (IRSES) “SemData- Semantic Data Management”, 2013 - 2017, EU, Co-Investigador

4. “ Web Data Models for Linked Data”, Project Fondecyt 1110287, (2011 - 2014) , Chile, Investigador Principal

5. Head Chilean Node. Proj. FP7, No 247601. Marie Curie Actions- International Research Staff Exchange Scheme (IRSES) “Net2- A Network for Enabling Networked Knowledge”, (2010-2013) , EU

6. “SPARQL for RDF data with RDFS vocabulary and blank nodes: Semantics, Complexity and Implementation”, Project Fondecyt 1090565, (2009-2001), Chile



Nombre del académico Alexandre Bergel




Grado máximo (especificar área disciplinar), institución, año de graduación y país

Doctor en Ciencias de la Computación

Universidad de Bern

2005


Lenguaje de programación, ingeniería de software

Número de tesis de magíster dirigidas en los últimos 10 años (finalizadas)

Autor(es), título de la tesis, año, nombre programa de magíster, institución

1. Alvaro Peralta O.Evaluación y Valoración de la Complejidad en Procesos de Negocios Desarrollados en BPEL20 y BPMN2.0, 2017, Magíster en Tecnologías de la Información,


104

Universidad de Chile. 2. Alejandro Infante R.Discovering Memory Optimization Opportunities By Analyzing Shareable Objects, 2017, Magister en Ciencias mención Computación, Universidad de Chile. 3. Cristóbal Sanfurgo B.Visual Vertical Profiling: Evaluar la Performance y Optimizar Capas Arquitectónicas, 2015, Magíster en Tecnologías de la Información, Universidad de Chile.


-Juan Sandoval A.Horizontal Profiling: A Sampling Technique To Identify Performance Regressions, 2016, Doctorado en Ciencias, Mención Computación, Universidad de Chile.


Publicaciones indexadas ISI: Autor(es), nombre, año, lugar (Título Revista), editorial, estado, ISSN. Incluir factor de impacto de revista, si es pertinente.

1. Vazquez, HC; Bergel, A; Vidal, S; Pace, JAD; Marcos, C,Slimming

javascript applications: An approach for removing unused functions from javascript libraries,INFORMATION AND SOFTWARE TECHNOLOGY,2019

2. Campusano, M; Fabry, J; Bergel, A,Live programming in practice: A controlled experiment on state machines for robotic behaviors,INFORMATION AND SOFTWARE TECHNOLOGY,2019

3. Bergel, A; Infante, A; Maass, S; Alcocer, JPS,Reducing resource consumption of expandable collections: The Pharo case,SCIENCE OF COMPUTER PROGRAMMING,2018

4. Fernandez, A; Berger, A,A domain-specific language to visualize software evolution,INFORMATION AND SOFTWARE TECHNOLOGY,2018

5. Silva, LH; Valente, MT; Bergel, A; Anquetil, N; Etien, A,Identifying Classes in Legacy JavaScript Code,JOURNAL OF SOFTWARE-EVOLUTION AND PROCESS,2017

6. Bergel, A; Beck, F,Guest editorial of the special section on software visualization,INFORMATION AND SOFTWARE TECHNOLOGY,2017

7. Alcocer, JPS; Bergel, A,Tracking Down Performance Variation against Source Code Evolution,ACM SIGPLAN NOTICES,2016

8. Vidal, SA; Bergel, A; Marcos, C; Diaz-Pace, JA,Understanding and addressing exhibitionism in Java empirical research about method accessibility,EMPIRICAL SOFTWARE ENGINEERING,2016

9. Vidal, S; Bergel, A; Diaz-Pace, JA; Marcos, C,Over-exposed classes in Java: An empirical study,COMPUTER LANGUAGES SYSTEMS & STRUCTURES,2016


105

10. Callau, O; Robbes, R; Tanter, E; Rothlisberger, D; Bergel, A,On the Use of Type Predicates in Object-Oriented Software: The Case of Smalltalk,ACM SIGPLAN NOTICES,2015


No indexada (por ejemplo, libros, capítulos de libro, revistas con referato): Workshop Papers and International Conferences:

1. Kubelka J., Robbes R., Bergel A.,Live programming and software evolution: Questions during a programming change task,IEEE International Conference on Program Comprehension,2019

2. Bergel A., Bhatele A., Boehme D., Gralka P., Griffin K., Hermanns M.-A., Okanovic D., Pearce O., Vierjahn T.,Visual Analytics Challenges in Analyzing Calling Context Trees,Lecture Notes in Computer Science,2019

3. Campusano M., Bergel A.,VizRob: Effective Visualizations to Debug Robotic Behaviors,Proceedings - 3rd IEEE International Conference on Robotic Computing, IRC 2019,2019

4. Delgado R., Bergel A.,Continuation to the Rescue: Seamlessly Handling Battery Interruption in Drones,Proceedings - 3rd IEEE International Conference on Robotic Computing, IRC 2019,2019

5. Merino L., Hess M., Bergel A., Nierstrasz O., Weiskopf D.,PerfVis: Pervasive Visualization in Immersive Augmented Reality for Performance Awareness,ICPE 2019 - Companion of the 2019 ACM/SPEC International Conference on Performance Engineering,2019

6. Merino L., Bergel A., Nierstrasz O.,Overcoming Issues of 3D Software Visualization through Immersive Augmented Reality,Proceedings - 6th IEEE Working Conference on Software Visualization, VISSOFT 2018,2018

7. Kubelka J., Robbes R., Bergel A.,The road to live programming: Insights from the practice,Proceedings - International Conference on Software Engineering,2018

8. De La Torre G., Robbes R., Bergel A.,Imprecisions diagnostic in source code deltas,Proceedings - International Conference on Software Engineering,2018

9. Bergel A., Melatagia P., Stinckwich S.,An API and visual environment to use neural network to reason about source code,ACM International Conference Proceeding Series,2018

10. Beck F., Siddiqui H.A., Bergel A., Weiskopf D.,Method Execution Reports: Generating Text and Visualization to Describe Program Behavior,Proceedings - 2017 IEEE Working Conference on Software Visualization, VISSOFT 2017,2017


106

11. Kaleba S., Béra C., Bergel A., Ducasse S.,A detailed VM profiler for the Cog VM,IWST 2017 - Proceedings of the 12th International Workshop on Smalltalk Technologies, in conjunction with the 25th International Smalltalk Joint Conference,2017

12. Salgado R., Bergel A.,Pharo git thermite a visual tool for deciding to weld a pull request,IWST 2017 - Proceedings of the 12th International Workshop on Smalltalk Technologies, in conjunction with the 25th International Smalltalk Joint Conference,2017

13. Infante A., Bergel A.,Object equivalence: Revisiting object equality profiling (An experience report),DLS 2017 - Proceedings of the 13th ACM SIGPLAN International Symposium on Dynamic Languages, co-located with SPLASH 2017,2017

14. Silva L.H., Valente M.T., Bergel A.,Refactoring legacy javascript code to use classes: The good, the bad and the ugly,Lecture Notes in Computer Science,2017

15. Silva L.H., Valente M.T., Bergel A.,Statically identifying class dependencies in legacy JavaScript systems: First results,SANER 2017 - 24th IEEE International Conference on Software Analysis, Evolution, and Reengineering,2017

16. Bergel A.,Power and energy code profiling in pharo,IWST 2016 - Proceedings of the 11th International Workshop on Smalltalk Technologies, in conjunction with the 24th International Smalltalk Joint Conference,2016

17. Alcocer J.P.S., Bergel A., Valente M.T.,Learning from source code history to identify performance failures,ICPE 2016 - Proceedings of the 7th ACM/SPEC International Conference on Performance Engineering,2016

18. Alcocer J.P.S., Denker M., Bergel A., Acurana Y.,Dynamically composing collection operations through collection promises,IWST 2016 - Proceedings of the 11th International Workshop on Smalltalk Technologies, in conjunction with the 24th International Smalltalk Joint Conference,2016

19. Schulz R., Beck F., Felipez J.W.C., Bergel A.,Visually Exploring Object Mutation,Proceedings - 2016 IEEE Working Conference on Software Visualization, VISSOFT 2016,2016

20. Schneider T., Tymchuk Y., Salgado R., Bergel A.,CuboidMatrix: Exploring dynamic structural connections in software components using space-time cube,Proceedings - 2016 IEEE Working Conference on Software Visualization, VISSOFT 2016,2016

21. Merino L., Ghafari M., Nierstrasz O., Bergel A., Kubelka J.,MetaVis: Exploring actionable visualization,Proceedings - 2016 IEEE Working Conference on Software Visualization, VISSOFT 2016,2016


107

22. Kubelka J.; Bergel A.; Robbes R.,Pitekün: An Experimental Visual Tool to Assist Code Navigation and Code Understanding,PROCEEDINGS - INTERNATIONAL CONFERENCE OF THE CHILEAN COMPUTER SCIENCE SOCIETY, SCCC,2016

23. Mamani M., Infante A., Bergel A.,Inti: Tracking Performance Issue Using a Compact and Effective Visualization,PROCEEDINGS - INTERNATIONAL CONFERENCE OF THE CHILEAN COMPUTER SCIENCE SOCIETY, SCCC,2016

24. Fernandez I., Bergel A., Alcocer J.P.S., Infante A., Girba T.,Glyph-based software component identification,IEEE International Conference on Program Comprehension,2016

25. Infante Rica, Alejandro; Bergel, Alenxandre Henri,Efficiently identifying object production sites,2015 IEEE 22nd International Conference on Software Analysis, Evolution, and Reengineering, SANER 2015 - Proceedings,2015

26. Kubelka J., Bergel A., Chis A., Girba T., Reichhart S., Robbes R., Syrel A.,On understanding how developers use the Spotter search tool,2015 IEEE 3rd Working Conference on Software Visualization, VISSOFT 2015 - Proceedings,2015

27. Urli S., Bergel A., Blay-Fornarino M., Collet P., Mosser S.,A visual support for decomposing complex feature models,2015 IEEE 3rd Working Conference on Software Visualization, VISSOFT 2015 - Proceedings,2015

28. Fernandez Blanco, Alison; Nuñez Duran, Diego; Infante Rica, Alejandro; Bergel, Alenxandre Henri,Analyzing dynamic information with Spy and Roassal: An experience report,2015 IEEE 1st International Workshop on Software Analytics, SWAN 2015 - Proceedings,2015

29. Cánovas Izquierdo, Javier; Cosentino, Valeria; Rolandi, Belen; Bergel, Alenxandre Henri; Cabot, Jordi,GiLA: GitHub label analyzer,2015 IEEE 22nd International Conference on Software Analysis, Evolution, and Reengineering, SANER 2015 - Proceedings,2015

30. Molina R., Bergel A.,Toward a platform for visual debugging,IWST 2015 - Proceedings of the 10th International Workshop on Smalltalk Technologies, in conjunction with the 23rd International Smalltalk Joint Conference,2015

31. Peralta A.J., Le N.T.T., Stinckwich S., Hanachi C., Bergel A., Ho T.V.,A tool for assessing quality of rescue plans by combining visualizations of different business process perspectives,Lecture Notes in Business Information Processing,2015

Patentes: 1.


108



1. VISIAR: Visualizing Software Performance in Immersive Virtual and Augmented Reality, Cooperación Internacional: Multilateral y vinculación, Apoyo a la Formación de Redes Internacionales_Centros, 2019-2021, Investigador asociado.

2. Detection strategies based on Software Metrics for Multitier JavaScript, Cooperación Internacional: Multilateral y vinculación, Programa Regional TIC-AMSUD, 43132, Investigador asociado.

3. OPECA - Optimizing Performance and Energy Consumption of Android applications, FONDECYT, Postdoctorado, 2018-2021, Investigador asociado.

4. Visualizing code entities to support software evolution, FONDECYT, Postdoctorado, 2018-2020, Investigador asociado.


Nombre del académico Jorge Pérez



Título, institución, país Ingeniero Civil en Computación, Pontificia Universidad Católica de Chile, Chile.


Doctor, Pontificia Universidad Católica de Chile, Chile, 2011.


Bases de Datos - Datos Web, Lógica en Ciencia de la Computación, Complejidad Computacional, Deep Learning y Procesamiento de Lenguaje Natural (NLP)


Autor(es), título de la tesis, año, nombre programa de magíster, institución 1. Francisco Plana P. Filters on Disjunctive Boolean Networks, 2014, Magíster en Ciencias, Mención Computación, Universidad de Chile

Número de tesis de doctorado dirigidas en




109

los últimos 10 años (finalizadas)


Publicaciones indexadas ISI: Autor(es), nombre, año, lugar (Título Revista), editorial, estado, ISSN. Incluir factor de impacto de revista, si es pertinente. 1. Hartig, O; Perez, J. LDQL: A query language for the Web of Linked Data, 2016, JOURNAL OF WEB SEMANTICS 2. Arenas, M;Perez, J;Reutter, J. Data Exchange Beyond Complete Data, 2013, JOURNAL OF THE ACM 3. Arenas, M;Perez, J;Reutter, J;Riveros, C. The language of plain SO-tgds: Composition, inversion and structural properties, 2013, JOURNAL OF COMPUTER AND SYSTEM SCIENCES 4. Letelier, A;Perez, J;Pichler, R;Skritek, S. Static Analysis and Optimization of Semantic Web Queries, 2013, ACM TRANSACTIONS ON DATABASE SYSTEMS 5. Riveros C;Arenas M;Perez J;Reutter J. Query language-based inverses of schema mappings: semantics, computation, and closure properties, 2012, VLDB JOURNAL 6. Sequeda JF;Arenas M;Gutierrez C;Miranker DP;Perez J. Querying Semantic Data on the Web, 2012, SIGMOD RECORD 7. Arenas, M ; Gutierrez, C ; Perez, J. Some Remarks on the Paper "semQA: SPARQL with Idempotent Disjunction" , 2011, IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING 8. Gutierrez, C ; Hurtado, CA ; Mendelzon, AO ; Perez, J Foundations of Semantic Web databases, 2011, JOURNAL OF COMPUTER AND SYSTEM SCIENCES 9. Perez, J ; Arenas, M ; Gutierrez, C. nSPARQL: A navigational language for RDF, 2010, JOURNAL OF WEB SEMANTICS


No indexada (por ejemplo, libros, capítulos de libro, revistas con referato): Autor(es), nombre, año, lugar (Título Revista), editorial, estado, ISSN. Incluir factor de impacto de revista, si es pertinente. Libros Capítulos de libros Revistas con referato


110

Workshop Papers and International Conferences: 1. Plana F., Perez J. QuickCent: A Fast and Frugal Heuristic for Centrality

Estimation on Networks, 2019, Proceedings - 2018 IEEE/WIC/ACM International Conference on Web Intelligence, WI 2018

2. Hartig O., Letter I., Pérez J. A formal framework for comparing linked data fragments, 2017, Lecture Notes in Computer Science

3. Hartig O., Pérez J. An initial analysis of facebook's GraphQL language, 2017, CEUR Workshop Proceedings

4. Castro R., Lehmann N., Pérez J., Subercaseaux B. Wavelet trees for competitive programming, 2016, Olympiads in Informatics

5. Arenas M., Diéguez G., Pérez J. Bidirectional constraints for exchanging data: Beyond monotone queries, 2015, IJCAI International Joint Conference on Artificial Intelligence

6. Lehmann Meléndez, Nicolás; Pérez López, Jorge. Implementing graph query languages over compressed data structures: A progress report, 2015, CEUR Workshop Proceedings

7. Hartig O., Pérez J. LDQL: A query language for the web of linked data, 2015, Lecture Notes in Computer Science

8. Fernández, Javier D.; Gutiérrez Gallardo, Claudio; Martínez Prieto, Miguel; Pérez López, Jorge. Towards in-memory RDFS entailment, 2014, CEUR Workshop Proceedings

9. Johnson M., Pérez J., Terwilliger J.F. What can programming languages say about data exchange?, 2014, Advances in Database Technology - EDBT 2014: 17th International Conference on Extending Database Technology, Proceedings

10. Arenas Saavedra, Marcelo; Diéguez Franzani, Gabriel; Pérez López, Jorge. Expressiveness and complexity of bidirectional constraints for data exchange, 2014, CEUR Workshop Proceedings

11. Barcelo P., Perez J., Reutter J. Schema mappings and data exchange for graph databases, 2013, ACM International Conference Proceeding Series

12. Bernstein P.A., Jacob M., Perez J., Rull G., Terwilliger J.F. Incremental Mapping Compilation in an Object-to-Relational Mapping System, 2013, Proceedings of the ACM SIGMOD International Conference on Management of Data

13. Arenas, Marcelo; Pérez Rojas, Jorge; Sallinger, Emanuel. Towards general representability in knowledge exchange, 2013, CEUR Workshop Proceedings

14. Barcelo P., Perez J., Reutter J.L. Relative expressiveness of nested regular expressions, 2012, CEUR Workshop Proceedings

15. Letelier A., Perez J., Pichler R., Skritek S. SPAM: A SPARQL analysis and manipulation tool, 2012, PROCEEDINGS OF THE VLDB ENDOWMENT


111

16. Perez J., Pichler R., Sallinger E., Savenkov V. Union and intersection of schema mappings, 2012, CEUR Workshop Proceedings

17. Letelier A; Perez J; Pichler R; Skritek S. Static analysis and optimization of semantic web queries, 2012, Proceedings of the ACM SIGACT-SIGMOD-SIGART Symposium on Principles of Database Systems

18. Arenas M; Conca S; Perez J. Counting beyond a Yottabyte, or how SPARQL 1.1 property paths will prevent adoption of the standard, 2012, WWW´12 - Proceedings of the 21st Annual Conference on World Wide Web

19. Arenas M; Perez J. Federation and navigation in SPARQL 1.1, 2012, Lecture Notes in Computer Science

20. Arenas M; Perez J. Querying semantic web data with SPARQL, 2011, Proceedings of the ACM SIGACT-SIGMOD-SIGART Symposium on Principles of Database Systems

21. Arenas M; Perez J; Reutter J. Data exchange beyond complete data, 2011, Proceedings of the ACM SIGACT-SIGMOD-SIGART Symposium on Principles of Database Systems

22. Arenas, M; Gutiérrez Gallardo, Claudio; Pérez Rojas, Jorge. On the semantics of SPARQL, 2010, Semantic Web Information Management: A Model-Based Perspective



Título, fuente de financiamiento, duración, año de adjudicación y tipo de Investigación 1. ENL020/17-Theoretical foundations of linked data fragments, 2017-2018, Fondo Central de Investigación, U-APOYA:Proyectos de Enlace, Investigador Principal 2. 1140790-Efficiently and Effectively Querying Linked Data on the Web, 2014-2017, FONDECYT, Regular, Investigador Principal 3. NC120004-Núcleo milenio de investigación en la Web semántica, 2013-2019, Iniciativa Científica Milenio, Núcleos Milenio, Co-investigador 4. U-INICIA 11/04 - Intercambio de datos y manipulación de correspondencias en esquemas con restricciones bidireccionales, 2011-2013, Fondo Central de Investigación, U-INICIA, Investigador Principal 5. 11110404-Data Exchange and Schema Mapping Management with Bidirectional Constraints, 2011-2013, FONDECYT, Iniciación en Investigación


112



Nombre del académico Felipe Bravo


Claustro, Profesor Asistente.

Título, institución, país Ingeniero Civil Industrial, Universidad de Chile, Chile. Ingeniero Civil en Computación, Universidad de Chile, Chile,


Ph.D, Computer Science, University of Waikato, New Zealand, 2017.

Magíster en Ciencias, Mención Computación, Universidad de Chile, 2013.


Procesamiento de Lenguaje Natural (NLP), Aprendizaje Automático, Minería de Datos, Recuperación de la Información, Ciencia de Datos y Ciencias Sociales Computacionales




Publicaciones indexadas ISI: 1. F. Bravo-Marquez, E. Frank, B. Pfahringer, and S. M. Mohammad

AffectiveTweets: a WEKA Package for Analyzing Affect in Tweets, In Journal of Machine Learning Research 20(92): Pages 1−6, 2019.

2. S. Lang, F. Bravo-Marquez, C. Beckham, M. Hall, and E. Frank

WekaDeeplearning4j: a Deep Learning Package for Weka based on DeepLearning4j, In Knowledge-Based Systems, Volume 178, 15 August 2019, Pages 48-50.

3. F. Bravo-Marquez, E. Frank, and B. Pfahringer Transferring Sentiment

Knowledge between Words and Tweets, In Web Intelligence Volume 16, no. 4, 31 October 2018, Pages 203-220.



113

4. F. Bravo-Marquez, E. Frank, and B. Pfahringer Building a Twitter

Opinion Lexicon from Automatically-annotated Tweets, In Knowledge-Based Systems Volume 108, 15 September 2016, Pages 65–78.

5. J.D. Velásquez, Y. Covacevich, F. Molina, E. Marrese-Taylor, C.

Rodríguez, and F. Bravo-Marquez DOCODE 3.0 (DOcument COpy DEtector): A system for plagiarism detection by applying an information fusion process from multiple documental data sources, In Information Fusion Volume 27, January 2016, Pages 64–75.

6. E. Marrese-Taylor, J.D. Velásquez, F. Bravo-Marquez A Novel

Deterministic Approach for Aspect-Based Opinion Mining in Tourism Products Reviews, In Expert Systems with Applications Volume 41, Issue 17, 1 December 2014, Pages 7764–7775.

7. F. Bravo-Marquez, M. Mendoza and B. Poblete Meta-Level Sentiment

Models for Big Social Data Analysis, In Knowledge-Based Systems Volume 69, October 2014, Pages 86–99.


No indexada (por ejemplo, libros, capítulos de libro, revistas con referato): Workshop Papers and International Conferences: 1. A. Ansell, F. Bravo-Marquez, and B. Pfahringer An ELMo-inspired

approach to SemDeep-5's Word-in-Context task. In Proceedings of the 5th Workshop on Semantic Deep Learning (SemDeep-5) co-located with IJCAI 2019 in Macau, China.

2. D. Trye, A. S. Calude, F. Bravo-Marquez, and T. T Keegan Māori Loanwords: A Corpus of New Zealand English Tweets. In Proceedings of the 2019 ACL Student Research Workshop (SRW), Florence, Italy.

3. F. Bravo-Marquez, S. Reeves, and M. Ugarte Proof-of-Learning: a Blockchain Consensus Mechanism based on Machine Learning Competitions. In Proceedings of the 2019 IEEE International Conference on Decentralized Applications and Infrastructures (DAPPCON), April 2019, East Bay, San Francisco, California, USA. Pages 119-124. DOI:10.1109/DAPPCON.2019.00023.

4. S. M. Mohammad, F. Bravo-Marquez, M. Salameh, and S. Kiritchenko Semeval-2018 Task 1: Affect in tweets. In Proceedings of International Workshop on Semantic Evaluation (SemEval-2018), New Orleans, LA, USA, June 2018.


114

5. S. M. Mohammad and F. Bravo-Marquez WASSA-2017 Shared Task on Emotion Intensity, In Proceedings of the EMNLP 2017 Workshop on Computational Approaches to Subjectivity, Sentiment, and Social Media (WASSA), September 2017, Copenhagen, Denmark.

6. S. M. Mohammad and F. Bravo-Marquez Emotion Intensities in Tweets, In *Sem '17: Proceedings of the sixth joint conference on lexical and computational semantics (*Sem), August 2017, Vancouver, Canada.

7. F. Bravo-Marquez, E. Frank, S. M. Mohammad, and B. Pfahringer Determining Word--Emotion Associations from Tweets by Multi-Label Classification, In WI '16: Proceedings of the 2016 IEEE/WIC/ACM International Conference on Web Intelligence, Omaha, Nebraska, USA 2016. Pages 536-539. DOI:10.1109/WI.2016.90

8. F. Bravo-Marquez, E. Frank, and B. Pfahringer From opinion lexicons to sentiment classification of tweets and vice versa: a transfer learning approach, In WI '16: Proceedings of the 2016 IEEE/WIC/ACM International Conference on Web Intelligence, Omaha, Nebraska, USA 2016. Pages 145-152. DOI:10.1109/WI.2016.29

9. F. Bravo-Marquez, E. Frank, and B. Pfahringer Annotate-Sample-Average (ASA): A New Distant Supervision Approach for Twitter Sentiment Analysis, In ECAI '16: Proceedings of the 22nd Biennial European Conference on Artificial Intelligence. The Hague, Holland 2016. IOS press. DOI:10.3233/978-1-61499-672-9-498

10. F. Bravo-Marquez, E. Frank, and B. Pfahringer Positive, Negative, or Neutral: Learning an Expanded Opinion Lexicon from Emoticon-annotated Tweets, In IJCAI '15: Proceedings of the 24th International Joint Conference on Artificial Intelligence. Buenos Aires, Argentina 2015.

11. F. Bravo-Marquez, E. Frank, and B. Pfahringer From Unlabelled Tweets to Twitter-specific Opinion Words, In SIGIR '15: Proceedings of the 38th International ACM SIGIR Conference on Research & Development in Information Retrieval. Santiago, Chile 2015. DOI:10.1145/2766462.2767770

12. E. Marrese-Taylor, J.D. Velásquez, F. Bravo-Marquez OpinionZoom, a modular tool to explore tourism opinions on the Web, In WI '2013: IEEE/WIC/ACM International Conference on Web Intelligence. Industry Track. Atlanta, USA. DOI:10.1109/WI-IAT.2013.19

13. M. Mendoza, F. Bravo-Marquez, B. Poblete, and D. Gayo-Avello Long-memory Time Series Ensembles for Concept Shift Detection, In KDD-BigMine '13 2nd International Workshop on Big Data, Streams and Heterogeneous Source Mining: Algorithms, Systems, Programming Models and Applications. Chicago, USA 2013. DOI:10.1145/2501221.2501225

14. F. Bravo-Marquez, M. Mendoza and B. Poblete Combining Strengths, Emotions and Polarities for Boosting Twitter Sentiment Analysis, In


115

KDD-WISDOM '13: 2nd Workshop on Issues of Sentiment Discovery and Opinion Mining. Chicago, USA 2013. DOI:10.1145/2502069.2502071

15. E. Marrese-Taylor, J.D. Velásquez, F. Bravo-Marquez, Y. Matsuo Identifying Customer Preferences about Tourism Products using an Aspect-Based Opinion Mining Approach, In KES '13: 17th International Conference on Knowledge-Based and Intelligent Information & Engineering Systems. Kitakyushu, Japan, 2013. Procedia Computer Science. DOI:10.1016/j.procs.2013.09.094

16. F. Bravo-Marquez, D. Gayo-Avello, M. Mendoza and B. Poblete Opinion Dynamics of Elections in Twitter, In LA-WEB '12: 8th Latin American Web Congress. Cartagena de Indias, Colombia, 2012. IEEE Computer Society's Conference Publishing Services (CPS). DOI:10.1109/LA-WEB.2012.11

17. F. Bravo-Marquez and M. Manriquez A Zipf-Like Distant Supervision Approach for Multi-Document Summarization Using Wikinews Articles, In SPIRE '12: 19th International Symposium on String Processing and Information Retrieval. Cartagena de Indias, Colombia, 2012. Springer-Verlag. DOI:10.1007/978-3-642-34109-0_15

18. F. Bravo-Marquez, G. L'Huillier, P. Moya, S.A. Rios, and J.D. Velasquez An Automatic Text Comprehension Classifier Based on Mental Models and Latent Semantic Features, In I-KNOW '2011: 11th International Conference on Knowledge Management and Knowledge Technologies. Grass, Austria. ACM ICPS. DOI:10.1145/2024288.2024317

19. F. Bravo-Marquez, G. L'Huillier, S.A. Rios, and J.D. Velasquez A Text Similarity Meta-Search Engine Based on Document Fingerprints and Search Results Records, In WI '2011: IEEE/WIC/ACM International Conference on Web Intelligence. Lyon, France. DOI:10.1109/WI-IAT.2011.27

20. F. Bravo-Marquez, G. L'Huillier, S. Rios, and J.D. Velasquez Hypergeometric Language Model and Zipf-like Scoring Function for Web Document Similarity Retrieval, In SPIRE '10: 17th International Symposium on String Processing and Information Retrieval. Los Cabos, Mexico, 2010. Springer-Verlag. DOI:10.1007/978-3-642-16321-0_32

21. F. Bravo-Marquez, G. L'Huillier, S. Rios, J.D. Velasquez, and L. Guerrero DOCODE-lite: A Meta-Search Engine for Document Similarity Retrieval, In KES '10: 14th International Conference on Knowledge-Based and Intelligent Information & Engineering Systems. Cardiff, Wales, 2010. Springer-Verlag. DOI:10.1007/978-3-642-15390-7_10

Patentes:


116



Nombre del académico Benjamín Eugenio Bustos Cárdenas



Título, institución, país Ingeniero Civil en Computación, Universidad de Chile, Chile


Doctor en Ciencias Naturales, Universidad de Konstanz, 2006, Alemania.


Bases de datos multimedia en industria manufacturera, entretenimiento y otras; Reconocimiento de patrones; bioinformática y búsqueda por contenido


Autor(es), título de la tesis, año, nombre programa de magíster, institución 1. Demian Schkolnik M. A Robust Void-Finding Algorithm

using Computational Geometry and Parallelization

Techniques, 2018, Magíster en Ciencias, Mención

Computación, Universidad de Chile.

2. Camila Álvarez I. Using Automatic Clothing Labeling to

Improve The Quality Of Clothing Retrieval Systems,

2018, Magíster en Ciencias, Mención Computación,

Universidad de Chile.

3. Rodrigo Schulz S. Síntesis de Agarres para Grasping

Robótico a Partir de Nubes de Puntos 3D, 2017,

Magíster en Ciencias, Mención Computación,


4. Felipe Hernández G. Estructura Espacial Urbana de

Movilidad Desde Datos Masivos de Transporte Público

en Santiago de Chile, 2017, Magíster en Ciencias,

Mención Computación, Universidad de Chile.

5. Sebastián Ferrada A. IMGPEDIA: A Large-Scale

Knowledge-Base to Perform Visuo-Semantic Queries



117

Over Wikimedia Commons Images, 2017, Magíster en

Ciencias, Mención Computación, Universidad de Chile.

6. Catalina Espinoza I. Caracterización y Reconocimiento

de Usuarios a través de la Observación de su Movilidad

en Transporte Público, 2017, Magíster en Ciencias,


7. Rafael Meruane N. Evaluación de Algoritmos de

Matching Parcial en Objetos 3D Utilizando un Escáner

3D Optico Portátil, 2015, Magíster en Ciencias,


8. Víctor Sepúlveda B. Indexamiento en Espacios No-

Métricos, 2012, Magíster en Ciencias, Mención

Computación, Universidad de Chile.

9. Jonathan Frez. Establecimiento de Indicadores de

Calidad para el Servicio de Acceso a Internet, 2011,

Magíster en Ciencias, Mención Computación,




1. Heider Sánchez E. Anomaly Detection in Streaming

Multivariate Time Series, 2017, Doctorado en Ciencias, Mención Computación, Universidad de Chile.

2. Iván Sipirán M. Local Features for Shape Matching and

Retrieval, 2014, Doctorado en Ciencias, Mención Computación, Universidad de Chile.

3. Juan Barrios N. Content-Based Video Copy Detection,

2013, Doctorado en Ciencias, Mención Computación, Universidad de Chile.

4. José Saavedra R. Image Descriptions for Sketch Based

Image Retrieval, 2013, Doctorado en Ciencias, Mención Computación, Universidad de Chile.


Publicaciones indexadas ISI: Autor(es), año, nombre, lugar, editorial, estado, ISSN. Incluir factor de impacto de revista, si es pertinente. 1. Navarro, CA; Vernier, M; Bustos, B; Hitschfeld,N:

Competitiveness of a Non-Linear Block-Space GPU Thread Map for Simplex Domains, 2018, IEEE TRANSACTIONS ON PARALLEL AND DISTRIBUTED SYSTEMS.


118

2. Bracamonte, T, Bustos, B, Poblete, B, Schreck,T: Extracting semantic knowledge from web context for multimedia IR: a taxonomy, survey and challenges, 2018,MULTIMEDIA TOOLS AND APPLICATIONS.

3. Pimentel, CAF; Bustos, B; Araujo, AD; Guimaraes, SJF: Combining pixel domain and compressed domain index for sketch based image retrieval, 2017, MULTIMEDIA TOOLS AND APPLICATIONS.

4. Sipiran I.; Lokoc J.; Bustos B.; Skopal T: Scalable 3D shape retrieval using local features and the signature quadratic form distance, 2017, VISUAL COMPUTER.

5. Quintanilla, F; Bustos, B; Bustos, J: Image Descriptor Extraction Using Android Mobile Devices for a Video Search System, 2016, IEEE LATIN AMERICA TRANSACTIONS.

6. Saavedra, JM; Bustos, B: Sketch-based image retrieval using keyshapes, 2014, MULTIMEDIA TOOLS AND APPLICATIONS.

7. Barrios, JM; Bustos, B; Skopal, T: Analyzing and dynamically indexing the query set, 2014, INFORMATION SYSTEMS

8. Sipiran, I; Meruane, R; Bustos, B; Schreck, T; Li, B; Lu, YJ; Johan, H: A benchmark of simulated range images for partial shape retrieval, 2014, VISUAL COMPUTER.

9. Li, B; Lu, YJ; Godil, A; Schreck, T; Bustos, B; Ferreira, A; Furuya, T; Fonseca, MJ; Johan, H; Matsuda, T; Ohbuchi, R; Pascoal, PB; Saavedra, JM: A comparison of methods for sketch-based 3D shape retrieval, 2014, COMPUTER VISION AND IMAGE UNDERSTANDING.

10. Barrios JM; Bustos B: Competitive content-based video copy detection using global descriptors, 2013, MULTIMEDIA TOOLS AND APPLICATIONS.

11. Daoudi M, Nguyen HV, Reuter M, Vandermeulen, D; Hermans, J; Ohbuchi, R; Sipiran, I; Kawamura, S; Ohkita, Y; Smeets, D; Godil, A; Lian, ZH; Kurita, Y; Ohishi, Y; Suetens, P; Bustos, B; Lovoue, G; Porikli, F; Tabia, H: A comparison of methods for non-rigid 3D shape retrieval, 2013, PATTERN RECOGNITION.

12. Sipiran, I; Bustos, B: Key-components: detection of salient regions on 3D meshes, 2013, VISUAL COMPUTER.

13. Sipiran, I;Bustos, B;Schreck, T: Data-aware 3D partitioning for generic shape retrieval, 2013, COMPUTERS & GRAPHICS-UK.


119

14. Skopal, T;Lokoc, J;Bustos, B,: D-Cache: Universal Distance Cache for Metric Access Methods, 2012, IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING.

15. Bustos, B; Schreck, T; Walter, M; Barrios, JM; Schaefer, M; Keim, D: Improving 3D similarity search by enhancing and combining 3D descriptors, 2012, MULTIMEDIA TOOLS AND APPLICATIONS.

16. Bustos, B; Kreft, S; Skopal, T: Adapting metric indexes for searching in multi-metric spaces, 2012, MULTIMEDIA TOOLS AND APPLICATIONS.

17. Sipiran, I; Bustos, B: Harris 3D: a robust extension of the Harris operator for interest point detection on 3D meshes, 2011, VISUAL COMPUTER.

18. Skopal, T; Bustos, B: On Nonmetric Similarity Search Problems in Complex Domains, 2011, ACM COMPUTING SURVEYS.

19. Bustos, B ; Navarro, G: Improving the space cost of k-NN search in metric spaces by using distance estimators, 2009, MULTIMEDIA TOOLS AND APPLICATIONS.




1. Espinoza C., Munizaga M., Bustos B., Trépanier M.: Assessing the public transport travel behavior consistency from smart card data, 2018, Transportation Research Procedia.

2. Ferrada S., Bustos B., Reyes N.: A simple, efficient, parallelizable algorithm for approximated nearest neighbors, 2018, CEUR Workshop Proceedings.

3. Navarro C.A., Vega R., Bustos B., Hitschfeld N.: Block-Space GPU Mapping for Embedded Sierpinski Gasket Fractals, 2018, Proceedings - 2017 IEEE 19th Intl Conference on High Performance Computing and Communications, HPCC 2017, 2017 IEEE 15th Intl Conference on Smart City, SmartCity 2017 and 2017


120

IEEE 3rd Intl Conference on Data Science and Systems, DSS 2017.

4. Tavenard R., Malinowski S., Chapel L., Bailly A., Sanchez H., Bustos B.: Efficient Temporal Kernels Between Feature Sets for Time Series Classification, 2017, Lecture Notes in Computer Science.

5. Ferrada S., Bustos B., Hogan A.: Answering visuo-semantic queries with IMGpedia, 2017, CEUR Workshop Proceedings.

6. Almeida R., Bustos B., do Patrocínio Z.K.G., Jr., Guimarães S.J.F.: Human action classification using an extended BoW formalism, 2017, Lecture Notes in Computer Science.

7. Sanchez H., Bustos B.: Multi-resolution time series discord discovery, 2017, GEOMETRIC MODELING AND PROCESSING - GMP 2006, PROCEEDINGS.

8. Schulz R., Guerrero P., Bustos B.: Directed curvature histograms for robotic grasping, 2017, Eurographics Workshop on 3D Object Retrieval, EG 3DOR.

9. Navarro C.A., Bustos B., Hitschfeld N.: Potential benefits of a block-space GPU approach for discrete tetrahedral domains, 2017, Proceedings of the 2016 42nd Latin American Computing Conference, CLEI 2016.

10. Pimentel, CAF, Bustos, B, Araujo, AD, Guimaraes, SJF: Combining pixel domain and compressed domain index for sketch based image retrieval, 2017, MULTIMEDIA TOOLS AND APPLICATIONS.

11. Ferrada S., Bustos B., Hogan A.: IMGpedia: A linked dataset with content-based analysis of wikimedia images, 2017, Lecture Notes in Computer Science.

12. Biasotti S., Moscoso Thompson E., Aono M., Ben Hamza A., Bustos B., Dong S., Du B., Fehri A., Li H., Limberger F.A., Masoumi M., Rezaei M., Sipiran I., Sun L., Tatsuma A., Velasco Forero S., Wilson R.C., Wu Y., Zhang J., Zhao T., Fornasa F., Giachetti A.: SHREC'17 track: Retrieval of surfaces with similar relief patterns, 2017, Eurographics Workshop on 3D Object Retrieval, EG 3DOR.

13. Limberger F.A., Wilson R.C., Aono M., Audebert N., Boulch A., Bustos B., Giachetti A., Godil A., Le Saux B., Li B., Lu Y., Nguyen H.-D., Nguyen V.-T., Pham V.-K., Sipiran I., Tatsuma A., Tran M.-T., Velasco-Forero S.: SHREC'17 track: Point-cloud shape retrieval of non-


121

rigid toys, 2017, Eurographics Workshop on 3D Object Retrieval, EG 3DOR.

14. Ferrada S., Bustos B., Hogan A.: IMGpedia: Enriching the web of data with image content analysis, 2016, CEUR Workshop Proceedings.

15. Gregor, Robert; Lamprecht, Andreas; Siripan, Iván; Schreck, Tobias; Bustos Cárdenas, Benjamín: Empirical evaluation of dissimilarity measures for 3D object retrieval with application to multi-feature retrieval, 2015, Proceedings - International Workshop on Content-Based Multimedia Indexing.

16. Sipiran I., Bustos B., Schreck T., Bronstein A.M., Choi S., Lai L., Li H., Litman R., Sun L.: SHREC'15 track: Scalability of non-rigid 3D shape retrieval, 2015, Eurographics Workshop on 3D Object Retrieval, EG 3DOR.

17. Godil A., Dutagaci H., Bustos B., Choi S., Dong S., Furuya T., Li H., Link N., Moriyama A., Meruane R., Ohbuchi R., Paulus D., Schreck T., Seib V., Sipiran I., Yin H., Zhang C.: SHREC'15: Range scans based 3D shape retrieval, 2015, Eurographics Workshop on 3D Object Retrieval, EG 3DOR.

18. Bustos Cárdenas, Benjamín; Hogan, Aidan: IMGpedia: A proposal to enrich dbpedia with image meta-data, 2015, CEUR Workshop Proceedings.

19. Sanchez Enriquez, Heider; Bustos Cárdenas, Benjamín: Anomaly detection in streaming time series based on bounding boxes, 2014, Lecture Notes in Computer Science.

20. Sipiran I., Meruane R., Bustos B., Schreck T., Johan H., Li B., Lu Y.: Shrec'13 track: Large-scale partial shape retrieval using simulated range images, 2013, Eurographics Workshop on 3D Object Retrieval, EG 3DOR.

21. Saavedra J.M., Bustos B., Chang V.: An accurate hand segmentation approach using a structure based shape localization technique, 2013, VISAPP 2013 - Proceedings of the International Conference on Computer Vision Theory and Applications.

22. Sipiran Mendoza, Iván; Bustos Cárdenas, Benjamín: A fully hierarchical approach for finding correspondences in non-rigid shapes, 2013, Proceedings of the IEEE International Conference on Computer Vision.


122

23. Bustos Cárdenas, Benjamín; Sipiran Mendoza, Ivan: 3D shape matching for retrieval and recognition, 2012, 3D Imaging, Analysis and Applications.

24. Schreck T, Scherer M, Walter M, Bustos, B; Yoon, S.M; Juijper A.: Graph-based combinations of fragment descriptors for improved 3D object retrieval, 2012, MMSys´12 - Proceedings of the 3rd Multimedia Systems Conference.

25. Barrios J.M; Bustos B; Skopal T.: Snake table: A dynamic pivot table for streams of k-NN searches, 2012, Lecture Notes in Computer Science.

26. Barrios Martinez, Juan; Bustos Cárdenas, Benjamín: PRISMA-ORAND team: Instance search based on parallel approximate searches, 2012, 2012 TREC Video Retrieval Evaluation Notebook Papers.

27. Schreck T., Sharalieva L., Wanner F., Bernard J., Ruppert T., Von Landesberger T., Bustos B.: Visual exploration of local interest points in sets of time series, 2012, IEEE Conference on Visual Analytics Science and Technology 2012, VAST 2012 - Proceedings.

28. Biasotti S., Bai X., Bustos B., Cerri A., Giorgi D., Li L., Mortara M., Sipiran I., Zhang S., Spagnuolo M.: SHREC´12 Track: Stability on abstract shapes, 2012, Eurographics Workshop on 3D Object Retrieval, EG 3DOR.

29. Saavedra J.M., Bustos B., Schreck T., Yoon S., Scherer M.: Sketch-based 3D model retrieval using keyshapes for global and local representation, 2012, Eurographics Workshop on 3D Object Retrieval, EG 3DOR.

30. Li B., Schreck T., Godil A., Alexa M., Boubekeur T., Bustos B., Chen J., Eitz M., Furuya T., Hildebrand K., Huang S., Johan H., Kuijper A., Ohbuchi R., Richter R., Saavedra J.M., Scherer M., Yanagimachi T., Yoon G.J., Yoon S.M.: SHREC´12 track: Sketch-based 3D shape retrieval, 2012, Eurographics Workshop on 3D Object Retrieval, EG 3DOR.

31. Sipiran I., Bustos B.: Key-component detection on 3D meshes using local features, 2012, Eurographics Workshop on 3D Object Retrieval, EG 3DOR.

32. Barrios Núñez, J Manuel; Bustos Cárdenas, Benjamín; Anguera, Xavier: Combining features at search time: PRISMA at video Copy Detection Task, 2011, 2011 TREC Video Retrieval Evaluation Notebook Papers.


123

33. Barrios Núñez, J Manuel; Bustos Cárdenas, Benjamín; Anguera, Xavier: Combining Features at Search Time: PRISMA at TRECVID 2011, 2011, 2011 TREC Video Retrieval Evaluation Notebook Papers.

34. Lian Z., Godil A., Bustos B., Daoudi M., Hermans J., Kawamura S., Kurita Y., Lavoué G., Nguyen H.V., Ohbuchi R., Ohkita Y., Ohishi Y., Porikli F., Reuter M., Sipiran I., Smeets D., Suetens P., Tabia H., Vandermeulen D.: Shrec'11 track: Shape retrieval on non-rigid 3D watertight meshes, 2011, Eurographics Workshop on 3D Object Retrieval, EG 3DOR.

35. Boyer E., Bronstein A.M., Bronstein M.M., Bustos B., Darom T., Horaud R., Hotz I., Keller Y., Keustermans J., Kovnatsky A., Litman R., Reininghaus J., Sipiran I., Smeets D., Suetens P., Vandermeulen D., Zaharescu A., Zobel V.: SHREC 2011: Robust feature detection and description benchmark, 2011, Eurographics Workshop on 3D Object Retrieval, EG 3DOR.

36. Saavedra J.M, Bustos B, Scherer M, Schreck T: STELA: Sketch-based 3D model retrieval using a structure-based local approach, 2011, Proceedings of the 1st ACM International Conference on Multimedia Retrieval, ICMR´11.

37. Barrios J.M; Bustos B.: P-VCD: A pivot-based approach for Content-Based Video Copy Detection, 2011, Proceedings - IEEE International Conference on Multimedia and Expo.

38. Barrios J.M; Bustos B.: Automatic weight selection for multi-metric distances, 2011, Proceedings - 4th International Conference on SImilarity Search and APplications, SISAP 2011.

39. Bustos B; Skopal T.: Non-metric similarity search problems in very large collections, 2011, Proceedings - International Conference on Data Engineering.

40. Sepulveda V; Bustos B.: CP-Index: Using clustering and pivots for indexing non-metric spaces, 2010, Proceedings - 3rd International Conference on SImilarity Search and APplications, SISAP 2010.

41. Kreft S; Bustos B.: Rank-mixer and rank-booster: Improving the effectiveness of retrieval methods, 2010, xxLecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics).

42. Poblete B, Bustos B, Mendoza M, Barrios J.M.: Visual-semantic graphs: Using queries to reduce the semantic


124

gap in Web image retrieval, 2010, International Conference on Information and Knowledge Management, Proceedings.

43. Bustos B; Morales N.: On the asymptotic behavior of nearest neighbor search using pivot-based indexes, 2010, Proceedings - 3rd International Conference on SImilarity Search and APplications, SISAP 2010.

44. Saavedra J.M; Bustos B.: An improved histogram of edge local orientations for sketch-based image retrieval, 2010, xxLecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics).

45. Barrios Núñez, J Manuel; Bustos Cárdenas, Benjamín: Content-based video copy detection: PRISMA at TRECVID 2010, 2010, 2010 TREC Video Retrieval Evaluation Notebook Papers.

46. Sipiran I., Bustos B.: A robust 3D interest points detector based on harris operator, 2010, Eurographics Workshop on 3D Object Retrieval, EG 3DOR.

Patentes:


1. Transforming multimedia data for indexing and retrieval purposes, Cooperación Internacional: Multilateral y vinculación, Programa Regional TIC-AMSUD, 2018, Investigador principal.

2. Efficient GPU computing in complex particle-based domains, FONDECYT, Postdoctorado, 2015-2018, Investigador asociado.

3. Efficient 3D Shape Matching Using Local Descriptors, FONDECYT, Regular, 2014-2017, Investigador principal.

4. Unsupervised Multimedia Content Mining, Cooperación Internacional: Multilateral y vinculación, Programa Regional TIC-AMSUD, 2013-2014, Investigador principal.

5. Interest points detection algorithms for 3D shape matching, FONDECYT, Regular, 2011-2014, Investigador principal.

6. Desarrollo de un sistema de expresión optimizado para la producción de anticuerpos terapéuticos, FONDEF, Investigación y Desarrollo (I+D), 2010-2016, Investigador asociado.

7. Observatorios escalables de la web en tiempo real, FONDEF, Investigación y Desarrollo (I+D), 2009-2012, Investigador principal.


125

8. Effective and efficient retrieval in multimedia databases, FONDECYT, Iniciación en Investigación, 2007-2009, Investigador principal.


Nombre del académico Aidan Hogan


Claustro, Profesor Asistente

Título, institución, país N.A


Ph.D. Computer Science, 1999, Wesleyan University, Estados Unidos. PhD Computer Science, 2011, National University of Ireland, Irlanda.


Web Semántica, Bases de Datos, Lógica y razonamiento


Autor(es), título de la tesis, año, nombre programa de magíster, institución 1. Larry González G., Modelling Dynamics of RDF Graphs

with Formal Concept Analysis, 2018, Magíster en Ciencias, Mención Computación, Universidad de Chile.

2. Jaime Salas T., Canonicalisation of SPARQL Queries, 2018, Magíster en Ciencias, Mención Computación.

3. José Moreno V., A Faceted Browsing Interface for Diverse Large-Scale RDF Datasets, 2018, Magíster en Ciencias, Mención Computación, Universidad de Chile.

4. Sebastián Ferrada A., IMGPEDIA: A Large-Scale Knowledge-Base to Perform Visuo-Semantic Queries Over Wikimedia Commons Images, 2017, Magíster en Ciencias, Mención Computación, Universidad de Chile.

5. César Villalobos L., Análisis de Archivos Logs Semi-Estructurados de Ambientes Web Usando Tecnologás Big-Data, 2016, Magíster en Tecnologías de la Información, Universidad de Chile.







126

1. Khan, Y; Saleem, M; Mehdi, M; Hogan, A; Mehmood, Q; Rebholz-Schuhmann, D; Sahay, R: SAFE: SPARQL Federation over RDF Data Cubes with Access Control, 2017, JOURNAL OF BIOMEDICAL SEMANTICS.

2. Vandenbussche, PY; Umbrich, J; Matteis, L; Hogan, A; Buil-Aranda, C: SPARQLES: Monitoring public SPARQL endpoints, 2017, SEMANTIC WEB.

3. Hogan, A: Canonical forms for isomorphic and equivalent RDF graphs: Algorithms for leaning and labelling blank nodes, 2017, ACM TRANSACTIONS ON THE WEB.

4. Angles, R; Arenas, M; Barcelo, P; Hogan, A; Reutter, J; Vrgoc, D: Foundations of modern query languages for graph databases, 2017, ACM COMPUTING SURVEYS.

5. Hasnain, A; Mehmood, Q; Zainab, SSE; Hogan, A: SPORTAL: Profiling the Content of Public SPARQL Endpoints, 2016, INTERNATIONAL JOURNAL ON SEMANTIC WEB AND INFORMATION SYSTEMS.

6. Hogan, A;Hitzler, P;Janowicz, K: Linked Dataset description papers at the Semantic Web journal: A critical assessment, 2016, SEMANTIC WEB.

7. Umbrich, J; Hogan, A; Polleres, A; Decker, S: Link traversal querying for a diverse Web of Data, 2015, SEMANTIC WEB.

Hogan, A;Arenas, M;Mallea, A;Polleres, A: Everything you always wanted to know about blank nodes, 2014, JOURNAL OF WEB SEMANTICS.


No indexada (por ejemplo, libros, capítulos de libro, revistas con referato): Autor(es), año, nombre, lugar, editorial, estado. Libros:

Capítulos de Libros:


1. Rios P., Hogan A.: PubTag: Generating Research Tag-Clouds with Keyphrase Extraction and Learning-to-Rank, 2019, Proceedings - 2018 IEEE/WIC/ACM International Conference on Web Intelligence, WI 2018.


127

2. Rosales-Méndez H., Hogan A., Poblete B.: Nifify: Towards better quality entity linking datasets, 2019, The Web Conference 2019 - Companion of the World Wide Web Conference, WWW 2019.

3. Lehmann J., Auer S., Capadisli S., Janowicz K., Bizer C., Heath T., Hogan A., Berners-Lee T.: LDOW2017: 10th Workshop on linked data on the web, 2019, 26th International World Wide Web Conference 2017, WWW 2017 Companion.

4. Rosales-Méndez H., Poblete B., Hogan A.: What should entity linking link?, 2018, CEUR Workshop Proceedings.

5. Tartari G., Hogan A.: WISP: Weighted shortest paths for RDF graphs, 2018, CEUR Workshop Proceedings.

6. Moreno-Vega J., Hogan A.: GraFa: Scalable faceted browsing for RDF graphs, 2018, Lecture Notes in Computer Science.

7. Salas J., Hogan A.: Canonicalisation of monotone SPARQL queries, 2018, Lecture Notes in Computer Science.

8. Hernández D., Gutierrez C., Hogan A.: Certain answers for SPARQL with blank nodes, 2018, Lecture Notes in Computer Science.

9. Hasnain A., Mehmood Q., Zainab S.S., Hogan A.: SPORTAL: Profiling the content of public SPARQL endpoints, 2018, Information Retrieval and Management: Concepts, Methodologies, Tools, and Applications.

10. Rosales-Méndez H., Hogan A., Poblete B.: VoxEL: A benchmark dataset for multilingual entity linking, 2018, Lecture Notes in Computer Science.

11. González L., Hogan A.: A data-driven graph schema, 2018, CEUR Workshop Proceedings.

12. Bracamonte T., Hogan A., Poblete B.: Applying community detection methods to cluster tags in multimedia search results, 2017, Proceedings - 2016 IEEE International Symposium on Multimedia, ISM 2016.

13. Rosales-Mendez H., Poblete B., Hogan A.: Multilingual entity linking: Comparing English and Spanish, 2017, CEUR Workshop Proceedings.

14. Ferrada S., Bustos B., Hogan A.: Answering visuo-semantic queries with IMGpedia, 2017, CEUR Workshop Proceedings.


128

15. Ferrada S., Bustos B., Hogan A.: IMGpedia: A linked dataset with content-based analysis of wikimedia images, 2017, Lecture Notes in Computer Science.

16. Ferrada S., Bustos B., Hogan A.: IMGpedia: Enriching the web of data with image content analysis, 2016, CEUR Workshop Proceedings.

17. Hasnain A., Mehmood Q., Sana E Zainab S., Hogan A.: SPORTAL: Searching for public SPARQL endpoints, 2016, CEUR Workshop Proceedings.

18. Hernández D., Hogan A., Riveros C., Rojas C., Zerega E.: Querying Wikidata: Comparing SPARQL, relational and graph databases, 2016, Lecture Notes in Computer Science.

19. Gutierrez C., Hernández D., Hogan A., Polleres A.: Certain answers for SPARQL, 2016, CEUR Workshop Proceedings.

20. Matteis, Luca; Hogan, Aidan; Navigli, Roberto: Keyword-based navigation and search over the linked data web, 2015, CEUR Workshop Proceedings.

21. Bustos Cárdenas, Benjamín; Hogan, Aidan: IMGpedia: A proposal to enrich dbpedia with image meta-data, 2015, CEUR Workshop Proceedings.

22. Hogan A.: Skolemising blank nodes while preserving isomorphism, 2015, WWW 2015 - Proceedings of the 24th International Conference on World Wide Web.

23. Saleem M., Ali M.I., Hogan A., Mehmood Q., Ngonga Ngomo A.-C.: LSQ: The linked SPARQL queries dataset, 2015, Lecture Notes in Computer Science.

24. Hernández Hernández, Daniel; Hogan, Aidan; Krötzsch, Markus: Reifying RDF: What works well with wikidata?, 2015, CEUR Workshop Proceedings.

25. Muñoz, Emir; Hogan, Aidan; Mileo, Alessandra: Using linked data to mine RDF from Wikipedia´s tables, 2014, WSDM 2014 - Proceedings of the 7th ACM International Conference on Web Search and Data Mining.

26. Hogan, Aidan: Reasoning techniques for the Web of data, 2014, Reasoning Techniques for the Web of Data.

27. Castillo, Carlos; Freyne, Jill; Atzmueller, Martin; Vassileva, Julita; Ardissono, Liliana; Bieliková, Mária; Hogan, Aidan; Ferres, Leo; Mora García, David; Groza, Tudor V.; Herder, Eelco; Hsiao, Sharon; Ruffo, Giancarlo: HT'14 late-breaking results and doctoral consortium - Preface -, 2014, CEUR Workshop Proceedings.


129

28. Mehdi, M; Iqbal, A; Hogan, Aidan; Hasnain, A; Khan, Y; Decker, S; Sahay, R: Discovering domain-specific public sparql endpoints: A life-sciences use-case, 2014, ACM International Conference Proceeding Series.

29. Hogan, Aidan; Gutierrez Gallardo, Claudio: Paths towards the sustainable consumption of semantic data on the Web, 2014, CEUR Workshop Proceedings.

30. Khan, Yasar; Saleem, Muhammad Qaiser; Iqbal, Aftab; Mehdi, Muntazir Mohsin; Hogan, Aidan; Hasapis, Panagiotis; Gonga Ngomo, Axel Cyrille; Decker, Stefan; Sahay, Ratnesh: SAFE: Policy aware SPARQL query federation over RDF data cubes, 2014, CEUR Workshop Proceedings.

31. Umbrich J., Gutierrez C., Hogan A., Karnstedt M., Xavier Parreira J.: Eight Fallacies when querying the Web of Data, 2013, Proceedings - International Conference on Data Engineering.



Título, fuente de financiamiento, duración, año de adjudicación y tipo de Investigación 9. Managing Dynamic Behaviour in SPARQL Query

Services, FONDECYT, Regular, 2018-2022, Investigador principal.

10. Adoption-centric specification of Semantic Web language profiles, FONDECYT, Iniciación en Investigación, 2014-2017, Investigador principal.



Nombre del académico Alejandro Jofré



Título, institución, país Ingeniero Civil Matemático, Universidad de Chile, Chile.


PhD. Applied Mathematics, Université de Pau, 1984, France.


- Optimization: Variational Analysis, Sensitivity and stochastic optimization. - Economics: Game theory, dynamic equilibrium theory under uncertainty, energy markets and pricing, costs

27 Si se estima necesario, indicar todos los grados académicos obtenidos o equivalentes.


130

analysis and computational economics. Regulation in telecommunication, energy and water systems.


1. Thesis for degree of Mathematical Engineering and master on operation research. Risk analysis and optimization for short term planning decisions in underground mines. Carlos Flores (Noviembre 2015).

2. Thesis for degree of Mathematical Engineering and master in Applied Economics. Computing and sensitivity analysis for an equilibrium in incomplete market: a duality approach. Julio Deride (2011).


1. Doctoral Thesis Sebastien Postic. Research Fields: Impact of climate change on energy source. In progress. Joint with Ecole Polytechnique (Defense December 2015)

2. Doctoral Thesis Philip Thompson . Research Fields: stochastic variational inequalities. In progress. Joint thesis IMPA-Brazil ( Defense December 2015).

3. Doctoral Thesis Benjamin Heymann. Research Fields: Principal agent models and electricity markets. In progress. Joint with Ecole Polytechnique

4. Doctoral Thesis Nicolas Hernandez. Research Fields: Principal agent models on variational inequalities. In progress.

5. Doctoral Thesis Juan E. Perez. Research Fields: Location and operation in mobile network. (Defense January 2012)

6. Doctoral Thesis of Fabian Medel. Research Fields: Regulation in telecomunication. (Defense December2011).


Publicaciones indexadas ISI: Autor(es), año, nombre, lugar, editorial, estado, ISSN. Incluir factor de impacto de revista, si es pertinente. 1. Iusem, AN; Jofre, A; Thompson, P: Incremental

Constraint Projection Methods for Monotone Stochastic Variational Inequalities, 2019, MATHEMATICS OF OPERATIONS RESEARCH.

2. Iusem, AN; Jofre, A; Oliveira, RI; Thompson, P: VARIANCE-BASED EXTRAGRADIENT METHODS WITH LINE SEARCH FOR STOCHASTIC VARIATIONAL INEQUALITIES, 2019, SIAM JOURNAL ON OPTIMIZATION.

3. Jofre, A; Thompson, P: On variance reduction for stochastic smooth convex optimization with

28 Marcar con negrilla las tesis dirigidas en el mismo programa.


131

multiplicative noise, 2019, MATHEMATICAL PROGRAMMING.

4. Deride, J; Jofre, A; Wets, RJB: Solving Deterministic and Stochastic Equilibrium Problems via Augmented Walrasian, 2019, COMPUTATIONAL ECONOMICS.

5. Jofre, A; Pham, H; Sagastizabal, C; Zidani, H: Set-Valued and Variational Analysis Preface, 2018, SET-VALUED AND VARIATIONAL ANALYSIS.

6. Jofre, A; Rockafellar, RT; Wets, RJB: General economic equilibrium with financial markets and retainability, 2017, ECONOMIC THEORY.

7. Iusem, AN, Jofre, A, Oliveira, RI; Thompson, P: EXTRAGRADIENT METHOD WITH VARIANCE REDUCTION FOR STOCHASTIC VARIATIONAL INEQUALITIES, 2017, SIAM JOURNAL ON OPTIMIZATION.

8. Jofre, A;Jourani, A: Characterizations of the free disposal condition for nonconvex economies on infinite dimensional commodity spaces, 2015, SIAM JOURNAL ON OPTIMIZATION.

9. Bravo, C; Davison, M; Jofre, A; Weber, R: Untitled, 2015, INTELLIGENT DATA ANALYSIS.

10. Ronnqvist, M; D'Amours, S; Weintraub, A; Jofré, A; Gunn, E; Haight, RG; Martell, D; Murray, AT; Romero, C: Operations Research challenges in forestry: 33 open problems, 2015, ANNALS OF OPERATIONS RESEARCH.

11. Jofre, A;Rockafellar, RT;Wets, RJB: Convex analysis and financial equilibrium, 2014, MATHEMATICAL PROGRAMMING.

12. Jofre, A;Wets, RJB: VARIATIONAL CONVERGENCE OF BIFUNCTIONS: MOTIVATING APPLICATIONS, 2014, SIAM JOURNAL ON OPTIMIZATION.

13. Palma-Benhke, R; Philpott, A; Jofre, A; Cortes-Carmona, M: Modelling network constrained economic dispatch problems, 2013, OPTIMIZATION AND ENGINEERING.

14. Escobar, JF ; Jofre, A: Monopolistic competition in electricity networks with resistance losses, 2010, ECONOMIC THEORY.




132

Autor(es), año, nombre, lugar, editorial, estado. Capítulos de Libros:

1. Educational Interfaces between Mathematics and Industry. EIMI 2010. Chapter 1.




Título, fuente de financiamiento, duración, año de adjudicación y tipo de Investigación 1. Inverse source detection in fractured media,

application to safety assessment in underground mines, Cooperación Internacional: Proyectos bilaterales, Proyectos de intercambio CONICYT/ECOS-Francia, 2019-2022, Investigador asociado.

2. Centro de Modelamiento Matemático, Programa de Investigación Asociativa, Apoyo Centros Científicos y Tecn. de Excelencia con Financ. Basal, 2018-2021, Investigador asociado.

3. Creación de un Instituto Tecnológico Público para la Resiliencia ante Desastres de Origen Natural (ITReND), INNOVA, Fort. Capacidades Innovación, 2018-2028, Investigador principal.

4. Stability of optimization and variational systems with applications to natural resources management, Cooperación Internacional: Multilateral y vinculación, Apoyo a la Formación de Redes Internacionales_Centros, 2018-2020, Investigador asociado.

5. Diseño de un instituto público para la resiliencia frente a desastres de origen natural, INNOVA, Fort. Capacidades Innovación, 2016-2017, Investigador asociado.

6. Limit sets of cellular automata associated to probability measures, FONDECYT, Postdoctorado, 2012-2015, Investigador asociado.

7. Classifying renewal systems, FONDECYT, Postdoctorado, 2012-2015, Investigador asociado.

8. Coupled equilibria in mixd-networks: Modelisation, methods, and applications, FONDECYT, Postdoctorado, 2011-2014, Investigador asociado.

9. Laboratorio Nacional de Computación de Alto Rendimiento (NL-HPC), Programa de Investigación


133

Asociativa, I Concurso para Centros de Equipamiento Científico, 2010-2020, Investigador asociado.

10. Instituto Sistemas Complejos de Ingeniería, Programa Financiamiento Basal, Basal, 2008-2023, Investigador asociado.

11. Optimal management of renewable resources and its relation with optimal growth theory, FONDECYT, Postdoctorado, 2008-2010, Investigador asociado.

12. Centro de modelamiento matemático, Programa Financiamiento Basal, Basal, 2007-2020, Investigador asociado.

13. Instituto Científico Milenio de Sistemas Complejos de Ingeniería, Iniciativa científica Milenio, Institutos Milenios, 2007-2017, Investigador asociado.



Nombre del académico Joaquín Fontbona Torres





PhD in Mathematics, Université Pierre et Marie Curie, 2004, France.


Procesos Estocásticos, Teoría Ergodica y Modelamiento Estocástico


1. Camila Brito P., Teoría de Matrices Aleatorias Aplicada al Análisis Estadístico de un Modelo de Factores, 2016, Magíster en Ciencias de la Ingeniería, Mención Matemáticas Aplicadas, Universidad de Chile.


1. Héctor Olivero Q., Strong convergence of a Milstein scheme for a CEV-like SDE and some contributions to the analysis of the stochastic Morris Lecar neuron model, 2016, Doctorado en Ciencias de la Ingeniería, Mención Modelación Matemática, Universidad de Chile.

2. Roberto Cortez M., Propagación de caos para sistemas de partículas de interacción de salto puro, 2015, Doctorado en Ciencias de la Ingeniería, Mención Modelación Matemática, Universidad de Chile.



134

3. María Fittipaldi, Representation Results For Continuous-State Branching Processes And Logistic Branching Processes, 2014, Doctorado en Ciencias de la Ingeniería, Mención Modelación Matemática, Universidad de Chile.

4. Alejandra Christen, Comportamiento asintótico de los procesos de Markov deterministas por pedazos, 2012, Doctorado en Ciencias de la Ingeniería, Mención Modelación Matemática, Universidad de Chile.


Publicaciones indexadas ISI: Autor(es), año, nombre, lugar, editorial, estado, ISSN. Incluir factor de impacto de revista, si es pertinente. 1. Bossy, M; Fontbona, J; Olivero, H: Synchronization of

stochastic mean field networks of Hodgkin¿Huxley neurons with noisy channels, 2019, JOURNAL OF MATHEMATICAL BIOLOGY.

2. Cortez R., Fontbona J.: Quantitative Uniform Propagation of Chaos for Maxwell Molecules, 2018, COMMUNICATIONS IN MATHEMATICAL PHYSICS.

3. Neira D., Soto G., Fontbona J., Prado J., Gaete S.: A nondisruptive reliability approach to assess the health of microseismic sensing networks, 2018, APPLIED STOCHASTIC MODELS IN BUSINESS AND INDUSTRY.

4. Berestycki, J; Fittipaldi, MC; Fontbona, J: Ray¿Knight representation of flows of branching processes with competition by pruning of Lévy trees, 2018, PROBABILITY THEORY AND RELATED FIELDS.

5. Bolley, F; Chafai, D; Fontbona, J: Dynamics of a planar coulomb gas, 2018, ANNALS OF APPLIED PROBABILITY.

6. Fontbona, J; Panloup, F: Rate of convergence to equilibrium of fractional driven stochastic differential equations with some multiplicative noise, 2017, ANNALES DE L INSTITUT HENRI POINCARE-PROBABILITES ET STATISTIQUES.

7. Fontbona, J; Gozlan, N; Jabir, JF: A variational approach to some transport inequalities, 2017, ANNALES DE L INSTITUT HENRI POINCARE-PROBABILITES ET STATISTIQUES.

8. Bardet, JB; Christen, A; Fontbona, J: Quantitative Exponential Bounds for the Renewal Theorem with Spread-Out Distributions, 2017, MARKOV PROCESSES AND RELATED FIELDS.


135

9. Fontbona, J; Guerin, H; Malrieu, F: Long time behavior of telegraph processes under convex potentials, 2016, STOCHASTIC PROCESSES AND THEIR APPLICATIONS.

10. Fontbona, J;Jourdain, B: A TRAJECTORIAL INTERPRETATION OF THE DISSIPATIONS OF ENTROPY AND FISHER INFORMATION FOR STOCHASTIC DIFFERENTIAL EQUATIONS, 2016, ANNALS OF PROBABILITY.

11. Soto, G; Fontbona, J; Cortez, R; Mujica, L: An online two-stage adaptive algorithm for strain profile estimation from noisy and abruptly changing BOTDR data and application to underground mines, 2016, MEASUREMENT.

12. Cortez, R; Fontbona, J: QUANTITATIVE PROPAGATION OF CHAOS FOR GENERALIZED KAC PARTICLE SYSTEMS, 2016, ANNALS OF APPLIED PROBABILITY.

13. Veraguas, JD; Fontbona, J: Robust Utility Maximization without Model Compactness, 2016, SIAM JOURNAL ON FINANCIAL MATHEMATICS.

14. Fontbona, J; Meleard, S: Non local Lotka-Volterra system with cross-diffusion in an heterogeneous medium, 2015, JOURNAL OF MATHEMATICAL BIOLOGY.

15. Fontbona, J;Jourdain, B: On the Long Time Behaviour of Stochastic Vortices Systems, 2014, MARKOV PROCESSES AND RELATED FIELDS.

16. Bossy, M;Fontbona, J;Jabin, PE;Jabir, JF: Local Existence of Analytical Solutions to an Incompressible Lagrangian Stochastic Model in a Periodic Domain, 2013, COMMUNICATIONS IN PARTIAL DIFFERENTIAL EQUATIONS.

17. Guerin H;Malrieu F;Fontbona J: QUANTITATIVE ESTIMATES FOR THE LONG-TIME BEHAVIOR OF AN ERGODIC VARIANT OF THE TELEGRAPH PROCESS, 2012, ADVANCES IN APPLIED PROBABILITY.

18. Fittipaldi MC;Fontbona J: On SDE associated with continuous-state branching processes conditioned to never be extinct, 2012, ELECTRONIC COMMUNICATIONS IN PROBABILITY.

19. Fontbona, J: STOCHASTIC VORTEX METHOD FOR FORCED THREE-DIMENSIONAL NAVIER-STOKES EQUATIONS AND PATHWISE CONVERGENCE RATE, 2010, ANNALS OF APPLIED PROBABILITY.

20. Fontbona, J ; Guerin, H ; Meleard, S: MEASURABILITY OF OPTIMAL TRANSPORTATION AND STRONG


136

COUPLING OF MARTINGALE MEASURES, 2010, ELECTRONIC COMMUNICATIONS IN PROBABILITY.

21. Fontbona, J ; Krell, N ; Martinez, S: ENERGY EFFICIENCY OF CONSECUTIVE FRAGMENTATION PROCESSES, 2010, JOURNAL OF APPLIED PROBABILITY.

22. Barrera, J ; Fontbona, J: THE LIMITING MOVE-TO-FRONT SEARCH-COST IN LAW OF LARGE NUMBERS ASYMPTOTIC REGIMES, 2010, ANNALS OF APPLIED PROBABILITY.


No indexada (por ejemplo, libros, capítulos de libro, revistas con referato): Autor(es), nombre, año, lugar (Título Revista), editorial, estado, ISSN. Incluir factor de impacto de revista, si es pertinente. Libros Capítulos de libros Workshop Papers and International Conferences: 1. Fontbona J., Ramírez C. H., Riquelme V., Silva F.J.:

Stochastic modeling and control of bioreactors, 2017, IFAC-PapersOnLine.



Título, fuente de financiamiento, duración, año de adjudicación y tipo de Investigación 1. Centro de Modelamiento Matemático, Programa de

Investigación Asociativa, Apoyo Centros Científicos y Tecn. de Excelencia con Financ. Basal, 2018-2021, Investigador asociado.

2. Percolation with applications to micro-structural models in geomechanics, FONDECYT, Postdoctorado, 2015-2017, Investigador asociado.

3. Quantitative trend to equilibrium for some continuous time Markov processes and propagation of chaos for interacting mean field particle models, FONDECYT, Regular, 2015-2019, Investigador asociado.


137

4. Large scale behavior of stochastic systems-LSBS, Cooperación Internacional: Multilateral y vinculación, Programa Regional MATH-AMSUD, 2014-2015, Investigador asociado.

5. Núcleo milenio modelos estocásticos de sistemas complejos y desordenados, Iniciativa científica Milenio, Núcleos Milenio, 2012-2019, Investigador asociado.

6. Variational properties and long-time behavior of some Markov processes and applications, FONDECYT, Regular, 2011-2015, Investigador asociado.

7. Modelamiento matemático por manejo de recursos naturales (MOMARE), Cooperación Internacional: Multilateral y vinculación, Programa Regional TIC-AMSUD, 2010-2012, Investigador asociado.

8. Probabilistic approach for some nonlinear kinetic equations, FONDECYT, Postdoctorado, 2009-2011, Investigador asociado.


10. Stochastic mean field models: singular interactions, long time behavior, and applications to some non linear p.d.e., FONDECYT, Regular, 2007-2011, Investigador asociado.



Nombre del académico Felipe Arturo Tobar Henríquez


Claustro, Profesor Adjunto.



PhD in Adaptive Signal Processing, Imperial College London, 2014, Reino Unido.


Aprendizaje de Máquinas y Procesamiento de Señales


1. Lerko Araya H. Un enfoque moderno para la estimación espectral probabilística, 2019, Magíster en Ciencias de la Ingeniería, Mención Eléctrica, Universidad de Chile.



138

2. Iván Castro O. Predicción no lineal en línea de series de tiempo mediante el uso y mejora de algoritmos de filtros adaptivos de Kernel, 2018, Magíster en Ciencias de la Ingeniería, Mención Eléctrica, Universidad de Chile.

3. Gabriel Parra V. Spectral Mixture Kernels for Multi-Output Gaussian Processes, 2017, Magíster en Ciencias de la Ingeniería, Mención Matemáticas Aplicadas, Universidad de Chile.




1. G. Rios and F. Tobar, ‘Compositionally-warped Gaussian process’, Neural Networks, vol. 118, pp. 235–246, 2019.

2. J. Dunstan, M. Aguirre, M. Bastías, C. Nau, T. A. Glass, and F. Tobar, ‘Predicting nationwide obesity from food sales using machine learning’, Health Informatics Journal, p. 1460458219845959, 2019.

3. B. Poblete, J. Guzman, J. Maldonado, and F. Tobar, ‘Robust detection of extreme events using Twitter: Worldwide earthquake monitoring’, IEEE Transactions on Multimedia, vol. 20, no. 10, pp. 2551–2561, 2018.

4. F. Tobar, I. Castro, J. Silva, and M. Orchard, ‘Improving battery voltage prediction in an electric bicycle using altitude measurements and kernel adaptive filters’, Pattern Recognition Letters, vol. 105, pp. 200–206, 2018.

5. D. Cabrera, F. Sancho, M. Cerrada, R.-V. Sánchez, and F. Tobar, ‘Echo state network and variational autoencoder for efficient one-class learning on dynamical systems’, Journal of Intelligent & Fuzzy Systems., vol. 34, no. 6, pp. 3799–3809, 2018.

6. F. Tobar, G. Rios, T. Valdivia, and P. Guerrero, ‘Recovering latent signals from a mixture of measurements using a Gaussian process prior’, IEEE Signal Processing Letters, vol. 24, no. 2, pp. 231–235, 2017.

7. F. Tobar and D. Mandic, ‘Design of positive-definite quaternion kernels’, IEEE Signal Processing Letters, vol. 22, no. 11, pp. 2117–2121, 2015.

8. F. Tobar, P. Djurić, and D. Mandic, ‘Unsupervised state-space modeling using reproducing kernels’, IEEE Trans.


139

on Signal Processing, vol. 63, no. 19, pp. 5210–5221, 2015.

9. F. A. Tobar, S. Kung, and D. P. Mandic, ‘Multikernel Least Mean Square Algorithm’, IEEE Transactions on Neural Networks and Learning Systems, vol. 25, no. 2, pp. 265–277, 2014.

10. F. Tobar and D. Mandic, ‘Quaternion reproducing kernel Hilbert spaces: Existence and uniqueness conditionss’, IEEE Trans. on Inf. Theory, vol. 60, no. 9, pp. 5736–5749, 2014.


No indexada (por ejemplo, libros, capítulos de libro, revistas con referato): Capítulos de libros F. Tobar and D. Mandic. “High-dimensional kernels: Tricks and Treats”. In: Trends in Digital Signal Processing: A Festschrift in Honour of A.G. Constantinides. Ed. by Yong Ching Lim, Hon Keung Kwan, and Wan-Chi Siu. Pan Stanford, 2015. Workshop Papers and International Conferences: 1. C. Valenzuela and F. Tobar, ‘Low-pass filtering as

Bayesian inference ’, Proc. of IEEE ICASSP, 2019, pp. 3367–3371.

2. F. Tobar, ‘Bayesian Nonparametric Spectral Estimation’, in Advances in Neural Information Processing Systems 31, 2018, pp. 10148–10158.

3. G. Rios and F. Tobar, ‘The Box-Cox Gaussian Process’, in Proc. of the IEEE International Joint Conference on Neural Networks, 2018, pp. 1–8.

4. G. Parra and F. Tobar, ‘Spectral Mixture Kernels for Multioutput Gaussian Processes’, in Advances in Neural Information Processing Systems 30, 2017, pp. 6681--6690.

5. F. Tobar, ‘Improving sparsity in kernel adaptive filters using a unit-norm dictionary’, in Proc. of the 22nd International Conference on Digital Signal Processing (DSP), 2017, pp. 1–5.


140

6. A. Cuevas, A. Veragua, S. Español, G. Chiang, and F. Tobar, ‘Unsupervised Blue Whale Call Detection Using Multiple Time-Frequency Features’, in Proc. of IEEE Chilecon, 2017, pp. 1–6.

7. I. Castro, C. Silva, and F. Tobar, ‘Initialising kernel adaptive filters via probabilistic inference’, in Proc. of the 22nd International Conference on Digital Signal Processing (DSP), 2017, pp. 1–5.

8. D. Cabrera, F. Sancho, and F. Tobar, ‘Combining reservoir computing and variational inference for efficient one-class learning on dynamical systems’, in Proc. of the IEEE International Conference on Sensing, Diagnostics, Prognostics, and Control (SDPC), 2017, pp. 57–62.

9. L. Araya-Hernández, J. Silva, A. Osses, and F. Tobar, ‘A Bayesian mixture-of-Gaussians model for astronomical observations in interferometry’, in Proc. of IEEE Chilecon, 2017.

10. F. Tobar and R. Turner, ‘Modelling time series via automatic learning of basis functions’, in Proc. of the IEEE Sensor Array and Multichannel Signal Processing Workshop (SAM), 2016, pp. 1–5.

11. T. Thanthawaritthisai, F. Tobar, A. Constantinides, and D. Mandic, ‘The widely linear quaternion recursive total least squares’, in Proc. of the IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), 2015, pp. 3357–3361.

12. F. Tobar and R. Turner, ‘Modelling of complex signals using Gaussian processes’, in Proc. of the IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), 2015, pp. 2209–2213.

13. F. Tobar, T. Bui, and R. Turner, ‘Learning stationary time series using Gaussian processes with nonparametric kernels’, in Advances in Neural Information Processing Systems 28, 2015, pp. 3501--3509.

14. F. Tobar, M. Orchard, D. Mandic, and A. Constantinides, ‘Estimation of financial indices volatility using a model with time-varying parameters’, in Proc. of IEEE Conference on Computational Intelligence for Financial Engineering Economics (CIFEr), 2014, pp. 318–324.

15. F. Tobar and D. Mandic, ‘A particle filtering based kernel HMM predictor’, in Proc. of the IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), 2014, pp. 7969–7973.


141

16. F. Tobar and D. Mandic, ‘The quaternion kernel least squares’, in Proc. of the IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), 2013, pp. 6128–6132.

17. F. Tobar and D. Mandic, ‘Multikernel least squares estimation’, in Proc. of the Sensor Signal Processing for Defence Conference(SSPD), 2012, pp. 1–5.

18. F. Tobar, A. Kuh, and D. Mandic, ‘A novel augmented complex valued kernel LMS’, in Proc. of the 7th IEEE Sensor Array and Multichannel Signal Processing Workshop, 2012, pp. 473–476.

19. A. Ahrabian, D. Looney, F. Tobar, J. Hallatt, and D. Mandic, ‘Noise assisted multivariate empirical mode decomposition applied to Doppler radar data’, in Proc. of the Sensor Signal Processing for Defence Conference(SSPD), 2012, pp. 1–4.

20. F. Tobar, L. Yacher, R. Paredes, and M. Orchard, ‘Anomaly detection in power generation plants using similarity-based modeling and multivariate analysis’, in Proc. of the American Control Conference (ACC), 2011, pp. 1940–1945.

Patentes:


1. Novel Machine Learning methods using Optimal Transport: Theory, Algorithms and Applications, FONDECYT, Postdoctorado, 2019-2022, Investigador asociado.

2. On the relationship between Gaussian process regression and spectral estimation, FONDECYT, Iniciación en Investigación, 2017-2020, Investigador principal.

3. Sistema de detección y clasificación mineralógica rápida basado en análisis hiperespectral, FONDEF, IDEA, 2016-2018, Investigador asociado.

4. Machine Learning meets Signal Processing, CONICYT-PAI, Apoyo al retorno, 2015-2017, Investigador principal.


Nombre del académico Daniel Ilan Remenik Zisis





142


PhD. Applied Mathematics, Cornell University, EE.UU., 2009


Airy Process, Directed Random Polymers, Evolution Growth Kardar-Parisi-Zhang Universality Class y Particle Systems


1. Nicolás Zalduendo V. Puentes Brownianos no-intersectantes y la familia de matrices invariantes de Laguerre, 2019, Magíster en Ciencias de la Ingeniería, Mención Matemáticas Aplicadas, Universidad de Chile.

2. Camilo Iturra C. Tasa de convergencia de la velocidad asintótica de un sistema de partículas de tipo Brunet-Derrida, 2016, Magíster en Ciencias de la Ingeniería, Mención Matemáticas Aplicadas, Universidad de Chile.

3. Felipe Muñoz H. Extensiones de un teorema límite para un modelo basado en agentes, 2016, Magíster en Ciencias de la Ingeniería, Mención Matemáticas Aplicadas, Universidad de Chile.

4. Camila Brito P. Teoría de Matrices Aleatorias Aplicada al Análisis Estadístico de un Modelo de Factores, 2016, Magíster en Ciencias de la Ingeniería, Mención Matemáticas Aplicadas, Universidad de Chile.

5. Luis Fredes C. Coexistencia y cascadas de bifurcaciones en una familia de sistemas de partículas caóticas, 2015, Magíster en Gestión de Operaciones, Universidad de Chile.


1. Amitai Linker G. Contact processes on evolving environments, 2019, Doctorado en Ciencias de la Ingeniería, Mención Modelación Matemática, Universidad de Chile.

2. Nikolas Tapia M. Directed Polymers and Rough Paths, 2018, Doctorado en Ciencias de la Ingeniería, Mención Modelación Matemática, Universidad de Chile.


Publicaciones indexadas ISI: 1. Quastel, J; Remenik, D: HOW FLAT IS FLAT IN RANDOM

INTERFACE GROWTH?, 2019, TRANSACTIONS OF THE AMERICAN MATHEMATICAL SOCIETY.



143

2. Nguyen, GB; Remenik, D: Extreme statistics of non-intersecting Brownian paths, 2017, ELECTRONIC JOURNAL OF PROBABILITY.

3. Nguyen, GB; Remenik, D: Non-intersecting Brownian bridges and the Laguerre Orthogonal Ensemble, 2017, ANNALES DE L INSTITUT HENRI POINCARE-PROBABILITES ET STATISTIQUES.

4. Ortmann, J; Quastel, J; Remenik, D: A Pfaffian Representation for Flat ASEP, 2017, COMMUNICATIONS ON PURE AND APPLIED MATHEMATICS.

5. Ortmann, J;Quastel, J;Remenik, D: EXACT FORMULAS FOR RANDOM GROWTH WITH HALF-FLAT INITIAL DATA, 2016, ANNALS OF APPLIED PROBABILITY.

6. de Espanes, PM;Rapaport, I;Remenik, D;Urrutia, J: Robust Reconstruction of Barabasi-Albert Networks in the Broadcast Congested Clique Model, 2016, NETWORKS.

7. Quastel, J; Remenik, D: Tails of the endpoint distribution of directed polymers, 2015, ANNALES DE L INSTITUT HENRI POINCARE-PROBABILITES ET STATISTIQUES.

8. Corwin, I; Quastel, J; Remenik, D: Renormalization Fixed Point of the KPZ Universality Class, 2015, JOURNAL OF STATISTICAL PHYSICS.

9. Borodin, A; Corwin, I; Remenik, D: Multiplicative functionals on ensembles of non-intersecting paths, 2015, ANNALES DE L INSTITUT HENRI POINCARE-PROBABILITES ET STATISTIQUES.

10. Borodin, A; Corwin, I; Remenik, D: A Classical Limit of Noumi's q-Integral Operator, 2015, SYMMETRY INTEGRABILITY AND GEOMETRY-METHODS AND APPLICATIONS.

11. Quastel J;Remenik D;Flores GM: Endpoint Distribution of Directed Polymers in 1+1 Dimensions, 2013, COMMUNICATIONS IN MATHEMATICAL PHYSICS.

12. Quastel, J;Remenik, D: Local behavior and hitting probabilities of the process, 2013, PROBABILITY THEORY AND RELATED FIELDS.

13. Borodin, A;Corwin, I;Remenik, D: Log-Gamma Polymer Free Energy Fluctuations via a Fredholm Determinant Identity, 2013, COMMUNICATIONS IN MATHEMATICAL PHYSICS.


144

14. Quastel J;Remenik D: Supremum of the Airy(2) Process Minus a Parabola on a Half Line, 2013, JOURNAL OF STATISTICAL PHYSICS.

15. Remenik D;Corwin I;Quastel J: Continuum Statistics of the Airy(2) Process, 2013, COMMUNICATIONS IN MATHEMATICAL PHYSICS.

16. Durrett, R;Remenik, D: Evolution of dispersal distance, 2012, JOURNAL OF MATHEMATICAL BIOLOGY.

17. Quastel, J;Remenik, D: LOCAL BROWNIAN PROPERTY OF THE NARROW WEDGE SOLUTION OF THE KPZ EQUATION, 2011, ELECTRONIC COMMUNICATIONS IN PROBABILITY.


No indexada (por ejemplo, libros, capítulos de libro, revistas con referato): Capítulos de libros 1. Quastel, J; Remenik Zisis, Daniel; Remenik, Daniel: Airy

processes and variational problems, 2014, Springer Proceedings in Mathematics and Statistics.





2. Exact formulas for models in the KPZ universality class, FONDECYT, Regular, 2016-2020, Investigador principal.

3. Núcleo milenio modelos estocásticos de sistemas complejos y desordenados, Iniciativa científica Milenio, Núcleos Milenio, 2012-2019, Investigador asociado.

4. Interacting particle systems, growth models, and applications to statistical physics and biology, FONDECYT, Regular, 2012-2016, Investigador principal.


Director de investigación en colaboración entre CMM y NoiseGrasp, startup dedicado a la optimización del mix de medios en marketing usando herramientas de ciencia de datos; 2014 al presente.


145

Nombre del académico Alejandro Eduardo Maass Sepúlveda





PhD in Pure Mathematics, Université d'Aix-Marseille II, 1994, Francia.


Teoría Ergódica, Sistemas dinámicos, Sistemas biológicos y bioinformática


1. Christopher Cabezas A. Cubos dinámicos direccionales para Z^d-sistemas minimales, 2018, Magíster en Ciencias de la Ingeniería, Mención Matemáticas Aplicadas, Universidad de Chile.

2. Felipe Arbulu L. Contribución al estudio de valores propios y mezcla débil en transformaciones de intercambios de intervalos y sistemas geométricos afines, 2018, Magíster en Ciencias de la Ingeniería, Mención Matemáticas Aplicadas, Universidad de Chile.

3. Martín Ríos W. Modelo Matemático de la Homeostasis de Cobre en Enterococcus Faecalis, 2017, Magíster en Ciencias de la Ingeniería, Mención Matemáticas Aplicadas, Universidad de Chile.

4. Juan Marshall M. Módulo de continuidad para medidas de correlación en sistemas substitutivos de Tilings, 2017, Magíster en Ciencias de la Ingeniería, Mención Matemáticas Aplicadas, Universidad de Chile.

5. Francisco Arana H. Condición de Boshernitzan en sistemas minimales de Cantor, 2016, Magíster en Ciencias de la Ingeniería, Mención Matemáticas Aplicadas, Universidad de Chile.

6. Rodolfo Gutiérrez R. Intervalos errantes en transformaciones de intercambio de intervalos afines, 2015, Magíster en Ciencias de la Ingeniería, Mención Matemáticas Aplicadas, Universidad de Chile.


1. Sebastián Donoso F. Contributions to ergodic theory and topological dynamics: cube structures and automorphisms, 2015, Doctorado en Ciencias de la Ingeniería, Mención Modelación Matemática, Universidad de Chile.

2. Alexander Frank M. Contribución al estudio de valores propios en sistemas de Bratteli-Vershik de rango finito,



146

2014, Doctorado en Ciencias de la Ingeniería, Mención Modelación Matemática, Universidad de Chile.

3. Andrés Aravena D. Probabilistic and constraint based modelling to determine regulation events from heterogeneous biological data, 2013, Doctorado en Ciencias de la Ingeniería, Mención Modelación Matemática, Universidad de Chile.


Publicaciones indexadas ISI: Autor(es), año, nombre, lugar, editorial, estado, ISSN. Incluir factor de impacto de revista, si es pertinente. 1. Vidal, EA; Moyano, TC; Bustos, BI; Perez-Palma, E;

Moraga, C; Riveras, E; Montecinos, A; Azocar, L; Soto, DC; Vidal, M; Di Genoval, A; Puschel, K; Nurnberg, P; Buch, S; Hampe, J; Allende, ML; Cambiazo, V; Gonzalez, M; Hodar, C; Montecino, M; Munoz-Espinoza, C; Orellana, A; Reyes-Jara, A; Travisanyl, D; Vizoso, P; Moraga, M; Eyheramendy, S; Maass, A; De Ferrari, GV; Mique, JF; Gutierrez, RA: Whole Genome Sequence, Variant Discovery and Annotation in Mapuche-Huilliche Native South Americans, 2019, SCIENTIFIC REPORTS.

2. Heirendt, L; Arreckx, S; Pfau, T; Mendoza, SN; Richelle, A; Heinken, A; Haraldsdottir, HS; Wachowiak, J; Keating, SM; Vlasov, V; Magnusdottir, S; Ng, CY; Preciat, G; Zagare, A; Chan, SHJ; Aurich, MK; Clancy, CM; Modamio, J; Sauls, JT; Noronha, A; Bordbar, A; Cousins, B; El Assal, DC; Valcarcel, LV; Apaolaza, I; Ghaderi, S; Ahookhosh, M; Ben Guebila, M; Kostromins, A; Sompairac, N; Le, HM; Ma, D; Sun, YK; Wang, L; Yurkovich, JT; Oliveira, MAP; Vuong, PT; El Assal, LP; Kuperstein, I; Zinovyev, A; Hinton, HS; Bryant, WA; Artacho, FJA; Planes, FJ; Stalidzans, E; Maass, A; Vempala, S; Hucka, M; Saunders, MA; Maranas, CD; Lewis, NE; Sauter, T; Palsson, BO; Thiele, I; Fleming, RMT: Creation and analysis of biochemical constraint-based models using the COBRA Toolbox v.3.0, 2019, NATURE PROTOCOLS.

3. Lopez, ME; Benestan, L; Moore, JS; Perrier, C; Gilbey, J; Di Genova, A; Maass, A; Diaz, D; Lhorente, JP; Correa, K; Neira, R; Bernatchez, L; Yanez, JM: Comparing genomic signatures of domestication in two Atlantic salmon (Salmo salar L.) populations with different geographical origins, 2019, EVOLUTIONARY APPLICATIONS.


147

4. Durand, F; Frank, A; Maass, A: Eigenvalues of minimal Cantor systems, 2019, JOURNAL OF THE EUROPEAN MATHEMATICAL SOCIETY.

5. Fernandez-Gomez, B; Maldonado, J; Mandakovic, D; Gaete, A; Gutierrez, RA; Maass, A; Cambiazo, V; Gonzalez, M: Bacterial communities associated to Chilean altiplanic native plants from the Andean grasslands soils, 2019, SCIENTIFIC REPORTS.

6. Aite, M; Chevallier, M; Frioux, C; Trottier, C; Got, J; Cortes, MP; Mendoza, SN; Carrier, G; Dameron, O; Guillaudeux, N; Latorre, M; Loira, N; Markov, GV; Maass, A; Siegel, A: Traceability, reproducibility and wiki-exploration for ¿à-la-carte¿ reconstructions of genome-scale metabolic models, 2018, PLOS COMPUTATIONAL BIOLOGY.

7. Mandakovic, D; Rojas, C; Maldonado, J; Latorre, M; Travisany, D; Delage, E; Bihouee, A; Jean, G; Diaz, FP; Fernandez-Gomez, B; Cabrera, P; Gaete, A; Latorre, C; Gutierrez, RA; Maass, A; Cambiazo, V; Navarrete, SA; Eveillard, D; Gonzalez, M: Structure and co-occurrence patterns in microbial communities under acute environmental stress reveal ecological factors fostering resilience, 2018, SCIENTIFIC REPORTS.

8. Cobo, M; Gutierrez-Romo, R; Maass, A: Characterization of minimal sequences associated with self-similar interval exchange maps, 2018, NONLINEARITY.

9. Narum, SR; Di Genova, A; Micheletti, SJ; Maass, A: Genomic variation underlying complex life-history traits revealed by genome sequencing in Chinook salmon, 2018, PROCEEDINGS OF THE ROYAL SOCIETY B-BIOLOGICAL SCIENCES.

10. Latorre, M; Quenti, D; Travisany, D; Singh, KV; Murray, BE; Maass, A; Cambiazo, V: The Role of Fur in the Transcriptional and Iron Homeostatic Response of Enterococcus faecalis, 2018, FRONTIERS IN MICROBIOLOGY.

11. Di Genova, A; Ruz, GA; Sagot, MF; Maass, A: Fast-SG: an alignment-free algorithm for hybrid assembly, 2018, GIGASCIENCE.

12. Meacham, KA; Cortes, MP; Wiggins, EM; Maass, A; Latorre, M; Ralle, M; Burkhead, JL: Altered zinc balance in the Atp7b-/- mouse reveals a mechanism of copper toxicity in Wilson disease, 2018, METALLOMICS.


148

13. Cobo, M; Gutierrez-Romo, R; Maass, A: Wandering intervals in affine extensions of self-similar interval exchange maps: The cubic Arnoux-Yoccoz map, 2018, ERGODIC THEORY AND DYNAMICAL SYSTEMS.

14. Lopez, ME; Correa, K; Di Genova, A; Moore, JS; Perrier, C; Bernatchez, L; Gilbey, J; Soto, C; Bassini, L; Maass, A; Neira, R; Figueroa, R; Lhorente, JP; Yanez, JM: IDENTIFYING PARALLEL AND NON-PARALLEL GENOMIC CHANGES BETWEEN INDEPENDENT PAIRS OF WILD/DOMESTIC ATLANTIC SALMON POPULATIONS USING A HIGH DENSITY SNP ARRAY, 2017, AQUACULTURE.

15. Yanez, JM; Correa, K; Lopez, ME; Lhorente, JP; Figueroa, R; Bassini, L; Di Genova, A; Maass, A: EXTENT OF GENOME-WIDE LINKAGE DISEQUILIBRIUM IN FARMED ATLANTIC SALMON (Salmo salar L.) USING HIGHDENSITY GENOTYPES, 2017, AQUACULTURE.

16. Correa, K; Lhorente, JP; Lopez, ME; Figueroa, R; Bassini, L; Di Genova, A; Maass, A; Davidson, W; Yanez, JM: GENOME WIDE ASSOCIATION ANALYSIS REVEALS GENETIC ARCHITECTURE OF THE RESISTANCE TO Piscirickettsia Salmonis IN ATLANTIC SALMON (Salmo salar L.), 2017, AQUACULTURE.

17. Correa, K; Lhorente, JP; Lopez, ME; Figuera, R; Bassini, L; Di Genova, A; Maass, A; Davidson, W; Yanez, JM: GENOME WIDE ASSOCIATION ANALYSIS FOR RESISTANCE TO Caligus rogercresseyi IN ATLANTIC SALMON (Salmo salar L.), 2017, AQUACULTURE.

18. Lam, N; Cordova, V; Ulloa, P; Araneda, C; Di Genova, A; Maass, A; Iturra, P: RESPONSE OF GENES INVOLVED IN LIPID METABOLISM OF ATLANTIC SALMON FAMILIES FED TO PARTIAL PLANT OIL-DIET, 2017, AQUACULTURE.

19. Cortes, MP; Mendoza, SN; Travisany, D; Gaete, A; Siegel, A; Cambiazo, V; Maass, A: Analysis of Piscirickettsia salmonis Metabolism Using Genome-Scale Reconstruction, Modeling, and Testing, 2017, FRONTIERS IN MICROBIOLOGY.

20. Correa, K; Lhorente, JP; Bassini, L; Lopez, ME; Di Genova, A; Maass, A; Davidson, WS; Yanez, JM: Genome wide association study for resistance to Caligus rogercresseyi in Atlantic salmon (Salmo salar L.) using a 50K SNP genotyping array, 2017, AQUACULTURE.


149

21. Loira N., Mendoza S., Paz Cortés M., Rojas N., Travisany D., Di Genova A., Gajardo N., Ehrenfeld N., Maass A.: Reconstruction of the microalga Nannochloropsis salina genome-scale metabolic model with applications to lipid production, 2017, BMC SYSTEMS BIOLOGY.

22. Pastenes, L; Valdivieso, C; Di Genova, A; Travisany, D; Hart, A; Montecino, M; Orellana, A; Gonzalez, M; Gutierrez, RA; Allende, ML; Maass, A; Mendez, MA: Global gene expression analysis provides insight into local adaptation to geothermal streams in tadpoles of the Andean toad Rhinella spinulosa, 2017, SCIENTIFIC REPORTS.

23. Macqueen D.J., Primmer C.R., Houston R.D., Nowak B.F., Bernatchez L., Bergseth S., Davidson W.S., Gallardo-Escárate C., Goldammer T., Guiguen Y., Iturra P., Kijas J.W., Koop B.F., Lien S., Maass A., Martin S.A.M., McGinnity P., Montecino M., Naish K.A., Nichols K.M., Ólafsson K., Omholt S.W., Palti Y., Plastow G.S., Rexroad C.E., Rise M.L., Ritchie R.J., Sandve S.R., Schulte P.M., Tello A., Vidal R., Vik J.O., Wargelius A., Yáñez J.M.: Functional Annotation of All Salmonid Genomes (FAASG): An international initiative supporting future salmonid research, conservation and aquaculture, 2017, BMC GENOMICS.

24. Bordron, P;Latorre, M;Cortes, MP;Gonzalez, M;Thiele, S;Siegel, A;Maass, A;Eveillard, D: Putative bacterial interactions from metagenomic knowledge with an integrative systems ecology approach, 2016, MICROBIOLOGYOPEN.

25. Latorre, M; Ehrenfeld, N; Cortes, MP; Travisany, D; Budinich, M; Aravena, A; Gonzalez, M; Bobadilla-Fazzini, RA; Parada, P; Maass, A: Global transcriptional responses of Acidithiobacillus ferrooxidans Wenelen under different sulfide minerals, 2016, BIORESOURCE TECHNOLOGY.

26. Alvarez, C;Aravena, A;Tapia, T;Rozenblum, E;Solis, L;Corvalan, A;Camus, M;Alvarez, M;Munroe, D;Maass, A;Carvallo, P: Different Array CGH profiles within hereditary breast cancer tumors associated to BRCA1 expression and overall survival, 2016, BMC CANCER.

27. Acuna, V; Aravena, A; Guziolowski, C; Eveillard, D; Siegel, A; Maass, A: Deciphering transcriptional regulations coordinating the response to environmental changes, 2016, BMC BIOINFORMATICS.


150

28. Host, B;Kra, B;Maass, A: Variations on topological recurrence, 2016, MONATSHEFTE FUR MATHEMATIK.

29. Donoso, S; Durand, F; Maass, A; Petite, S: On automorphism groups of low complexity subshifts, 2016, ERGODIC THEORY AND DYNAMICAL SYSTEMS.

30. Munoz-Espinoza, C; Di Genova, A; Correa, J; Silva, R; Maass, A; Gonzalez-Aguero, M; Orellana, A; Hinrichsen, P: Transcriptome profiling of grapevine seedless segregants during berry development reveals candidate genes associated with berry weight, 2016, BMC PLANT BIOLOGY.

31. Latorre, M; Cortes, MP; Travisany, D; Di Genova, A; Budinich, M; Reyes-Jara, A; Hodar, C; Gonzalez, M; Parada, P; Bobadilla-Fazzini, RA; Cambiazo, V; Maass, A: The bioleaching potential of a bacterial consortium, 2016, BIORESOURCE TECHNOLOGY.

32. Yanez, JM; Naswa, S; Lopez, ME; Bassini, L; Correa, K; Gilbey, J; Bernatchez, L; Norris, A; Neira, R; Lhorente, JP; Schnable, PS; Newman, S; Mileham, A; Deeb, N; Di Genova, A; Maass, A: Genomewide single nucleotide polymorphism discovery in Atlantic salmon (Salmo salar): validation in wild and farmed American and European populations, 2016, MOLECULAR ECOLOGY RESOURCES.

33. Lien, S; Koop, BF; Sandve, SR; Miller, JR; Kent, MP; Nome, T; Hvidsten, TR; Leong, JS; Minkley, DR; Zimin, A; Grammes, F; Grove, H; Gjuvsland, A; Walenz, B; Hermansen, RA; von Schalburg, K; Rondeau, EB; Di Genova, A; Samy, JKA; Vik, JO; Vigeland, MD; Caler, L; Grimholt, U; Jentoft, S; Vage, DI; de Jong, P; Moen, T; Baranski, M; Palti, Y; Smith, DR; Yorke, JA; Nederbragt, AJ; Tooming-Klunderud, A; Jakobsen, KS; Jiang, XT; Fan, DD; Liberles, DA; Vidal, R; Iturra, P; Jones, SJM; Jonassen, I; Maass, A; Omholt, SW; Davidson, WS: The Atlantic salmon genome provides insights into rediploidization, 2016, NATURE.

34. DebRoy, S; Saldana, M; Travisany, D; Montano, A; Galloway-Pena, J; Horstmann, N; Yao, H; Gonzalez, M; Maass, A; Latorre, M; Shelburne, SA: A Multi-Serotype Approach Clarifies the Catabolite Control Protein A Regulon in the Major Human Pathogen Group A Streptococcus, 2016, SCIENTIFIC REPORTS.

35. Pulgar, R;Travisany, D;Zuniga, A;Maass, A;Cambiazo, V: Complete genome sequence of Piscirickettsia salmonis


151

LF-89 (ATCC VR-1361) a major pathogen of farmed salmonid fish, 2015, JOURNAL OF BIOTECHNOLOGY.

36. Correa, K;Lhorente, JP;Lopez, ME;Bassini, L;Naswa, S;Deeb, N;Di Genova, A;Maass, A;Davidson, WS;Yanez, JM: Genome-wide association analysis reveals loci associated with resistance against Piscirickettsia salmonis in two Atlantic salmon (Salmo salar L.) chromosomes, 2015, BMC GENOMICS.

37. Arismendi, MJ; Almada, R; Pimentel, P; Bastias, A; Salvatierra, A; Rojas, P; Hinrichsen, P; Pinto, M; Di Genova, A; Travisany, D; Maass, A; Sagredo, B: Transcriptome sequencing of Prunus sp rootstocks roots to identify candidate genes involved in the response to root hypoxia, 2015, TREE GENETICS & GENOMES.

38. Zhao, M; Andrieu-Soler, C; Kowalczuk, L; Cortes, MP; Berdugo, M; Dernigoghossian, M; Halili, F; Jeanny, JC; Goldenberg, B; Savoldelli, M; El Sanharawi, M; Naud, MC; van Ijcken, W; Pescini-Gobert, R; Martinet, D; Maass, A; Wijnholds, J; Crisanti, P; Rivolta, C; Behar-Cohen, F: A New CRB1 Rat Mutation Links Muller Glial Cells to Retinal Telangiectasia, 2015, JOURNAL OF NEUROSCIENCE.

39. Pulgar, R; Hodar, C; Travisany, D; Zuniga, A; Dominguez, C; Maass, A; Gonzalez, M; Cambiazo, V: Transcriptional response of Atlantic salmon families to Piscirickettsia salmonis infection highlights the relevance of the iron-deprivation defence system, 2015, BMC GENOMICS.

40. Smedley, D;Haider, S;Durinck, S;Pandini, L;Provero, P;Allen, J;Arnaiz, O;Awedh, MH;Baldock, R;Barbiera, G;Bardou, P;Beck, T;Blake, A;Bonierbale, M;Brookes, AJ;Bucci, G;Buetti, I;Burge, S;Cabau, C;Carlson, JW;Chelala, C;Chrysostomou, C;Cittaro, D;Collin, O;Cordova, R;Cutts, RJ;Dassi, E;Di Genova, A;Djari, A;Esposito, A;Estrella, H;Eyras, E;Fernandez-Banet, J;Forbes, S;Free, RC;Fujisawa, T;Gadaleta, E;Garcia-Manteiga, JM;Goodstein, D;Gray, K;Guerra-Assuncao, JA;Haggarty, B;Han, DJ;Han, BW;Harris, T;Harshbarger, J;Hastings, RK;Hayes, RD;Hoede, C;Hu, S;Hu, ZL;Hutchins, L;Kan, ZY;Kawaji, H;Keliet, A;Kerhornou, A;Kim, S;Kinsella, R;Klopp, C;Kong, L;Lawson, D;Lazarevic, D;Lee, JH;Letellier, T;Li, CY;Lio, P;Liu, CJ;Luo, J;Maass, A;Mariette, J;Maurel, T;Merella, S;Mohamed, AM;Moreews, F;Nabihoudine, I;Ndegwa,


152

N;Noirot, C;Perez-Llamas, C;Primig, M;Quattrone, A;Quesneville, H;Rambaldi, D;Reecy, J;Riba, M;Rosanoff, S;Saddiq, AA;Salas, E;Sallou, O;Shepherd, R;Simon, R;Sperling, L;Spooner, W;Staines, DM;Steinbach, D;Stone, K;Stupka, E;Teague, JW;Ullah, AZD;Wang, J;Ware, D;Wong-Erasmus, M;Youens-Clark, K;Zadissa, A;Zhang, SJ;Kasprzyk, A: The BioMart community portal: An innovative alternative to large, centralized data repositories, 2015, NUCLEIC ACIDS RESEARCH.

41. Durand, F; Frank, A; Maass, A: Eigenvalues of Toeplitz minimal systems of finite topological rank, 2015, ERGODIC THEORY AND DYNAMICAL SYSTEMS.

42. Downarowicz, T;Travisany, D;Montecino, M;Maass, A: Symbolic Extensions Applied to Multiscale Structure of Genomes, 2014, ACTA BIOTHEORETICA.

43. Assar, R;Montecino, MA;Maass, A;Sherman, DJ: Modeling acclimatization by hybrid systems: Condition changes alter biological system behavior models, 2014, BIOSYSTEMS.

44. Host, B;Kra, B;Maass, A: Complexity of nilsystems and systems lacking nilfactors, 2014, JOURNAL D ANALYSE MATHEMATIQUE.

45. Abarca, F;Gutierrez-Maldonado, SE;Parada, P;Martinez, P;Maass, A;Perez-Acle, T: Insights on the structure and stability of Licanantase: a trimeric acid-stable coiled-coil lipoprotein from Acidithiobacillus thiooxidans, 2014, PEERJ.

46. Hodar, C;Zuriiga, A;Pulgar, R;Travisany, D;Chacon, C;Pino, M;Maass, A;Cambiazo, V: Comparative gene expression analysis of Dtg, a novel target gene of Dpp signaling pathway in the early Drosophila melanogaster embryo, 2014, GENE.

47. Latorre, M;Galloway-Pena, J;Roh, JH;Budinich, M;Reyes-Jara, A;Murray, BE;Maass, A;Gonzalez, M: Enterococcus faecalis reconfigures its transcriptional regulatory network activation at different copper levels, 2014, METALLOMICS.

48. Di Genova, A;Almeida, AM;Munoz-Espinoza, C;Vizoso, P;Travisany, D;Moraga, C;Pinto, M;Hinrichsen, P;Orellana, A;Maass, A: Whole genome comparison between table and wine grapes reveals a comprehensive catalog of structural variants, 2014, BMC PLANT BIOLOGY.


153

49. Travisany, D;Cortes, MP;Latorre, M;Di Genova, A;Budinich, M;Bobadilla-Fazzini, RA;Parada, P;Gonzalez, M;Maass, A: A new genome of Acidithiobacillus thiooxidans provides insights into adaptation to a bioleaching environment, 2014, RESEARCH IN MICROBIOLOGY.

50. Bobadilla-Fazzini, RA;Cortes, MP;Maass, A;Parada, P: Sulfobacillus thermosulfidooxidans strain Cutipay enhances chalcopyrite bioleaching under moderate thermophilic conditions in the presence of chloride ion, 2014, AMB EXPRESS.

51. Ye XD;Dong PD;Donoso S;Maass A;Shao S: Infinite-step nilsystems, independence and complexity, 2013, ERGODIC THEORY AND DYNAMICAL SYSTEMS.

52. Borquez, DA;Olmos, C;Alvarez, S;Di Genova, A;Maass, A;Gonzalez-Billault, C: Bioinformatic survey for new physiological substrates of Cyclin-dependent kinase 5, 2013, GENOMICS.

53. Gonzalez-Aguero, M;Garcia-Rojas, M;Di Genova, A;Correa, J;Maass, A;Orellana, A;Hinrichsen, P: Identification of two putative reference genes from grapevine suitable for gene expression analysis in berry and related tissues derived from RNA-Seq data, 2013, BMC GENOMICS.

54. Sharma, SK;Bolser, D;de Boer, J;Sonderkaer, M;Amoros, W;Carboni, MF;D'Ambrosio, JM;de la Cruz, G;Di Genova, A;Douches, DS;Eguiluz, M;Guo, X;Guzman, F;Hackett, CA;Hamilton, JP;Li, GC;Li, Y;Lozano, R;Maass, A;Marshall, D;Martinez, D;McLean, K;Mejia, N;Milne, L;Munive, S;Nagy, I;Ponce, O;Ramirez, M;Simon, R;Thomson, SJ;Torres, Y;Waugh, R;Zhang, ZH;Huang, SW;Visser, RGF;Bachem, CWB;Sagredo, B;Feingold, SE;Orjeda, G;Veilleux, RE;Bonierbale, M;Jacobs, JME;Milbourne, D;Martin, DMA;Bryan, GJ: Construction of Reference Chromosome-Scale Pseudomolecules for Potato: Integrating the Potato Genome with Genetic and Physical Maps, 2013, G3-GENES GENOMES GENETICS.

55. Ohtsuka N;Hirayama A;Parada P;Budinich M;Tomita M;Cortes MP;Soga T;Martinez P;Serpell C;Martinez S;Galvez S;Nakahigashi K;Maass A: Metabolomic study of Chilean biomining bacteria Acidithiobacillus ferrooxidans strain Wenelen and Acidithiobacillus thiooxidans strain Licanantay, 2013, METABOLOMICS.


154

56. Utreras, E;Henriquez, D;Contreras-Vallejos, E;Olmos, C;Di Genova, A;Maass, A;Kulkarni, AB;Gonzalez-Billault, C: Cdk5 regulates Rap1 activity, 2013, NEUROCHEMISTRY INTERNATIONAL.

57. Fazzini, RAB;Cortes, MP;Padilla, L;Maturana, D;Budinich, M;Maass, A;Parada, P: Stoichiometric modeling of oxidation of reduced inorganic sulfur compounds (Riscs) in Acidithiobacillus thiooxidans, 2013, BIOTECHNOLOGY AND BIOENGINEERING.

58. Hodar, C;Moreno, P;di Genova, A;Latorre, M;Reyes-Jara, A;Maass, A;Gonzalez, M;Cambiazo, V: Genome wide identification of Acidithiobacillus ferrooxidans (ATCC 23270) transcription factors and comparative analysis of ArsR and MerR metal regulators, 2012, BIOMETALS.

59. Parada P;Travisany D;Maass A;Di Genova A;Sepulveda A;Bobadilla-Fazzini RA: Draft Genome Sequence of the Sulfobacillus thermosulfidooxidans Cutipay Strain, an Indigenous Bacterium Isolated from a Naturally Extreme Mining Environment in Northern Chile, 2012, JOURNAL OF BACTERIOLOGY.

60. Di Genova, A;Aravena, A;Zapata, L;Gonzalez, M;Maass, A;Iturra, P: SalmonDB: a bioinformatics resource for Salmo salar and Oncorhynchus mykiss, 2011, DATABASE-THE JOURNAL OF BIOLOGICAL DATABASES AND CURATION.

61. Bressaud, X ; Hubert, P ; Maass, A: Persistence of wandering intervals in self-similar affine interval exchange transformations, 2010, ERGODIC THEORY AND DYNAMICAL SYSTEMS.

62. Davidson, WS ; Koop, BF ; Jones, SJM ; Iturra, P ; Vidal, R ; Maass, A ; Jonassen, I ; Lien, S ; Omholt, SW: Sequencing the genome of the Atlantic salmon (Salmo salar), 2010, GENOME BIOLOGY.

63. Host, B ; Kra, B ; Maass, A: Nilsequences and a structure theorem for topological dynamical systems, 2010, ADVANCES IN MATHEMATICS.

64. Hodar, C ; Assar, R ; Colombres, M ; Aravena, A ; Pavez, L ; Gonzalez, M ; Martinez, S ; Inestrosa, NC ; Maass, A: Genome-wide identification of new Wnt/beta-catenin target genes in the human genome using CART method, 2010, BMC GENOMICS.

65. Bressaud, X ; Durand, F ; Maass, A: On the eigenvalues of finite rank Bratteli-Vershik dynamical systems, 2010, ERGODIC THEORY AND DYNAMICAL SYSTEMS.


155


No indexada (por ejemplo, libros, capítulos de libro, revistas con referato): Libros 1. N. Fatès, E. Goles, A. Maass, I. Rapaport. Automata 2011

- 17th International Workshop on Cellular Automata and Discrete Complex Systems, 2012, Discrete Mathematics & Theoretical Computer Science Proceedings (DMTCS).

Workshop Papers and International Conferences: 1. Mardones W., Di Genova A., Cortés M.P., Travisany D.,

Maass A., Eyzaguirre J.: The genome sequence of the soft-rot fungus Penicillium purpurogenum reveals a high gene dosage for lignocellulolytic enzymes, 2018, Mycology.

2. Donoso S., Durand F., Maass A., Petite S.: On automorphism groups of Toeplitz subshifts, 2017, Discrete Analysis.

3. Huang W., Ojaimi C., Fallon J.T., Travisany D., Maass A., Ivanova L., Tomova A., González-Acuña D., Godfrey H.P., Cabello F.C.: Genome sequence of Borrelia chilensis VA1, a South American member of the Lyme borreliosis group, 2015, Genome Announcements.

4. Assar Cuevas, Rodrigo; Maass Sepúlveda, Alejandro; López Fernández, Joaquín; Kofman, Ernesto; Montecino Leonard, Martín: Modeling cell decisions in bone formation, 2015, Springer Proceedings in Mathematics and Statistics.

5. Muñoz C., Di Genova A., Maass A., Orellana A., Hinrichsen P., Aravena A.: Vitis vinifera genome annotation improvement using next-generation sequencing technologies and NCBI public data, 2014, Acta Horticulturae.

6. Acuña V., Aravena A., Maass A., Siegel A.: Modeling parsimonious putative regulatory networks: Complexity and heuristic approach, 2014, Lecture Notes in Computer Science.


156

7. Brodron, Philippe; Maass Sepúlveda, Alejandro; Eveillard, Damien; Siegel, Anne; Thiele, Sven: An ASP application in integrative biology: Identification of functional gene units, 2013, Lecture Notes in Computer Science.

Patentes: Autor(es), año, nombre, estado. 1. A. Maass, A. Aravena, M. Gonzalez, S. Martnez, P.

Parada, K. Ehrenfeld, Method for the design of oligonucleotides for molecular biology techniques. 1. USA, Number: US 7 853 408 B2, Date: 14/12/2010; 2. South Africa, Number: 2006/06828, Date:

26/03/2008; 3. Australia, Number: 2006203551, Date:

15/09/2011; 4. Mexico, Number: PXMX 32/2006, Date: November

2012.

2. R. Badilla, A. Maass, P. Parada, A. Aravena, P. Moreno, S. Martíonez, K. Ehrenfeld, Arrangement of DNA fragments array from biomining microorganisms and method for the detection of them.

USA, Number US 7 915 031 B2, Date: 29/03/2011.

South Africa, Number: ZA 2006/09650, Date: 27/12/2007;

Argentina, Number: AR 06 01 05103, Date: 09/09/2010;

Peru, Number: PE 5838, Date: 29/10/2010;

Australia, Number: AU 2006 241345, Date: 2013;

Mexico, Number: MX 307,357, Date: 2013.

Pending in Chile, Number: 200503033, Date: 21/11/2005.

3. K.Ehrenfeld, J. Ugalde, A. Aravena, N. Loira, A. Maass, P. Parada, Array of nucleotidic sequences for the detection and identication of genes that codify proteins with activities relevant in biotechnology present in a microbiological sample, and method for using this array.

USA, Number: US 8 207 324 B2, Date: 26/06/2012.


157

South Africa, Number: ZA 2008 02344, Date: 26/11/2008;

Chine, Number: 200810095172.6, Date: 2013;

Chile, Number: DPI-660-2007, Date: 06/05/2013;

Peru, Number: PE 6669, Date: 2013;

Mexico, Number: MX 298861, Date: 2013.

4. P. Parada, K. Ehrenfeld, I. Pacheco, A. Maass, A. Aravena, M. González, S. Martínez, Method for the identication and quantication of microorganisms useful in biomining processes.

USA, Number: US 8 492 093 B2, Date: 23/07/2013

Chile, Number: 46,739, Date: 31/08/2010;

South Africa, Number: 2006/07131, Date: 30/05/2007;

Autralia, Number: AU 2006204629, Date: 27/09/2012;

Mexico, Number: MX 307267.

M. Barreto, M. Budinich, A. Maass, P. Moreno, L. Padilla, P. Parada, Method to increase the production of extracellular polymeric substances (EPS) in a Acidithiobacillus ferrooxidans culture by the inhibition of enzymes of tricarboxilic acid cycle.

USA, Number: US 8 927 246 B2 , Date: 6/01/2015;

South Africa, Number: 2011/01564, Date: 02/12/2011;


Título, fuente de financiamiento, duración, año de adjudicación y tipo de Investigación 1. Mean dimension and its applications in dynamical

systems, FONDECYT, Postdoctorado, 2019-2022, Investigador asociado.

2. Dynamical properties of infinite periodic polygonal billiards and translation surfaces, FONDECYT, Postdoctorado, 2019-2022, Investigador asociado.

3. Centro de Modelamiento Matemático, Programa de Investigación Asociativa, Apoyo Centros Científicos y Tecn. de Excelencia con Financ. Basal, 2018-2021, Investigador principal.

4. Establecimiento y operación del Centro de biotecnología Traslacional para la gestión sistemática y estratégica de la demanda y oferta nacional e


158

internacional de servicios y soluciones biotecnológicos que acelere los procesos de transferencia y asegure la adopción de soluciones de alto valor en la industria, INNOVA, Innova, 2018-2028, Investigador principal.

5. Dynamics of Cantor systems: computability, combinatorial and geometric aspects, Cooperación Internacional: Multilateral y vinculación, Programa Regional MATH-AMSUD, 2016-2017, Investigador principal.

6. Comparative and functional genomic analysis of the interaction between P. salmonis and its host-cell, FONDECYT, Regular, 2016-2020, Investigador asociado.

7. Metal metabolism in soil bacterial communities from an extreme environment: a comparative genomics analysis, FONDECYT, Regular, 2015-2019, Investigador asociado.

8. Espectrómetro de Fluorescencia de Rayos-X por Reflexión Total (TXRF), FONDEQUIP, Concurso de Equipamiento Científico, 2014-2015, Investigador asociado.

9. Multiple recurrence, nilsystems and its application in number theory, FONDECYT, Postdoctorado, 2014-2017, Investigador asociado.

10. Modelling and rigorous mathematical analysis of metal homeostasis, FONDECYT, Postdoctorado, 2014-2017, Investigador asociado.

11. Methods for reconstruction and validation of genome- and community-scale metabolic models, applied to biofuel production and biomining, FONDECYT, Postdoctorado, 2013-2016, Investigador asociado.

12. BioMed-HPC: Red de biología y medicina computacional de alto rendimiento, Fondo Central de Investigación, Programa U-Redes: Línea 2 incentivo a la Consolidación de Red; Domeyko II, 2012-2013, Investigador asociado.

13. Centro de Sistemas Dinámicos y Temas Relacionados, Programa de Investigación Asociativa, Concurso Anillos en Ciencia y Tecnologia, 2012-2015, Investigador asociado.

14. Measure in Symbolic Dynamics, FONDECYT, Postdoctorado, 2011-2014, Investigador asociado.

15. Gene regulatory network of iron metabolism in E.Faecalis: functional analysis of Fur, perR and Zur regulon, FONDECYT, Regular, 2011-2015, Investigador asociado.


159

16. Recursion theory for symbolic dynamics., FONDECYT, Postdoctorado, 2010-2013, Investigador asociado.

17. Centro de regulación genómica, FONDAP, Programa FONDAP, 2010-2020, Investigador asociado.

18. Centro Nacional de Genómica, Proteómica y Bioinformática (CGPB), Programa de Investigación Asociativa, I Concurso para Centros de Equipamiento Científico, 2010-2015, Investigador asociado.

19. Dimensions for some non-conformal expanding maps., FONDECYT, Postdoctorado, 2009-2011, Investigador asociado.

20. Aplicación de la metabolómica a la minería para mejorar los procesos industriales asociados a la biolixiviación de recursos minerales, INNOVA, Innova. Concurso Nacional, 2009-2012, Investigador asociado.

21. Towards a classification or homeomorphisms of solenoids arising from quasicrystals in dimension one an two., FONDECYT, Postdoctorado, 2009-2012, Investigador asociado.

22. Symbolic dynamics with a focus on higher-dimensional subshifts., FONDECYT, Postdoctorado, 2008-2010, Investigador asociado.

23. Sistema de bio-identificación de comunidades de microorganismos relevantes para un sistema productivo: aplicación al sector avícola y vinícola, Fundación COPEC-UC, COPEC-UC, 2007-2008, Investigador principal.

24. Programa de investigación Domeyko en Alimentos, Fondo Central de Investigación, Programa Domeyko, 2007-2010, Investigador asociado.


26. Genómica de salmónidos: Identificación de genes asociados al uso de proteínas y aceites vegetales en la nutrición en salmón del atlántico y trucha arcoiris, INNOVA, Innova-interés público y precompetitivo, 2007-2011, Investigador asociado.



Nombre del académico Jaime Ricardo San Martín Aristegui





160


Ph.D. Estadística, Purdue University, 1990, Estados Unidos.


Procesos estocásticos, Teoría ergódica y Modelamiento estocástico


1. Pierre Rene Vandaële. Potenciales y potencias, 2017, Magíster en Ciencias de la Ingeniería, Mención Matemáticas Aplicadas, Universidad de Chile.

2. Felipe Campos V. Distribuciones Cuasi-Estacionarias para el Proceso de Bessel en el Intervalo (0,1], 2017, Magíster en Ciencias de la Ingeniería, Mención Matemáticas Aplicadas, Universidad de Chile.

3. Javiera Castillo N. Estudio de aplicabilidad de modelos de teoría de respuesta al ítem a la prueba de selección universitaria de matemática, 2017, Magíster en Ciencias de la Ingeniería, Mención Matemáticas Aplicadas, Universidad de Chile.


1. Lisha Qiu, Stochastic Differential Equations and Strict Local Martingales. Ph.D. Statistics, Columbia University (Co-guided 2017).

2. Jorge Littin, Quasi stationary distributions when infinity is an entrance boundary, Opti- mal conditions for phase transition in 1 dimensional Ising model by Peierls argument and its consequences. Thesis Ph.D.

Mathematics, U. de Chile (Co-guided 2013).


Publicaciones indexadas ISI 1. Polunchenko, AS; Martinez, S; San Martin, J: A NOTE ON

THE QUASI-STATIONARY DISTRIBUTION OF THE SHIRYAEV MARTINGALE ON THE POSITIVE HALF-LINE, 2019, THEORY OF PROBABILITY AND ITS APPLICATIONS.

2. Martinez-Palomera, J; Forster, F; Protopapas, P; Maureira, JC; Lira, P; Cabrera-Vives, G; Huijse, P; Galbany, L; de Jaeger, T; Gonzalez-Gaitan, S; Medina, G; Pignata, G; San Martin, J; Hamuy, M; Munoz, RR: The High Cadence Transit Survey (HiTS): Compilation and Characterization of Light-curve Catalogs, 2018, ASTRONOMICAL JOURNAL.

3. Forster, F; Moriya, TJ; Maureira, JC; Anderson, JP; Blinnikov, S; Bufano, F; Cabrera-Vives, G; Clocchiatti, A; de Jaeger, T; Estevez, PA; Galbany, L; Gonzalez-Gaitan, S; Grafener, G; Hamuy, M; Hsiao, EY; Huentelemu, P; Huijse, P; Kuncarayakti, H; Martinez, J; Medina, G;



161

Olivares, F; Pignata, G; Razza, A; Reyes, I; San Martin, J; Smith, RC; Vera, E; Vivas, AK; Postigo, AD; Yoon, SC; Ashall, C; Fraser, M; Gal-Yam, A; Kankare, E; Le Guillou, L; Mazzali, PA; Walton, NA; Young, DR: The delay of shock breakout due to circumstellar material evident in most type II supernovae, 2018, NATURE ASTRONOMY.

4. Pena J., Fuentes C., Förster F., Maureira J.C., San Martín J., Littín J., Huijse P., Cabrera-Vives G., Estévez P.A., Galbany L., González-Gaitán S., Martínez J., De Jaeger T., Hamuy M.: Asteroids in the High Cadence Transient Survey, 2018, ASTRONOMICAL JOURNAL.

5. Collet, P;Duarte, M;Martinez, S;Prat-Waldron, A;Martin, JS: Asymptotics for the heat kernel in multicone domains, 2016, JOURNAL OF FUNCTIONAL ANALYSIS.

6. Dellacherie, C; Martinez, S; San Martin, J: Potentials of random walks on trees, 2016, LINEAR ALGEBRA AND ITS APPLICATIONS.

7. Dellacherie, C; Martinez, S; San Martin, J: Additive representation of symmetric inverse M-matrices and potentials, 2016, ADVANCES IN APPLIED MATHEMATICS.

8. Forster, F; Maureira, JC; San Martin, J; Hamuy, M; Martinez, J; Huijse, P; Cabrera, G; Galbany, L; de Jaeger, T; Gonzalez-Gaitan, S; Anderson, JP; Kunkarayakti, H; Pignata, G; Bufano, F; Littin, J; Olivares, F; Medina, G; Smith, RC; Vivas, AK; Estevez, PA; Munoz, R; Vera, E: THE HIGH CADENCE TRANSIENT SURVEY (HITS). I. SURVEY DESIGN AND SUPERNOVA SHOCK BREAKOUT CONSTRAINTS, 2016, ASTROPHYSICAL JOURNAL.

9. Dellacherie, C;Martinez, S;San Martin, J;Dellacherie, C;Martinez, S;SanMartin, J: Symbolic Inversion of a Diagonally Dominant M-Matrix, 2014, INVERSE M-MATRICES AND ULTRAMETRIC MATRICES.

10. Dellacherie, C;Martinez, S;San Martin, J;Dellacherie, C;Martinez, S;SanMartin, J: Inverse M-Matrices and Ultrametric Matrices Introduction, 2014, INVERSE M-MATRICES AND ULTRAMETRIC MATRICES.

11. Dellacherie, C;Martinez, S;San Martin, J;Dellacherie, C;Martinez, S;SanMartin, J: Inverse M-Matrices and Ultrametric Matrices Preface, 2014, INVERSE M-MATRICES AND ULTRAMETRIC MATRICES.

12. Martinez, S;San Martin, J;Villemonais, D: EXISTENCE AND UNIQUENESS OF A QUASISTATIONARY DISTRIBUTION FOR MARKOV PROCESSES WITH FAST


162

RETURN FROM INFINITY, 2014, JOURNAL OF APPLIED PROBABILITY.

13. Dellacherie, C;Martinez, S;San Martin, J;Dellacherie, C;Martinez, S;SanMartin, J: Ultrametric Matrices, 2014, INVERSE M-MATRICES AND ULTRAMETRIC MATRICES.

14. Dellacherie, C;Martinez, S;San Martin, J;Dellacherie, C;Martinez, S;SanMartin, J: Graph of Ultrametric Type Matrices, 2014, INVERSE M-MATRICES AND ULTRAMETRIC MATRICES.

15. Dellacherie, C;Martinez, S;San Martin, J;Dellacherie, C;Martinez, S;SanMartin, J: Basic Matrix Block Formulae, 2014, INVERSE M-MATRICES AND ULTRAMETRIC MATRICES.

16. Dellacherie, C;Martinez, S;San Martin, J;Dellacherie, C;Martinez, S;SanMartin, J: Inverse M-Matrices and Potentials, 2014, INVERSE M-MATRICES AND ULTRAMETRIC MATRICES.

17. Dellacherie, C;Martinez, S;San Martin, J;Dellacherie, C;Martinez, S;SanMartin, J: Hadamard Functions of Inverse M-Matrices, 2014, INVERSE M-MATRICES AND ULTRAMETRIC MATRICES.

18. Dellacherie, C;Martinez, S;San Martin, J;Dellacherie, C;Martinez, S;SanMartin, J: Filtered Matrices, 2014, INVERSE M-MATRICES AND ULTRAMETRIC MATRICES.

19. Dellacherie, C;Martinez, S;San Martin, J;Dellacherie, C;Martinez, S;SanMartin, J: Beyond Matrices, 2014, INVERSE M-MATRICES AND ULTRAMETRIC MATRICES.

20. Collet, P;Martinez, S;Meleard, S;Martin, JS: STOCHASTIC MODELS FOR A CHEMOSTAT AND LONG-TIME BEHAVIOR, 2013, ADVANCES IN APPLIED PROBABILITY.

21. Dellacherie, C;Martinez, S;Martin, JS: THE CLASS OF INVERSE M-MATRICES ASSOCIATED TO RANDOM WALKS, 2013, SIAM JOURNAL ON MATRIX ANALYSIS AND APPLICATIONS.

22. Martinez, M;San Martin, J;Torres, S: Numerical Method for Reflected Backward Stochastic Differential Equations, 2011, STOCHASTIC ANALYSIS AND APPLICATIONS.

23. Collet, P;Martinez, S;Meleard, S;San Martin, J: Quasi-stationary distributions for structured birth and death processes with mutations, 2011, PROBABILITY THEORY AND RELATED FIELDS.

24. Iglesias P; San Martin J; Torres S; Viens F.: Option pricing under a Gamma-modulated diffusion process, 2011, Annals of Finance.


163


Libros 1. Collet P., Martínez S. and San Martín J., Quasi-

stationary Distributions. Springer, collection Probability and Applications (2013).

2. Dellacherie C., Martínez S. and San Martín J., Inverse M-matrices and Ultrametric Potentials. Springer, Lecture Notes in Mathematics 2118 (2014).

3. San Martín J., Teoría de la Medida. Editorial Universitaria, en edición (2017).



Título, fuente de financiamiento, duración, año de adjudicación y tipo de Investigación 1. Ecuaciones diferenciales estocásticas dirigidas por el

movimiento Browniano fraccionario: estudio teórico y numérico, FONDECYT, Postdoctorado, 2019-2022, Investigador asociado.

2. Centro de Modelamiento Matemático, Programa de Investigación Asociativa, Apoyo Centros Científicos y Tecn. de Excelencia con Financ. Basal, 2018-2021, Investigador asociado.

3. Stochastic Analysis for Markovian diffusions with non-elliptic infinitesimal generator, FONDECYT, Postdoctorado, 2012-2014, Investigador asociado.

4. Centro de modelamiento matemático, Programa Financiamiento Basal, Basal, 2007-2020, Investigador principal. Director 2008-2011



Nombre del académico Héctor Ramírez


Claustro, Profesor asociado.



Docteur en Mathématiques Appliqués, Ecole Polytech, Ctr Math Appl, 2005, Francia.



164


Optimización y Equilibrio



5. Erica Cruz. “Applications of Bioeconomic Models to the developments of new fisheries harvesting strategies” Co-guíada con O. Vasilieva (U. Valle), 2019, Doctorado en Matemáticas, Universidad del Valle, Cali, Colombia.

6. Víctor Riquelme F. Problemas de Control Óptimo para la biorremediación de Recursos Acuíferos, 2016, Doctorado en Ciencias de la Ingeniería, Mención Modelación Matemática, Universidad de Chile.

7. Alejandro Rojas P. Study Of Some Problems In Modelling And Optimization Of Bioprocesses, 2016, Doctorado en Ciencias de la Ingeniería, Mención Modelación Matemática, Universidad de Chile.

8. David Sossa A. Álgebras de Jordan Euclideanos y problemas variacionales bajo restricciones cónicas, 2014, Doctorado en Ciencias de la Ingeniería, Mención Modelación Matemática, Universidad de Chile.


Publicaciones indexadas ISI: 1. A. Haddon, H. Ramírez, and A. Rapaport. Optimal and

suboptimal feedback controls for biogas production. To appear in JOURNAL OF OPTIMIZATION THEORY AND APPLICATIONS.

2. Cruz-Rivera, E; Ramirez, H; Vasilieva, O: Catch-to-stock dependence: The case of small pelagic fishery with bounded harvesting effort, 2019, NATURAL RESOURCE MODELING.

3. Ramirez, H; Rojas-Palma, A; Jeison, D: Productivity optimization of microalgae cultivation in a batch photobioreactor process, 2018, MATHEMATICAL METHODS IN THE APPLIED SCIENCES.

4. Gajardo, P; Olivares, M; Ramirez, H: Methods for the Sustainable Rebuilding of Overexploited Natural Resources: A viability approach, 2018, ENVIRONMENTAL MODELING & ASSESSMENT.

5. Ugalde-Salas, P; Diaz-Alvarado, F; Flores, SA; Ramirez, H: An Optimization Model to Incorporate CO2 Emissions in the Scheduling of Crude Oil Operations,



165

2018, INDUSTRIAL & ENGINEERING CHEMISTRY RESEARCH.

6. Opazo, F; Outrata, JV; Ramirez, CH: ON THE AUBIN PROPERTY OF CRITICAL POINTS TO PERTURBED SECOND-ORDER CONE PROGRAMS (vol 21, pg 798, 2011), 2017, SIAM JOURNAL ON OPTIMIZATION.

7. Ramirez, H; Sossa, D: On the Central Paths in Symmetric Cone Programming, 2017, JOURNAL OF OPTIMIZATION THEORY AND APPLICATIONS.

8. Mairet F., Ramírez C. H., Rojas-Palma A.: Modeling and stability analysis of a microalgal pond with nitrification, 2017, APPLIED MATHEMATICAL MODELLING.

9. Rapaport, A; Rojas-Palma, A; de Dreuzy, JR; Ramirez, H: Equivalence of Finite Dimensional Input-Output Models of Solute Transport and Diffusion in Geosciences, 2017, IEEE TRANSACTIONS ON AUTOMATIC CONTROL.

10. Ramirez, H; Rapaport, A; Riquelme, V: OPTIMAL FEEDBACK SYNTHESIS AND MINIMAL TIME FUNCTION FOR THE BIOREMEDIATION OF WATER RESOURCES WITH TWO PATCHES, 2016, SIAM JOURNAL ON CONTROL AND OPTIMIZATION.

11. Martinet, V; Pena-Torres, J; De Lara, M; Ramirez, H: Risk and Sustainability: Assessing Fishery Management Strategies, 2016, ENVIRONMENTAL & RESOURCE ECONOMICS.

12. Mordukhovich, BS; Outrata, JV; Ramirez, CH: SECOND-ORDER VARIATIONAL ANALYSIS IN CONIC PROGRAMMING WITH APPLICATIONS TO OPTIMALITY AND STABILITY, 2015, SIAM JOURNAL ON OPTIMIZATION.

13. Mordukhovich, BS;Outrata, JV;Ramirez, CH: Graphical Derivatives and Stability Analysis for Parameterized Equilibria with Conic Constraints, 2015, SET-VALUED AND VARIATIONAL ANALYSIS.

14. Lopez, J;Lopez, R;Ramirez, H: A Note on the Paper "Linear Complementarity Problems Over Symmetric Cones: Characterization of Qb-Transformations and Existence Results", 2014, JOURNAL OF OPTIMIZATION THEORY AND APPLICATIONS.

15. Gajardo, P;Cabrera, HR;Rodriguez, JC: Tools for improving feeding strategies in a SBR with several species, 2014, BIOPROCESS AND BIOSYSTEMS ENGINEERING.


166

16. Rodriguez, JC;Ramirez, H;Gajardo, P;Rapaport, A: Optimality of affine control system of several species in competition on a sequential batch reactor, 2014, INTERNATIONAL JOURNAL OF CONTROL.

17. Bosch, P;Lopez, J;Ramirez, H;Robotham, H: Support vector machine under uncertainty: An application for hydroacoustic classification of fish-schools in Chile, 2013, EXPERT SYSTEMS WITH APPLICATIONS.

18. Ramirez, H;Seeger, A;Sossa, D: COMMUTATION PRINCIPLE FOR VARIATIONAL PROBLEMS ON EUCLIDEAN JORDAN ALGEBRAS, 2013, SIAM JOURNAL ON OPTIMIZATION.

19. Lopez, J;Lopez, R;Ramirez, HC: Linear Complementarity Problems over Symmetric Cones: Characterization of Q(b)-transformations and Existence Results, 2013, JOURNAL OF OPTIMIZATION THEORY AND APPLICATIONS.

20. Lopez, J;Lopez, R;Ramirez, H: Characterizing Q-linear transformations for semidefinite linear complementarity problems, 2012, NONLINEAR ANALYSIS-THEORY METHODS & APPLICATIONS.

21. Gajardo, P ; Pena-Torres, J ; Ramirez, CH: HARVESTING ECONOMIC MODELS AND CATCH-TO-BIOMASS DEPENDENCE: THE CASE OF SMALL PELAGIC FISH, 2011, NATURAL RESOURCE MODELING.

22. Gajardo, P ; Harmand, J ; Ramirez, H ; Rapaport, A: Minimal time bioremediation of natural water resources, 2011, AUTOMATICA.

23. Outrata, JV ; Ramirez, CH: ON THE AUBIN PROPERTY OF CRITICAL POINTS TO PERTURBED SECOND-ORDER CONE PROGRAMS, 2011, SIAM JOURNAL ON OPTIMIZATION.

24. De Lara, M ; Gajardo, P ; Ramirez, CH: Viable states for monotone harvest models, 2011, SYSTEMS & CONTROL LETTERS.

25. Gomez, W ; Ramirez, H: A filter algorithm for nonlinear semidefinite programming, 2010, COMPUTATIONAL & APPLIED MATHEMATICS.

26. Lopez, J ; Ramirez, H: ON THE CENTRAL PATHS AND CAUCHY TRAJECTORIES IN SEMIDEFINITE PROGRAMMING, 2010, KYBERNETIKA.

27. Alvarez, F ; Lopez, J ; Ramirez, CH: Interior proximal algorithm with variable metric for second-order cone programming: applications to structural optimization


167

and support vector machines, 2010, OPTIMIZATION METHODS & SOFTWARE.


No indexada (por ejemplo, libros, capítulos de libro, revistas con referato): Libros 1. E. Moreno, H. Ramírez. “Grafos: Fundamentos and

Algoritmos” (in Spanish). JC Saez Editor 2011. 2. Editor of Math collection books (in Spanish) “Recursos

para la Formación Inicial de Profesores” (ReFIP: http://refip.cmm.uchile.cl/). It constitutes a series of 4 books: numbers, data & randomness, geometry and calculus, which are oriented to improve the formation of school teachers.

Workshop Papers and International Conferences: 1. Haddon A., Ramírez H., Rapaport A.: First results of

optimal control of average biogas production for the chemostat over an infinite horizon, 2018, IFAC-PapersOnLine.

2. Fontbona J., Ramírez C. H., Riquelme V., Silva F.J.: Stochastic modeling and control of bioreactors, 2017, IFAC-PapersOnLine.

3. Haddon A., Harmand J., Ramírez H., Rapaport A.: Guaranteed value strategy for the optimal control of biogas production in continuous bio-reactors, 2017, IFAC-PapersOnLine.

4. Gajardo P; Ramirez H; Rodriguez J.C.: On optimal strategies for feeding in minimal time a SBR with several species, 2012, 2012 20th Mediterranean Conference on Control and Automation, MED 2012 - Conference Proceedings.

Patentes:





168

6. Stability of optimization and variational systems with applications to natural resources management, Cooperación Internacional: Multilateral y vinculación, Apoyo a la Formación de Redes Internacionales_Centros, 2018-2020, Investigador principal.

7. Modeling, Optimization and Viability for Epidemics Control, Cooperación Internacional: Multilateral y vinculación, Programa Regional MATH-AMSUD, 2018-2019, Investigador principal.

8. Control of constrained dynamical systems: optimal and viable approaches, in continuous and discrete time, motivated by natural resource management issues, FONDECYT, Regular, 2016-2020, Investigador asociado.

9. Sensitivity Analysis of Parametric Generalized Equations with Conic Constraints, FONDECYT, Regular, 2016-2020, Investigador principal.

10. Bioremediation of natural environments through mathematical modeling and control theory tools, Cooperación Internacional: Multilateral y vinculación, Apoyo a la Formación de Redes Internacionales_Centros, 2015-2017, Investigador principal.

11. Centro de Modelamiento Matemático (Chile) Meditérranée (Francia), Cooperación Internacional: Multilateral y vinculación, Apoyo a la Formación de Redes Internacionales_Centros, 2013-2015, Investigador principal.

12. Análisis de problemas de control y aplicaciones, Programa de Investigación Asociativa, Concurso Anillos en Ciencia y Tecnologia, 2012-2015, Investigador asociado.

13. Optimal control and applications in biotechnologies, FONDECYT, Postdoctorado, 2012-2015, Investigador asociado.

14. Second-order optimality conditions for conic programming; Their implications in sensitivity and algorithmic aspects, FONDECYT, Regular, 2011-2015, Investigador principal.

15. Modelamiento, Control Y Optimización Para Los Procesos Biológicos De Descontaminación De Aguas, Cooperación Internacional: Proyectos bilaterales, Proyectos de intercambio CONICYT/INRIA-Francia, 2009-2010, Investigador principal.


169

16. Recursos pedagógicos para la implementación de los estándares de formación inicial de profesores de enseñanza básica en matemáticas, FONDEF, Investigación y Desarrollo (I+D), 2009-2012, Investigador asociado.

17. BIOCOMSA, INNOVA, Consorcios Tecnológicos Empresariales, 2008-2013, Investigador asociado.

18. 2009 Mathematics, Informatics and Fisheries Management MIFIMA, Otros, Otros, 2007-2010, Investigador asociado.


20. Perturbation Analysis of Conic Optimization problems, FONDECYT, Regular, 2007-2011, Investigador principal.

21. Herramientas para la formación de profesores de matemáticas, FONDEF, Investigación y Desarrollo (I+D), 2005-2008, Investigador asociado.


Título, año de adjudicación, duración, objetivo, institución contratante. 1. Contract service with Children’s Hospital Dr. Luis Calvo

Mackenna (Santiago, Chile), 2019, oriented to provide efficient scheduling solutions for surgery pavilions.

2. Contract service with Children’s Hospital Dr. Luis Calvo Mackenna (Santiago, Chile), 2018-2019, oriented to predict the no-show in medical consultations.

3. Scientific consulting of INRIA Chile. Program “Instalación de Centro de Excelencia en Chile”, 2016-2017, CORFO.

Nombre del académico Richard Weber





Ph.D. en Investigación de Operaciones, RHEINISCH-WESTFALISCHE TECHNISCHE HOCHSCHULE, 1992, ALEMANIA.


- DATA MINING (DYNAMIC DATA MINIG) - OPERATIONS RESEARCH METHODS FOR DATA MINING

(OPTIMIZATION)



170

- APPLICATIONS OF DATA MINING TO INDUSTRY (BUSINESS INTELLIGENCE)


1. MUÑOZ OLIVEROS, JUAN. 2017, “Aplicación de un modelo de aprendizaje basado en la experiencia a juegos de clasificación de adversarios”, Magister en Economía Aplicada, Universidad de Chile.

2. DULOP ELZO, SERGIO. 2017, “Análisis y Rediseño de la Unidad Jurídica de una Universidad Estatal”, Magíster en Gestión y Políticas Públicas, Universidad de Chile.

3. BARRERA AYLWIN, SERGIO. 2017, “Una metodología para enfrentar el dinamismo de atributos en clustering”, Magister en Gestión de Operaciones, Universidad de Chile.

4. ESPEJO CARTES, JUAN. 2017, “Modelos de Teoría de Juegos para el Control de la Delincuencia en la Vía Pública”, Magister en Gestión de Operaciones, Universidad de Chile.

5. CELEDÓN AGUIRRE, RENZO. 2016, “Modelo integrado de identificación de riesgos operacionales mediante registro de incidentes con técnicas de minería de procesos en el Banco Central de Chile”, Magister en Ingeniería de Negocios con Tecnologías de Información, Universidad de Chile.

6. CONTRERAS MUÑOZ, NESTOR. 2016, “Control y seguimiento de atención de incidencias utilizando minería de procesos”, Magister en Ingeniería de Negocios con Tecnologías de Información, Universidad de Chile.

7. MARGUIROTT BRAVO, OSCAR. 2016, “Rediseño del proceso de venta de créditos de consumo para clientes del Banco Retail en BCI”, Magister en Ingeniería de Negocios con Tecnologías de Información, Universidad de Chile.

8. PALMA LLEWELLYN, ANDRÉS. 2015, “Pronóstico de Demanda de Energía y Potencia Eléctrica en el Largo Plazo para la Red de Chilectra S.A. utilizando Técnicas de Minería de Datos”, Magister en Gestión de Operaciones, Universidad de Chile.

9. MORA ARAYA, CRISTIAN. 2014, “Mejora del Proceso de evaluación de riesgo crediticio para BancoEstado



171

Microempresas”, Magister en Ingeniería de Negocios con Tecnologías de Información, Universidad de Chile.

10. FLORES RÍOS, ÁLVARO. 2014, “Métodos de selección de atributos basados en utilidades para la predicción de fuga de clientes en telecomunicaciones”, Magister en Gestión de Operaciones, Universidad de Chile.

11. LEMUS HENRIQUEZ, PABLO. 2014, “Modelo de Predicción de la Población Penal a través de Minería de Datos y Dinámica de Sistemas”, Magister en Gestión de Operaciones, Universidad de Chile.

12. OBRECHT IHL, PAZ. 2014, “Predicción del crimen usando modelos de Markov ocultos”, Magister en Gestión de Operaciones, Universidad de Chile.

13. LÓPEZ HERRERA, LEONARDO. 2013, “Predicción de Fuga de Clientes desde un Enfoque de Competencia”, Magister en Gestión de Operaciones, Universidad de Chile.

14. WILSON MATTHEY, DANIEL. 2013, “Modelos de Propensión Integrados para la Optimización de Campañas de Marketing”, Magister en Gestión de Operaciones, Universidad de Chile.

15. BRUNA PAEZ, EDUARDO. 2012, “Modelo Preventivo de Morosidad Temprana de Clientes HFC mediante Clasificación Bayesiana”, Magister en Gestión de Operaciones, Universidad de Chile.

16. DEVIA CAMPOS, NELSON. 2012, “Generación de Datos de Delincuencia Vía Simulación con Modelos Basados en Agente”, Magister en Gestión de Operaciones, Universidad de Chile.

17. JOFRÉ ALEGRÍA, MARÍA. 2011, “Análisis del Fenómeno Delictual Utilizando un Modelo de Regresión Logística en Base a Atributos”, Magister en Gestión de Operaciones, Universidad de Chile.

18. THIELE HORTA, ANDRÉS. 2011, “Metodología de Clasificación Lineal por Partes: Piecewise Linear Support Vector Machines (PL-SVM)”, Magister en Gestión de Operaciones, Universidad de Chile.

19. GARNICA PÉREZ, DENISSE. 2011, “Pronóstico a Corto Plazo de Afluencia de Pasajeros Utilizando Técnicas de Data Mining: Metro S.A”, Magister en Gestión de Operaciones, Universidad de Chile.

20. L’HUILLIER CHAPARRO, GASTÓN. 2010, “Clasificación de Phishing Utilizando Minería de Datos Adversarial y Juegos con Información Incompleta”, Magister en Gestión de Operaciones, Universidad de Chile.


172


1. SALTOS ATIENCIA, RAMIRO. 2016. “Soft clustering in Static and Dynamic Enviroments”, Doctorado en Sistemas de Ingeniería, Universidad de Chile.

2. TRONCOSO ESPINOSA, FREDY. 2015, “Identificación de Asociaciones e Individuos Claves Considerando Atributos Individuales para el Análisis de Agrupaciones Delictivas bajo un Enfoque de Red Social”, Doctorado en Sistemas de Ingeniería, Universidad de Chile.

3. MIRANDA PINO, JAIME. 2014, “Modelos de Optimización para la Programación de Horarios y Asignación de Salas de Clase en Universidades”, Doctorado en Sistemas de Ingeniería, Universidad de Chile.

4. BRAVO ROMÁN, CRISTIAN. 2012, “Metodos para Estimar Riesgo Crediticio en base a Minería de Datos y Teoria de Juegos”, Doctorado en Sistemas de Ingeniería, Universidad de Chile.

5. MALDONADO ALARCÓN, SEBASTIÁN. 2011, “Modelos de Selección de Atributos para Support Vector Machines”, Doctorado en Sistemas de Ingeniería, Universidad de Chile.


Publicaciones indexadas ISI: Autor(es), año, nombre, lugar, editorial, estado, ISSN. Incluir factor de impacto de revista, si es pertinente. 1. Modak, NM; Merigo, JM; Weber, R; Manzor, F;

Ortuzar, JD Fifty years of Transportation Research journals: A bibliometric overview, 2019, TRANSPORTATION RESEARCH PART A-POLICY AND PRACTICE, ISI;SCOPUS/UCH/VID, http://dx.doi.org/10.1016/j.tra.2018.11.015

2. Peters G., Weber R. dynXcube ¿ Categorizing dynamic data analysis 2018 INFORMATION SCIENCES ISI;SCOPUS/UCH/VID http://dx.doi.org/10.1016/j.ins.2018.06.026

3. Miranda, J; Rey, PA; Saure, A; Weber, R Metro Uses a Simulation-Optimization Approach to Improve Fare-Collection Shift Scheduling 2018 INTERFACES ISI;SCOPUS/UCH/VID http://dx.doi.org/10.1287/inte.2018.0959

4. Merigo, JM; Pedrycz, W; Weber, R; de la Sotta, C Fifty years of Information Sciences: A bibliometric overview 2018 INFORMATION SCIENCES ISI;SCOPUS/UCH/VID http://dx.doi.org/10.1016/j.ins.2017.11.054


173

5. Weber R., Bravo C., Kruse R., Maldonado S. Special issue "Applied soft computing for business analytics", 2017, APPLIED SOFT COMPUTING, ISI;SCOPUS/UCH/VID, http://dx.doi.org/10.1016/j.asoc.2017.09.034

6. Figueroa, N., L´Huillier, G., Weber, R. (2016): Adversarial Classification Using Signaling Games With An Application to Phishing Detection. Data Mining and Knowledge Discovery, available online, DOI: http://dx.doi.org/10.1007/s10618-016-0459-9

7. Saltos, R., Weber, R. (2016): A Rough-Fuzzy Approach for Support Vector Clustering. Information Sciences. In press, available online. DOI: http://dx.doi.org/10.1016/j.ins.2015.12.035

8. Espejo, G., L´Huillier, G., Weber, R. (2016): A Game-Theoretical Approach for Policing Decision Support. European Journal of Applied Mathematics 27 (3), 338-356 DOI: http://dx.doi.org/10.1017/S0956792515000480

9. Maldonado, S., Carrizosa, E., Weber, R. (2015): Kernel Penalized K-means: A feature selection method based on Kernel K-means. Information Sciences 322, 150-160. DOI: http://dx.doi.org/10.1016/j.ins.2015.06.008

10. Maldonado, S., Flores, A., Verbraken, Th., Baesens, B., Weber, R. (2015): Profit-based Feature Selection using Support Vector Machines - General Framework and an Application for Customer Retention. Applied Soft Computing 35, 740-748.

DOI: : http://dx.doi.org/10.1016/j.asoc.2015.05.058 11. Bravo, C., Thomas, L., Weber, R. (2015): Improving

credit scoring by differentiating defaulter behavior. Journal of the Operational Research Society 66, 771–781. DOI: http://dx.doi.org/10.1057/jors.2014.50

12. Maldonado, S., Montoya, R., Weber, R. (2015): Advanced Conjoint Analysis using Feature Selection via Support Vector Machines. European Journal of Operational Research 241 (2), 564–574. DOI: http://dx.doi.org/10.1016/j.ejor.2014.09.051

13. Maldonado, S., Perez, J., Weber, R., Labbé, M. (2014): Feature selection for Support Vector Machines via Mixed Integer Linear Programming. Information Sciences 279, 163-175. DOI: XXX (Journal Impact Factor 2014: XXX, Q1 in category XXX; number of citations to


174

this article as of November xx/2014: XXX according to ISI Web of Knowledge and xxx according to Google Scholar).

14. Verbraken, T., Bravo, C., Weber, R., Baesens, B. (2014): Development and application of consumer credit scoring models using profit-based classification measures. European Journal of Operational Research 238 (2), 505-513. DOI: XXX

15. Maldonado, S., Weber, R., Famili, F. (2014): Feature selection for high-dimensional class-imbalanced data sets using Support Vector Machines. Information Sciences 286, 228-246. DOI: XXX

16. Peters, G., Crespo, F., Lingras, P., Weber, R. (2013): Soft clustering - fuzzy and rough approaches and their extensions and derivatives. International Journal of Approximate Reasoning 54 (2), 307-322. DOI: XXX

17. Bravo, C., Maldonado, S., Weber, R. (2013): Granting and managing loans for micro-entrepreneurs: New developments and practical experiences. European Journal of Operational Research 227(2), 358-366. DOI: XXX

18. Devia, N., Weber, R. (2013): Generating crime data using agent-based simulation. Computers Environment and Urban Systems 42, 26-41. DOI: XXX

19. Peters, G., Weber, R., Nowatzke, R. (2012): Dynamic rough clustering and its applications. Applied Soft Computing 12 (10), 3193-3207. DOI: XXX

20. Peters, G., Weber, R. (2012): Dynamic clustering with soft computing. Wiley Interdisciplinary Reviews-Data Mining and Knowledge Discovery 2(3), 226-236. DOI: XXX

21. Brown, D. E., Famili, F., Paass, G., Smith-Miles, K., Thomas, L. C., Weber, R., Baeza-Yates, R., Bravo, C., L’Huillier, G., Maldonado, S. (2011): Future trends in business analytics and optimization. Intelligent Data Analysis 15 (6), 1001–1017. DOI: XXX

22. Peters, G., Weber, R. (2011): A class of dynamic rough partitive algorithms. International Journal of Intelligent Systems, 26, 540–554 DOI: 10.1002/int.20483

23. Maldonado, S., Weber, R., Basak, J. (2011): Simultaneous feature selection and classification using kernel-penalized support vector machines. Information Sciences 181, 115-128. DOI:

http://dx.doi.org/10.1016/j.ins.2010.08.047


175

24. Bravo, C., L`Huillier, G., Lobato, J. L., Weber, R. (2010): Probability Estimation for Multiclass Problems Combining SVMs and Neural Networks. Neural Network World 20, No. 4, 475-489. DOI: XXX

25. Guajardo, J., Weber, R., Miranda, J. (2010): A Model Updating Strategy for Predicting Time Series with Seasonal Patterns. Applied Soft Computing 10, 276-283.

DOI: http://dx.doi.org/10.1016/j.asoc.2009.07.005

Indexada (identificar tipo de indexación: SCIELO, LATINDEX, u otra): Autor(es), año, nombre, lugar, editorial, estado, ISSN. Incluir factor de impacto de revista, si es pertinente. 1. Flores, Á., Maldonado, S., Weber, R. (2015): Selección

de atributos y support vector machines adaptado al problema de fuga de clientes. Revista de Ingeniería de Sistemas XXIX, 85-107.

2. Celis, S., Moreno, L., Poblete, P., Villanueva, J., Weber, R. (2015): Un modelo analítico para la predicción del rendimiento académico de estudiantes de ingeniería. Revista de Ingeniería de Sistemas XXIX, 5-24.

3. Maldonado, S., Weber, R. (2012): Modelos de Selección de Atributos para Support Vector Machines. Revista de Ingeniería de Sistemas XXVI, 49-70.

4. Reveco, C., Weber, R. (2011): Gestión de Capacidad en el Servicio de Urgencia en un Hospital Público. Revista de Ingeniería de Sistemas XXV, 57-75.

5. Bravo, C., Maldonado, S., Weber, R. (2010): Experiencias Prácticas en la Medición de Riesgo Crediticio de Microempresarios utilizando Modelos de Credit Scoring. Revista de Ingeniería de Sistemas XXIV, 69-88

No indexada (por ejemplo, libros, capítulos de libro, revistas con referato): Autor(es), año, nombre, lugar, editorial, estado. Capítulos de Libros: 1. Weber, R. (2014): From Operations Research to Dynamic

Data Mining and Beyond. In: Luebbecke, M., Weiler, A., Werners, B. (Eds.): Zukunftsperspektiven des Operations Research. Springer Gabler, Wiesbaden, 343-356

2. Crespo, F., Peters, G., Weber, R. (2012): Rough Clustering Approaches for Dynamic Environments. In: Peters, G., Lingras, P., Slezak, D., Yao, Y. (Eds.): Rough Sets: Selected Methods and Applications in Management and Engineering. Springer-Verlag, London, 39-50.


176

3. Bravo, C., Weber, R. (2011): Semi-supervised constrained clustering with cluster outlier filtering. LNCS 7042, 347-354.

4. Maldonado, S., Weber, R. (2011): Embedded Feature Selection for Support Vector Machines: State-of-the-Art and Future Challenges. LNCS 7042, 304-311.

5. Gutierrez, J., Parada, V. and Weber, R. (2010): Chilean Institute of Operations Research. Wiley Encyclopedia of Operations Research and Management Science. DOI: 10.1002/9780470400531.eorms0141

6. Bravo, C., Figueroa, N., Weber, R. (2010): Modeling Pricing Strategies Using Game Theory and Support Vector Machines. In: Petra Perner (Ed.): Advances in Data Mining. Applications and Theoretical Aspects. LNCS 6171, Springer-Verlag, Berlin Heidelberg, 323-337.

Patentes: N.A


Título, fuente de financiamiento, duración, año de adjudicación y tipo de Investigación 2018 – 2022: “Dynamic clustering using evolving

features” FONDECYT; Investigador Principal.

2016 – 2018: “Observatorio digital de delincuencia en

Chile: un sistema inteligente de apoyo a la industria automotriz chilena, en el robo de vehículos y accesorios” FONDEF; Investigador Principal.

2014 – 2015: “Hacia una cultura de innovación basada en

valores en la Dirección Chilecompra” INNOVA; Investigador Responsable.

2014 – 2017: “Feature selection in dynamic clustering

with applications to crime and business analytics” (Proyecto Fondecyt 1140831); Investigador Responsable.

2013 - 2016: “PRASEDEC: Practice-driven Advance of

Studies and Exchange between the University of Duisburg-Essen and the University of Chile”; Proyecto con la University of Duisburg-Essen, Alemania; Co-Investigador


177

2013 – 2014: “Dynamic clustering, from an academic

approach to a real business solution: theory and application”; Explorative Scientific Co-operation Programme between KU Leuven, Belgium and Universidad de Chile; Investigador Principal

2012 – 2013: “Development of rule-based classification

models using profit maximization”; Explorative Scientific Co-operation Programme between KU Leuven, Belgium and Universidad de Chile; Investigador Principal

2011 – 2012: “Profit driven metrics for a holistic

approach to evaluating Data Mining Models”; Explorative Scientific Co-operation Programme between KU Leuven, Belgium and Universidad de Chile; Investigador Principal

2010-2013: “Quantitative Methods In Security” (Proyecto Anillo ACT087); Co-Investigador. 2009 a la fecha: “Instituto Sistemas Complejos de

Ingeniería” (Proyecto Basal FB016); Investigador Titular

2007 a la fecha: “Sistemas Complejos de Ingeniería”

(Instituto Milenio ICM: P-05-750 004-F); Investigador Asociado



Nombre del académico Juan Domingo Velásquez Silva



Título, institución, país Ingeniero Civil Electricista, Universidad de Chile, Chile. Ingeniero Civil en Computación, Universidad de Chile, Chile.


178


Dr. Eng. Information Engineering. Estudio sobre sitios web inteligentes, portales adaptativos. University of Tokyo, 2005, Japón.


Investigación de frontera en el ámbito de las tecnologías de información y comunicaciones aplicadas a la solución de problemas complejos en la empresa pública y privada, y en la sociedad en su conjunto.


1. RUIZ MORENO, ROCÍO. 2019. “Diseño de un Plan Estratégico para la Creación de un Centro Tecnológico de Ingeniería-Salud, Albergado en la Facultad de Ciencias Físicas y Matemáticas de la Universidad de Chile”, Magíster en Gestión y Dirección de Empresas, Universidad de Chile.

2. NUMHAUSER CABRERA, ABEL. 2018. “Interes complementario: Diseño e implementación de una metodología de estudio de mercado orientado a redes sociales, con el uso de herramientas de Minería de Opiniones”, Magíster en Ingeniería de Negocios con Tecnologías de Información, Universidad de Chile.

3. Leiva Cortés, Ninoska, 2018, “Conformación de la Red Alumni: Análisis del Caso de la Facultad de Ciencias Físicas y Matemáticas de la Universidad de Chile”, Magíster en Gestión y Políticas Públicas, Universidad de Chile.

4. PONCE DE LEÓN, FRANCISCO. 2015, “Uso de la Ingeniería de Negocios en diseño de implementación de Negocio para Start Up basada en Web Opinion Mining”. Magíster en Ingeniería de Negocios con TI, Universidad de Chile.

5. OBERREUTER GALLARDO, GABRIEL. 2013, “Diseño e implementación de una técnica para la detección intrínseca de plagio en documentos digitales”. Magíster en Gestión de Operaciones, Universidad de Chile.

6. DUEÑAS FERNÁNDEZ, RODRIGO. 2013, “Extracción de Información y Conocimiento desde las Opiniones Emitidas por usuarios de sistemas WEB 2.0”. Magíster en Gestión de Operaciones, Universidad de Chile.

7. CASTELLÓN GONZÁLEZ, PAMELA. 2012, “Caracterización y Detección de Contribuyentes que Presentan Facturas Falsas al SII Mediante Técnicas de Data Mining”. Magíster en Gestión de Operaciones, Universidad de Chile.



179

8. VÁSQUEZ ÁLVAREZ, CARLOS; PISSANI ALVEAR, JORGE. 2012, “Plan de Globalización del Servicio de Analisis de Texto DOCODE hacia Hispanoamerica”. Magíster en Gestión para la Globalización, Universidad de Chile.

9. SORIANO BRUSCHER, MARÍA. 2012, “Plan de Negocios para una Empresa de Servicio de Detección de Plagio en Documentos Digitales para el Sistema Educacional Chileno”. Magíster en Gestión y Dirección de Empresas, Universidad de Chile.

10. ZARATE RODRÍGUEZ, RODRIGO. 2011, “Diseño y Desarrollo de un Algoritmo de Detección de Patrones de Copia en Documentos Digitales”. Magíster en Gestión de Operaciones, Universidad de Chile.

11. DUJOVNE FISCHMAN, LUIS. 2010, “Diseño y Aplicación de una Metodología para el Mejoramiento del Contenido de Sitios Web mediante la Identificación de Website Keyobjects”. Magíster en Gestión de Operaciones, Universidad de Chile.

12. ACUÑA DUHART, PABLO. 2010, “Adaptación de una Herramienta CRM Open Source para Mypymes del Sector Financiero”. Magíster en Gestión de Operaciones, Universidad de Chile.


1. ROMÁN ASENJO, PABLO. 2011, “Web User Browsing Behavior Analysis”, Doctorado en Sistemas de Ingeniería, Universidad de Chile.



1. Pizarro, Gaspar and Velasquez, Juan D., 2017, “Docode 5: Building a real-world plagiarism detection system, ENGINEERING APPLICATIONS OF ARTIFICIAL INTELLIGENCE”, (Revista ISI, 5-Year Impact Factor: 1,947)

2. Slanzi, Gino; Pizarro, Gaspar and Velasquez, Juan D., 2017, “Biometric Information Fusion for Web User Navigation and Preferences Analysis: An Overview, Information Fusion”, 38(0), pp 12-21, 2017, ISSN: 1566-2535. (Revista ISI, 5-Year Impact Factor: 2,838)

3. Slanzi, Gino; Balazs, Jorge A and Velasquez, Juan D., 2017, “Combining Eye Tracking, Pupil Dilation and EEG analysis for predicting Web users click intention, Information Fusion”, 35(0), pp 51-57, 2017, ISSN: 1566-2535. (Revista ISI, 5-Year Impact Factor: 2,838)

4. Velásquez, Juan D; Covacevich, Yerko; Molina, Francisco; Marrese-Taylor, Edison; Rodrlíguez, Cristilán; Bravo-Marquez, Felipe. 2016, “DOCODE 3.0 (DOcument


180

COpy DEtector): A system for plagiarism detection by applying an information fusion process from multiple documental data sources.”, Information Fusion, 27 (0), pp. 64 - 75, ISSN: 1566-2535. (Revista ISI, 5-Year Impact Factor: 2,838)

5. Balazs, Jorge; Velásquez, Juan D.; (2016), “Opinion Mining and Information Fusion: A survey (Journal Article)” Information Fusion, 27 (0), pp. 95 - 110, ISSN: 1566-2535. (Revista ISI, 5-Year Impact Factor: 2,838)

6. Loyola, Pablo; Martínez, Gustavo; Muñoz, Kristofher; Velásquez, Juan; Maldonado, Pedro; Couve, Andrés; “Combining Eye Tracking and Pupillary Dilation Analysis to Identify Website Key Objects”, Neurocomputing, 168 , pp. 179 - 189, 2015, ISSN: 0925-2312. (Revista ISI, 5-Year Impact Factor: 1,7)

7. E. Marrese-Taylor, J.D. Velásquez and F. Bravo-Marquez; "A Novel Deterministic Approach for Aspect-Based Opinion Mining in Tourism Products Reviews", EXPERT SYSTEMS WITH APPLICATIONS, 41 (17): 7764-7775, 2014. DOI: 10.1016/j.eswa.2014.05.045 (Revista ISI, 5-Year Impact Factor: 2,339)

8. J.D. Velásquez et al, "A novel approach for comparing web sites by using MicroGenres", ENGINEERING APPLICATIONS OF ARTIFICIAL INTELLIGENCE, 35:187-198, 2014. (Revista ISI, 5-Year Impact Factor: 1,947)

9. R. Dueñas Fenández, Velásquez, Juan D. and L`Huillier, Gastón, 2014, “Detecting Trends on the Web: A Multidisciplinary Approach”, Information Fusion , 20 (0): 129 - 135 (Revista ISI, 5-Year Impact Factor: 2,838)

10. T. Arce, P. Román, J.D. Vélásquez and V. Parada; 2014, “Identifying web sessions with simulated annealing”, Expert Systems with Applications, 41(4): 1593-1600. (Revista ISI, 5-Year Impact Factor: 2,339)

11. P. Román, R. Fitzgerald, J.D. Velásquez and P. Loyola, 2014, “Identifying user sessions from web server logs with integer programming”, Intelligent Data Analysis, 18(1): 43-61. (Revista ISI, Impact Factor 2012: 0,472)

12. P. Román and J.D. Vélásquez, 2014, “A neurology-inspired model of web usage”, Neurocomputing, 131(0): 300–311. (Revista ISI, 5-Year Impact Factor: 1.811)

13. J.D. Velásquez, 2013, “Web mining and privacy concerns: Some important legal issues to be consider before applying any data and information extraction technique in web-based environments”, Expert Systems with


181

Applications 40(13): 5228-5239. (Revista ISI, Revista ISI, 5-Year Impact Factor: 2,339)

14. G. Oberreuter and J.D. Velásquez, 2013, “Text mining applied to plagiarism detection: The use of words for detecting deviations in the writing style”, Expert Systems with Applications, 40(9): 3756-3763. (Revista ISI, Revista ISI, 5-Year Impact Factor: 2,339)

15. J.D. Velásquez, 2013, “Combining eye-tracking technologies with web usage mining for identifying Website Keyobjects”, Engineering Applications Of Artificial Intelligence, 26(5-6): 1469-1478. (Revista ISI)

16. P. Castellón and J.D. Velásquez, 2013, “Characterization and detection of taxpayers with false invoices using data mining techniques”, Expert Systems with Applications, 40(5): 1427-1436. (Revista ISI, Revista ISI, 5-Year Impact Factor: 2,339)

17. J.D. Velásquez, 2012, “Web site keywords: A methodology for improving gradually the web site text content”, Intelligent Data Analysis, 16(2): 327-148. (Revista ISI, Impact Factor 2012: 0,472)

18. P. Loyola, P.E. Román and J.D. Velásquez, 2012, “Predicting Web User Behavior Using Learning-Based Ant Colony Optimization”, Journal of Engineering Applications of Artificial Intelligence, vol. 25(5) ,pp. 889-897. (Revista ISI, 5-Year Impact Factor: 1,947)

19. J.D. Velásquez, 2012. “Web Site Keywords: A Methodology for Improving Gradually the Web Site Text Content”, Intelligent Data Analysis, 16 (2): 327-348. (Revista ISI, Impact Factor 2012: 0,472)

20. J.D. Velásquez, L.E. Dujovne, G. L’Huillier, 2011, “Extracting Significant Website Key Objects: A Semantic Web Mining Approach”, Journal of Engineering Applications of Artificial Intelligence, vol. 24 ,num. 8 ,pp. 1532-1541. (Revista ISI, 5-Year Impact Factor: 1,947)

21. J.D. Velásquez et al., 2011, “An Information System for Monitoring the Chilean Salmon Industry Sustainability”, Ocean and Coastal Management, 54(3): 231-240 (Revista ISI, 5-Year Impact Factor: 1,747)

22. S.A. Ríos and J.D. Velásquez, 2011. “Finding Representative Web Pages on a SOM and Reverse Cluster Analysis”, International Journal on Artificial Intelligent Tools, 20(1):93-118, (Revista ISI, 5-Year Impact Factor: 0,45)

23. J.D. Velásquez and P. González, 2010, “Expanding the Possibilities of Deliberation: The Use of Data Mining for


182

Strengthening Democracy with an Application to Education Reform”, The Information Society, 26(1):1-16 (Revista ISI, 5-Year Impact Factor:1,58)


1. Slanzi Rodríguez, Gino; Aracena Cornejo, Claudio; Velásquez Silva, Juan. “Eye tracking and EEG features for salient web object identification”. Lecture Notes in Computer Science (SCOPUS)

No indexada (por ejemplo, libros, capítulos de libro, revistas con referato): Autor(es), año, nombre, lugar, editorial, estado. Libros y Monografías:

1. J.D. Velásquez and L. Donoso, Tratamiento de Datos Personales en Internet, Thomson Reuters, Santiago, Chile, 2013. 200 páginas.

2. J.D. Velásquez, V. Palade and L.C. Jain (Eds.), Advanced Techniques in Web Intelligence – 2, Springer Verlag, Berlin, Germany, 2013. 260 pages.

3. J.D. Velásquez and L.C. Jain (Eds.), Advances Techniques in Web Intelligence, Springer Verlag, Berlin, Germany, 2010. 280 pages.

Capítulos de libros: 1. Pablo Loyola, Enzo Brunetti, Gustavo Martinez, Juan D.

Velásquez and Pedro Maldonado. "Leveraging Neurodata to Support Web User” in Wisdom Web of Things (W2T), pages 183-209, Springer, 2016.

2. P. Román and J.D. Velásquez, Cognitive Science for Web Usage Analysis, Advanced Techniques in Web Intelligence-2, Springer-Verlag, 2013, pages 35-73.

3. P. Román, J.D. Velásquez, V. Palade and L.C. Jain, New Trends in Web User Behaviour Analysis, Advanced Techniques in Web Intelligence-2, Springer-Verlag, 2013, pages 1-10.

4. E. Marrese, C. Rodríguez, J.D. Velásquez, G. Gosh and S. Banerie, Web Opinion Mining and Sentimental Analysis, Advanced Techniques in Web Intelligence-2, Springer-Verlag, 2013, pages 105-126.

5. G. L´Huillier and J.D. Velásquez, Web Usage Data Pre-processing, Advanced Techniques in Web Intelligence-2, Springer-Verlag, 2013, pages 11-34.


183

6. P. Román and J.D. Velásquez, A Web Browsing Cognitive Model, Knowledge Engineering, Machine Learning and Lattice Computing with Applications, Springer-Verlag, 2013, pages 31-40.

7. A Web Browsing Cognitive Model J.D.Velásquez and V. Rebolledo, Web Intelligence, The Handbook of Technology Management (Volume 3), Willey, pp 639-673, 2010.

8. V.L. Rebolledo, G. L´Huillier and J.D. Velásquez, Web Pattern Extraction and Storage; to appear in J.D. Velásquez and L. Jain Ed. Advanced Techniques in Web Intelligence; Springer-Verlag, 2010, pages 49-77.

9. R.F. Dell, P.E. Román and J.D. Velásquez; “Advanced Techniques in Web Data Pre-Processing and Cleaning”,Advanced Techniques in Web Intelligence; Springer-Verlag, 2010, pages 19-48.

10. P.E. Román, G. L’Huillier and J.D. Velásquez; “Web Usage Mining”; in Advanced Techniques in Web Intelligence; Springer-Verlag 2010. Pages 143-165.

11. G. L’Huillier, J.D. Velásquez and L.C. Jain, Innovations in Web Intelligence, Advanced Techniques in Web Intelligence – I, Springer-Verlag, 2010, pages 1-17.

12. P. Román and J.D. Velásquez, A Dynamic Stochastic Model Applied to the Analysis of the Web User Behavior, Advances in Intelligent Web Mastering – 2, Springer-Verlag, 2010, pages 31-39.

Workshop Papers and International Conferences: 1. Velásquez J.D., Sheth A., Tao X.: WI 2018 Preface, 2019,

Proceedings - 2018 IEEE/WIC/ACM International Conference on Web Intelligence, WI 2018.

2. Sepulveda S., Pizarro G.V., Velasquez J.D.: A Plagiarism Detection Engine for Images in Docode, 2019, Proceedings - 2018 IEEE/WIC/ACM International Conference on Web Intelligence, WI 2018.

3. Cortés V.D., Velásquez J.D., Ibáñez C.F.: Twitter for marijuana infodemiology, 2017, Proceedings - 2017 IEEE/WIC/ACM International Conference on Web Intelligence, WI 2017.

4. Slanzi G., Balazs J., Velasquez J.D.: Predicting Web User Click Intention Using Pupil Dilation and Electroencephalogram Analysis, 2017, Proceedings - 2016 IEEE/WIC/ACM International Conference on Web Intelligence, WI 2016.


184

5. Vera F., Cortés V.D., Iturrra G., Velásquez J.D., Maldonado P., Couve A.: Akori: A tool based in eye-tracking techniques for analyzing web user behaviour on a web site, 2017, IEEE International Conference on Data Mining Workshops, ICDMW.

6. Aracena C., Basterrech S., Snael V., Velasquez J.: Neural Networks for Emotion Recognition Based on Eye Tracking Data, 2016, Proceedings - 2015 IEEE International Conference on Systems, Man, and Cybernetics, SMC 2015.

7. Jadue J., Slanzi G., Salas L., Velásquez J.D.: Web user click intention prediction by using pupil dilation analysis, 2016, Proceedings - 2015 IEEE/WIC/ACM International Joint Conference on Web Intelligence and Intelligent Agent Technology, WI-IAT 2015.

8. Slanzi Rodríguez, Gino; Aracena Cornejo, Claudio; Velásquez Silva, Juan: Eye tracking and EEG features for salient web object identification, 2015, Lecture Notes in Computer Science.

9. Loyola Heufemann, Pablo; Velásquez Silva, Juan Domingo: Characterizing web user visual gaze patterns: A graph theory inspired approach, 2014, Lecture Notes in Computer Science.

10. Tapia, P.A.; Velásquez, J.D.: Twitter sentiment polarity analysis: A novel approach for improving the automated labeling in a text corpora, 2014, Lecture Notes in Computer Science.

11. Velásquez Silva, Juan; Marrese Taylor, Edison: Tools for external plagiarism detection in DOCODE, 2014, Proceedings - 2014 IEEE/WIC/ACM International Joint Conference on Web Intelligence and Intelligent Agent Technology - Workshops, WI-IAT 2014.

12. Roman PE, Velasquez JD: A web browsing cognitive model, 2013, Lecture Notes in Computer Science.

13. Roman PE, Velasquez JD: Cognitive science for web usage analysis, 2013, Studies in Computational Intelligence.

14. Marrese Taylor, Edison; Velásquez Silva, Juan Domingo; Bravo Marquez, Felipe; Matsuo, Y: Identifying customer preferences about tourism products using an aspect-based opinion mining approach, 2013, Procedia Computer Science.

15. Taylor E.M., Rodriguez O. C., Velasquez J.D., Ghosh G., Banerjee S.: Web opinion mining and sentimental analysis, 2013, Studies in Computational Intelligence.


185

16. Roman PE, Velasquez JD, Palade V, Jain LC: New trends in web user behaviour analysis, 2013, Studies in Computational Intelligence.

17. L´Huillier G., Velasquez J.D.: Web usage data pre-processing, 2013, Studies in Computational Intelligence.

18. Marrese Taylor, Edison; Velásquez Silva, Juan Domingo; Bravo Marquez, Felipe: OpinionZoom, a modular tool to explore tourism opinions on the Web, 2013, Proceedings - 2013 IEEE/WIC/ACM International Joint Conference on Web Intelligence and Intelligent Agent Technology - Workshops, WI-IATW 2013.

19. Silva J.D.V.: Improvement of a methodology for website keyobject identification through the application of eye-tracking technologies, 2012, Proceedings of the 2012 IEEE/WIC/ACM International Conference on Web Intelligence and Intelligent Agent Technology Workshops, WI-IAT 2012.

20. Suarez-Baron M.J; Velasquez J.J; Salinas-Valencia K.E.: Towards semistructured information integrating using XML and deductive logic, 2011, KCAP 2011 - Proceedings of the 2011 Knowledge Capture Conference.

21. Baron M.J.S; Cifuentes C.A; Velasquez J.J; Rodriguez L.E.: An approach to telemedicine intelligent, through web mining and instrumentation wearable, 2011, 2011 6th Colombian Computing Congress, CCC 2011.

22. Oberreuter G; L´Huillier G; Rios S.A; Velasquez J.D.: Outlier-based approaches for intrinsic and external plagiarism detection, 2011, Lecture Notes in Computer Science.

23. Bravo-Marquez F; L´Huillier G; Moya P; Rios S.A; Velasquez J.D.: An automatic text comprehension classifier based on mental models and latent semantic features, 2011, ACM International Conference Proceeding Series.

24. Bravo-Marquez F; L´Huillier G; Rios S.A; Velasquez J.D.: A text similarity meta-search engine based on document fingerprints and search results records, 2011, Proceedings - 2011 IEEE/WIC/ACM International Conference on Web Intelligence, WI 2011.

25. Loyola P; Roman PE; Velasquez JD: Clustering-based learning approach for Ant Colony Optimization model to simulate Web user behavior, 2011, Proceedings -


186

2011 IEEE/WIC/ACM International Conference on Web Intelligence, WI 2011.

26. Oberreuter G., L'Huillier G., Ríos S.A., Velásquez J.D.: Approaches for intrinsic and external plagiarism detection notebook for PAN at CLEF 2011, 2011, CEUR Workshop Proceedings.

27. Bravo-Marquez F; L´Huillier G; Rios S.A; Velasquez J.D; Guerrero L.A.: DOCODE-Lite: A meta-search engine for document similarity retrieval, 2010, xxLecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics).

28. Roman PE; Dell RF; Velasquez JD: Advanced techniques in web data pre-processing and cleaning, 2010, Studies in Computational Intelligence.

29. L´Huillier G; Velasquez J.D; Jain L.C.: Innovations in web intelligence, 2010, Studies in Computational Intelligence.

30. Rebolledo V.L; L´Huillier G; Velasquez J.D.: Web pattern extraction and storage, 2010, Studies in Computational Intelligence.

31. Bravo-Marquez F; L´Huillier G; Rios S.A; Velasquez J.D.: Hypergeometric language model and Zipf-like scoring function for web document similarity retrieval, 2010, xxLecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics).

32. Merlo E; Rios S.A; Alvarez H; L´Huillier G; Velasquez J.D.: Finding inner copy communities using social network analysis, 2010, xxLecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics).

33. Roman PE; L´Huillier G; Velasquez JD: Web usage mining, 2010, Studies in Computational Intelligence.

34. Román Asenjo, Pablo; Velásquez Silva, Juan Domingo: A dynamic stochastic model applied to the analysis of the web user behavior, 2010, Advances in Intelligent and Soft Computing.

35. Roman PE; Velasquez JD: Stochastic simulation of web users, 2010, Proceedings - 2010 IEEE/WIC/ACM International Conference on Web Intelligence, WI 2010.

Patentes: N.A


187


1. Plataforma informática basada en Machine learning para optimizar el manejo de los episodios de fiebre y neutropenia en niños con cáncer, FONDEF, IDEA, duración 2018-2020, Investigador asociado.

2. Evaluación eficiente de la disfunción ejecutiva en pacientes con traumatismo craneoencefálico en contextos de la vida diaria mediante el uso de una herramienta informática (videojuego), FONDEF, IDEA, duración 2018-2020, Investigador asociado.

3. “KOREISHA: Plataforma informatica de analisis de variables fisiológicas y psico-sociales para la caracterización, categorización y monitoreo de adultos mayores con enfermedades cerebrales: Una experiencia demostrativa en la región de Aysen”, Proyecto Fondef, duración 2017-2018, coinvestigador.

4. “Plataforma informatica de análisis de redes sociales para estudiar la prevalencia de la marihuana y alcohol en Chile: Una aplicación de data mining en la generación de alertas tempranas en prevención de adicciones (SONAMA)”, Proyecto Fondef, duración 2017-2018, investigador principal.

5. “OpinionZoom: Empaquetamiento del servicio de análisis de opiniones en redes sociales OPINIONZOOM”, INNOVA, duración 2016-2018.

6. “Akori II: Plataforma de analisis de preferencias y extrapolación del comportamiento de usuarios web a partir de patrones de extrapolación visual y herramientas avanzadas de brain informatics for web intelligence”, IDEA FONDEF, duración: Marzo de 2016 hasta Marzo de 2018, investigador principal.

7. “Combining eye-tracking and electroencephalogram (EEG) for analyzing the web user browsing and preference behaviour in a web site”, FONDECYT, duración: Abril de 2016 hasta Abril de 2019, investigador principal.

8. “Open Beauchef - IBM: Concurso de Emprendimiento Tecnológico de alto impacto en el Área Salud”, INNOVA, duración: Agosto de 2015 hasta Febrero de 2017, investigador principal.

9. “Prototipo de analisis de preferencias de usuarios web, a partir de herramientas de brain informatics”, INNOVA, duración: Noviembre de 2015 hasta Noviembre de 2016, investigador principal.

10. “Empaquetamiento y Comercialización Sistema DOCODE”, Empaquetamiento y Transferencia de I+D,


188

INNOVA, duración: Noviembre de 2014 hasta Noviembre de 2016, investigador principal.

11. “OpinionZoom: Plataforma de analisis de sentimientos e ironía a partir de la información textual en redes sociales para la caracterización de la demanda de productos y servicios”, Proyecto de I+D Aplicada, INNOVA, duración: Noviembre de 2014 hasta Noviembre de 2016, investigador principal.

12. “Plataforma tecnológica basada en web intelligence que captura y genera información en forma ubicua y adaptable en función del entorno, para la creación de valor en el sector turismo”, IDEA FONDEF, duración: Julio de 2014 hasta Julio de 2016, investigador principal.

13. “Comercialización de un servicio de analisis de originalidad en documentos digitales DOCODE”, INNOVA, duración: Octubre de 2013 hasta Junio de 2014, investigador principal.

14. “Plataforma informatica basada en web-intelligence y herramientas de análisis de exploración visual para la mejora de la estructura y contenido de sitios web AKORI: Advanced Kernel for Ocular Research and web Inteligence”, IDEA FONDEF, duración: Marzo de 2013 hasta Agosto de 2014.

15. “Tecnologias de próxima generación para la detección de copia de documentos”, INNOVA, duración: Diciembre de 2011 hasta Diciembre de 2013, investigador principal.

16. “Desarrollo de una plataforma tecnológica generica basada en web intelligence de apoyo al diseño y aplicación de mejores estrategias de creación de valor en la industria de los servicios: experiencia demostrativa en el clúster de turismo de la región de Los Lagos”, Investigación y Desarrollo (I+D) FONDEF, duración: Diciembre de 2010 hasta Diciembre de 2012, investigador principal.

17. “Document copy detector (DOCODE): herramientas para la detección de copias en documentos digitales en la educación”, Investigación y Desarrollo (I+D) FONDEF , duración; Diciembre de 2008 hasta Diciembre de 2010, investigador principal.

18. “Instituto Cientifico Milenio de Sistemas Complejos de Ingenieria”, Institutos Milenios, Iniciativa Científica Milenio , duración: Diciembre de 2007 hasta Diciembre de 2017, investigador asociado.


189



Nombre del académico(a) Marcelo Olivares acuña



Título, institución, país Ingeniero Civil Industrial, Universidad de Chile, Chile


Ph.D. in Managerial Science and Applied Economics, University of Pennsylvania, 2007, Estados Unidos


Gestión de la cadena de suministro

Gestión de operaciones

Aplicaciones de economía y marketing en la gestión de operaciones


1. JOFRÉ ORTEGA PABLO, 2017, “Asignación eficiente de la fuerza de venta en tiempo real: Aplicación en una tienda de Retail”, Magíster en Gestión de Operaciones, Universidad de Chile.

2. LEVY GRASS EYAL, 2017, “Rediseño de Bases de Licitación para Convenios Marco competitivos. Caso de Estudio basado en Convenio Marco de Alimentos”, Magíster en Gestión de Operaciones, Universidad de Chile.

3. GALDAMES PAREDES FERNANDO, 2015, “Análisis Econométrico del abastecimiento de medicamentos en el mercado público vía licitaciones, convenios marco y Cenabast”, Magíster en Gestión de Operaciones, Universidad de Chile.


1. Yina Lu, 2013, “Data-driven System Design in Service Operations”, PhD in Decision, Risk and Operations,, Columbia University.

2. Kim Sang Won, 2012, “Design and Evaluation of Procurement Combinatorial Auctions”, PhD in Decision, Risk and Operations, Columbia University.

Listado de publicaciones en los últimos 10 años. En caso de publicaciones con más de




190

un autor, indicar en negrita el autor principal.

1. Why empirical research is good for operations management,

and what is good empirical operations management? with

Marshall Fisher and Brad Staats. Forthcoming in M&SOM

(2019)

2. Empirical Operations Management in MS and M&SOM: A

Review of the Last Two Decades, with Christian Terwiesch,

Brad Staats and Vishal Gaur. Forthcoming in M&SOM (2019).

https://doi.org/10.1287/msom.2018.0755

3. Does Adding Inventory Increase Sales? Evidence of a Scarcity

Effect in U.S. Automobile Dealerships, with Santiago Gallino

and Gerard Cachon. Management Science (2018). Available

online at

https://pubsonline.informs.org/doi/10.1287/mnsc.2017.3014

4. Kim Song-Hee, Chan Carri W, Marcelo Olivares, Escobar

Gabriel J. (2016). CRITICAL CARE MEDICINE, Vol. 44 (10), pp.

1814 - 1821. “Association Among ICU Congestion, ICU

Admission Decision, and Patient Outcomes”.

5. Kim Song-Hee, Chan Carri W, Marcelo Olivares, Escobar

Gabriel . (2015), MANAGEMENT SCIENCE, Vol. 61 (1), pp. 19 -

38. “ICU Admission Control: An Empirical Study of Capacity

Allocation and Its Implication for Patient Outcomes”.

6. Kim Sang Won, Marcelo Olivares, Weintraub Gabriel Y. (2014),

MANAGEMENT SCIENCE, Vol. 60 (5), pp. 1180 - 1201.

“Measuring the Performance of Large-Scale Combinatorial

Auctions: A Structural Estimation Approach”.

7. Lu Yina, Andres Ignacio Musalem Said, Marcelo Osvaldo

Olivares Acuña, Schilkrut Ariel. (2012), MANAGEMENT

SCIENCE, Vol. 59 (8), pp. 1743 - 1763. “Measuring the Effect of

Queues on Customer Purchases”.

8. Marcelo Osvaldo Olivares Acuña, Weintraub Gabriel Y, Rafael

David Epstein Numhauser, Yung Daniel. (2012),

MANAGEMENT SCIENCE, Vol. 58 (8), pp. 1458 - 1481.

“Combinatorial Auctions for Procurement: An Empirical Study

of the Chilean School Meals Auction”.

9. Cachon Gerard P, Marcelo Osvaldo Olivares Acuña. (2010),

MANAGEMENT SCIENCE, Vol. 56 (1), pp. 202 – 216. “Drivers of

Finished-Goods Inventory in the US Automobile Industry”.

10. Andres Ignacio Musalem Said, Marcelo Osvaldo Olivares

Acuña, Bradlow Eric T, Terwiesch Christian, Corsten Daniel.


191

(2010), MANAGEMENT SCIENCE, Vol. 56 (7), pp. 1180 - 1197.

“Structural Estimation of the Effect of Out-of-Stocks”.


No indexada (por ejemplo, libros, capítulos de libro, revistas con referato): Autor(es), año, nombre, lugar, editorial, estado. Libros y Monografías: 1. Santiago Gallino and Antonio Moreno-Garcia (eds.), Operations in an Omnichannel World, Springer Series in Supply Chain Management 8, https://doi.org/10.1007/978-3-030-20119-7_6 Casos de estudio:

1. “Beleza Natural”, with Omar Besbes, Nelson Fraiman, Maria Jose Quinteros and Gabriel Weintraub. Columbia Case Works, September 2011. Case used in the Operations Management MBA core at Columbia Business School (CBS), Stanford GSB, NYU and Purdue.

2. “Improving Customer Engagement”, with Andrew Shin. Columbia Case Works September 2011. Case used in the Operations Management MBA core at CBS and Darthmouth.

Patentes: N.A



1. "Diseño y evaluación de "nudges" para incentivar el ahorro en las compras públicas". Fondo de Evaluacion de Impacto 2019, DIPRES, Gobierno de Chile.

2. Proyecto Econometric Modeling in Dynamic Labor Allocation Systems, Fondecyt CONICYT, 2016-2018. Co-investigador.

3. Proyecto Estimating the value of customer service in retailing,

Fondecyt CONICYT, 2012-2016. Investigador Principal.

4. Proyecto Diseño de una plataforma para la implementación de

Convenios Marco competitivos, Fondef CONICYT, 2016-2018.

Director de proyecto.

5. Proyecto IT13I20031- Desarrollo de una herramienta para la

evaluación económica de niveles de servicio al cliente en

retail, Fondef CONICYT, 2014-2016. Director de proyecto.


192

6. Co-director, Columbia-Chile grant. Public Procurement

Mechanisms: From Practice to Research (and Back Again).

Proyecto de investigación financiado por Conicyt a trabajos en

conjunto entre académicos chilenos y Columbia University.

2014 (Investigador Principal: Gabriel Weintraub, Columbia

University).

7. Co-director, Fondef IT17I0066 “Desarrollo de una plataforma

software-as-a-service para apoyar decisiones de dotación de

personal en cadenas de retail”



1. Estimación de Daños para el Caso de Colusión de Productores

de Pollos, 2017, (con Ana María Montoya y Isamar Troncoso).

Informe realizado a solicitud del Sernac para estimar el daño a

los consumidores producto del acuerdo colusivo entre las

principales empresas productoras de pollos en Chile. En base

a este reporte el Tribunal Civil determina la compensación que

las empresas deben pagar a los consumidores en un juicio

colectivo.

2. Estimación de Sobreprecio para el Caso de Colusión en el

Mercado de Papel Tissue, 2016, (con Ana Maria Montoya).

Informe realizado a solicitud de la Fiscalía Nacional Económica

para estimar el beneficio extra producido por la colusión entre

las empresas CMPC y SCA en el caso del cartel de papel Tissue

(conocido como la "Colusión del Papel Higienico"). El informe

es uno de los principales reportes técnicos entregados por la

FNE al Tribunal de Libre Competencia para fundamentar la

multa de 20,000 UTAs que fueron solicitados al tribunal.

3. Evaluacion de sobreprecio en la colusión en licitaciones de

ampollas en licitaciones de Cenabast. Estudio encargado por

la Fiscalia Nacional Economica por el caso de collusion de

ampollas de Biosano / Sanderson-Fresenius. (2016-2018).

4. Walmart Chile (with Charles Thraves). Prediccion de nivel de servicio en caja basado en datos transaccionales. 2018-2019.

5. Poder Judicial de Chile (with Rafael Epstein and Daniel Yung). Sistema de dotacion de funcionarios para tribunales de justicia chilenos. 2015-2018.

6. Walmart Chile. Sistema de detección de quiebres de stock basado en información transaccional. 2013-2014.


193

7. Analisis de Eficiencia Operacional para Distintas Alternativas de Adjudicacion de Terminales del Puerto de Gran Escala de San Antonio. Informe encargado por EPSA, 2018.

Nombre del académico Sebastián Alejandro Ríos Pérez



Título, institución, país Ingeniero Civil Industrial, Universidad de Chile, Chile.


Ph.D. on Information Engineering, Universidad de Tokio, 2007, Japón.


Minería semántica de sitios web y Mejoramiento de la calidad de los contenidos y organización de sitios web/portales web para una mejor atención a los usuarios


1. Fabián García T. Algoritmo de predicción de crisis respiratoria en pacientes pediátricos, 2018, Magíster en Gestión de Operaciones, Universidad de Chile.

2. Carlos Cárdenas B. Control y Prevención de Enfermedades Crónicas Cardiovasculares en el Cesfam Barros Lucos, 2018, Magíster en Ingeniería de Negocios con Tecnologías de Información, Universidad de Chile.

3. Daniel Ocaranza O. Diseño del proceso de gestión de requerimientos de clientes para la implementación de nueva estrategia de negocio en una empresa de seguros, 2018, Magíster en Ingeniería de Negocios con Tecnologías de Información, Universidad de Chile.

4. María Vega S. Mejora en los Ingresos Publicitarios Mediante el Rediseño del Proceso de Venta de la Señal On Line de Canal 13, 2018, Magíster en Ingeniería de Negocios con Tecnologías de Información, Universidad de Chile.

5. Pablo Cleveland O. Modelo neurofisiológico para la difusión de información en redes sociales, 2018, Magíster en Gestión de Operaciones, Universidad de Chile.

6. Juan Alcalde V. Optimización del Proceso de Pronóstico de Demanda de Productos para la Gestión de Ventas y Producción de Laboratorio Chile, 2018, Magíster en



194

Ingeniería de Negocios con Tecnologías de Información, Universidad de Chile.

7. Mauricio Pilleux G. monitoreo remoto en pacientes hospitalizados, 2018, Magíster en Ingeniería de Negocios con Tecnologías de Información, Universidad de Chile.

8. Maximiliano Rojas C. Rediseño de procesos en sistema de detección automática de retinopatía diabética, 2018, Magíster en Ingeniería de Negocios con Tecnologías de Información, Universidad de Chile.

9. Orlando Rojas R. Diseño de un servicio de respuesta automático sobre el gasto público de Chile mediante un asistente virtual de interfaz conversacional, 2018, Magíster en Ingeniería de Negocios con Tecnologías de Información, Universidad de Chile.

10. Ana Soto V. Estimación del número de técnicos para el servicio de reparaciones de Telefónica Chile, 2017, Magíster en Gestión de Operaciones, Universidad de Chile.

11. Jonathan Ibaceta M. Gestión de demanda y capacidad con apoyo ti para mejorar la satisfacción en la atención al contribuyente en las oficinas del Servicio de Impuestos Internos, 2017, Magíster en Ingeniería de Negocios con Tecnologías de Información, Universidad de Chile.

12. Carlos Maldonado A. Monitorización de la complejidad y sistema de gestión para la variabilidad en la atención médica de los servicios de emergencia hospitalarios, 2017, Magíster en Ingeniería de Negocios con Tecnologías de Información, Universidad de Chile.

13. Andrea Perry C. Identificación de cubiertas agrícolas mediante imágenes satelitales y algoritmos de clasificación para Los Sauces y Lonquimay, 2017, Magíster en Ingeniería de Negocios con Tecnologías de Información, Universidad de Chile.

14. Imanol Bidegain R. Mejora del Proceso de producción de estimaciones de inscripciones de alumnos para Instituciones de Educación Superior, 2017, Magíster en Ingeniería de Negocios con Tecnologías de Información, Universidad de Chile.

15. Paulina Suárez A. Diseño de un Sistema de Pronóstico para una Plataforma de Marketing Móvil Geolocalizado, 2017, Magíster en Ingeniería de Negocios con Tecnologías de Información, Universidad de Chile.


195

16. Óscar Zúñiga L. Diseñar e Implementar Alertas de Seguridad para Prevenir Fraudes por Cajavecina en Bancoestado, 2016, Magíster en Ingeniería de Negocios con Tecnologías de Información, Universidad de Chile.

17. Luis Vera L. Mejora del Proceso de Análisis y Detección de Entidades Relacionadas a Bancos, en apoyo al Control y Regulación de límites de créditos, 2016, Magíster en Ingeniería de Negocios con Tecnologías de Información, Universidad de Chile.

18. Sebastián Contador M. Rediseño del Proceso de Compras del Hospital Clínico de La Universidad de Chile, 2016, Magíster en Ingeniería de Negocios con Tecnologías de Información, Universidad de Chile.

19. Iván Videla C. Improvement of recommendation system for a wholesale store chain using advanced data mining techniques, 2015, Magíster en Gestión de Operaciones, Universidad de Chile.

20. Matías Contador S. Mejoramiento del proceso de atención y asistencia a contribuyentes en Servicios de Impuestos Internos mediante business intelligence, 2015, Magíster en Ingeniería de Negocios con Tecnologías de Información, Universidad de Chile.

21. Iván Videla C. Caracterización y Completación de los Datos de Clientes de Retail Usando Técnicas de Graph Mining, 2014, Magíster en Ciencias, Mención Computación, Universidad de Chile.

22. Karen Orbenes R. Gestión de Clientes de Altos Patrimonios en Base a su Comportamiento de Inversión, 2014, Magíster en Ingeniería de Negocios con Tecnologías de Información, Universidad de Chile.

23. Ricardo Muñoz C. Diseño, desarrollo y evaluación de un algoritmo para detectar sub-comunidades traslapadas usando análisis de redes sociales y minería de datos, 2013, Magíster en Gestión de Operación, Universidad de Chile.

24. Daniel Ortega E. Diseño e Implementación de un Sistema de Control y Pronóstico de Conexiones para una Compañía Distribuidora de Combustible, 2013, Magíster en Gestión de Operación, Universidad de Chile.

25. Lautaro Cuadra L. Metodología de Búsqueda de Sub-Comunidades Mediante Análisis de Redes Sociales y Minería de Datos, 2012, Lautaro Cuadra, Universidad de Chile.


196

26. Clemente Martínez Á. Aplicación de técnicas de minería de datos para mejorar el proceso de control de gestión en Entel, 2012, Magíster en Gestión de Operaciones, Universidad de Chile.



Publicaciones indexadas ISI: Autor(es), año, nombre, lugar, editorial, estado, ISSN. Incluir factor de impacto de revista, si es pertinente. 1. Rios, SA; Aguilera, F; Nunez-Gonzalez, JD; Grana, M:

Semantically enhanced network analysis for influencer identification in online social networks, 2019, NEUROCOMPUTING.

2. Wolff, P; Grana, M; Rios, SA; Yarza, MB: Machine Learning Readmission Risk Modeling: A Pediatric Case Study, 2019, BIOMED RESEARCH INTERNATIONAL.

3. Garmendia, A; Grana, M; Lopez-Guede, JM; Rios, S: Neural and statistical predictors for time to readmission in emergency departments: A case study, 2019, NEUROCOMPUTING.

4. Garmendia, A; Rios, SA; Lopez-Guede, JM; Grana, M: Triage prediction in pediatric patients with respiratory problems, 2018, NEUROCOMPUTING.

5. Artetxe, A; Ayerdi, B; Grana, M; Rios, S: Using Anticipative Hybrid Extreme Rotation Forest to predict emergency service readmission risk, 2017, JOURNAL OF COMPUTATIONAL SCIENCE.

6. Rios, SA; Munoz, R: Land Use detection with cell phone data using topic models: Case Santiago, Chile, 2017, COMPUTERS ENVIRONMENT AND URBAN SYSTEMS.

7. Garmendia, A; Grana, M; Lopez-Guede, JM; Rios, S: Predicting Patient Hospitalization after Emergency Readmission, 2017, CYBERNETICS AND SYSTEMS.

8. Grana, M;Chyzhyk, D;Toro, C;Rios, S: Innovations in healthcare and medicine editorial, 2016, COMPUTERS IN BIOLOGY AND MEDICINE.

9. Contreras-Pina, C;Rios, SA: An empirical comparison of latent sematic models for applications in industry, 2016, NEUROCOMPUTING.

10. Muro, N;Sanchez, E;Toro, C;Carrasco, E;Rios, SA;Guijarro, F;Grana, M: Experience-Based Electronic Health Records, 2016, CYBERNETICS AND SYSTEMS.

11. Rios, SA;Erazo, L: An automatic apnea screening algorithm for children, 2016, EXPERT SYSTEMS WITH APPLICATIONS.


197

12. Rios, SA;Munoz, R: Content Patterns in Topic-Based Overlapping Communities, 2014, SCIENTIFIC WORLD JOURNAL.

13. Videla-Cavieres, IF;Rios, SA: Extending market basket analysis with graph mining techniques: A real case, 2014, EXPERT SYSTEMS WITH APPLICATIONS.

14. Rios, SA ; Velasquez, JD: FINDING REPRESENTATIVE WEB PAGES BASED ON A SOM AND A REVERSE CLUSTER ANALYSIS, 2011, INTERNATIONAL JOURNAL ON ARTIFICIAL INTELLIGENCE TOOLS.


No indexada (por ejemplo, libros, capítulos de libro, revistas con referato): Libros 1. Tope Omitola, Sebastián A. Ríos, John G. Breslin, 2015,

Social Semantic Web Intelligence, Morgan & Claypool Publishers.

Workshop Papers and International Conferences: 1. Caceres, E; Carrasco, M; Rios, S: Evaluation of an eye-

pointer interaction device for human-computer interaction, 2018, HELIYON.

2. Artetxe A., Graña M., Beristain A., Ríos S.: Emergency department readmission risk prediction: A case study in Chile, 2017, Lecture Notes in Computer Science.

3. Lopez-Guede J.M., Garmendia A., Graña M., Rios S., Estevez J.: Towards hospitalization after readmission risk prediction using ELMs, 2017, Lecture Notes in Computer Science.

4. Estevez, C.; Vallejos, D.; Ríos, S.A.; Brockmann, P.: Toward non-invasive polysomnograms through the study of electroencephalographic signal correlation for remotely monitored cloud-based systems, 2016, Smart Innovation, Systems and Technologies.

5. Ríos Pérez, Sebastián; García Tenorio, Fabián; Jimenez Molina, Antonio: A benchmark on artificial intelligence techniques for automatic chronic respiratory diseases risk classification, 2016, Smart Innovation, Systems and Technologies.

6. Echeverría, Matias; Jimenez Molina, Antonio; Ríos Pérez, Sebastián: A semantic framework for continuous


198

u-health services provisioning, 2015, Procedia Computer Science.

7. Arenas Cavalli, José; Ríos Pérez, Sebastián; Pola M., Donoso R.: A web-based platform for automated diabetic retinopathy screening, 2015, Procedia Computer Science.

8. Ríos Pérez, Sebastián; Videla Cavieres, Iván: Generating groups of products using graph mining techniques, 2014, Procedia Computer Science.

9. Erazo Gajardo, Lili; Ríos Pérez, Sebastián: A benchmark on automatic obstructive sleep apnea screening algorithms in children, 2014, Procedia Computer Science.

10. Ríos Pérez, Sebastián; Silva Álvarez, Roberto: A new dissimilarity measure for online social networks moderation, 2013, Web Intelligence and Agent Systems.

11. Ríos Pérez, Sebastián; Aguilera, Felipe; Bustos Carvajal, Francisco; Omitola, Tope; Shadbolt, Nigel: Leveraging social network analysis with topic models and the Semantic Web (extended), 2013, Web Intelligence and Agent Systems.

12. Rios S.A; Munoz R.: Dark web portal overlapping community detection based on topic models, 2012, Proceedings of the ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.

13. Roman PE, Gutierrez ME, Rios SA: A model for content generation in on-line social network, 2012, FRONTIERS IN ARTIFICIAL INTELLIGENCE AND APPLICATIONS.

14. Munoz R., Rios S.A.: Overlapping community detection in VCoP using topic models, 2012, FRONTIERS IN ARTIFICIAL INTELLIGENCE AND APPLICATIONS.

15. Rios S.A; Silva R.A; Aguilera F.: A dissimilarity measure for automate moderation in online social networks, 2012, ACM International Conference Proceeding Series.

16. Oberreuter G., L'Huillier G., Ríos S.A., Velásquez J.D.: Approaches for intrinsic and external plagiarism detection notebook for PAN at CLEF 2011, 2011, CEUR Workshop Proceedings.

17. Oberreuter G; L´Huillier G; Rios S.A; Velasquez J.D.: Outlier-based approaches for intrinsic and external plagiarism detection, 2011, Lecture Notes in Computer Science.

18. Bravo-Marquez F; L´Huillier G; Moya P; Rios S.A; Velasquez J.D.: An automatic text comprehension


199

classifier based on mental models and latent semantic features, 2011, ACM International Conference Proceeding Series.

19. Bravo-Marquez F; L´Huillier G; Rios S.A; Velasquez J.D.: A text similarity meta-search engine based on document fingerprints and search results records, 2011, Proceedings - 2011 IEEE/WIC/ACM International Conference on Web Intelligence, WI 2011.

20. Rios S.A; Aguilera F; Bustos F; Omitola T; Shadbolt N.: Leveraging Social Network Analysis with topic models and the semantic web, 2011, Proceedings - 2011 IEEE/WIC/ACM International Joint Conferences on Web Intelligence and Intelligent Agent Technology - Workshops, WI-IAT 2011.

21. Cuadra L; Rios S.A; L´Huillier G.: Enhancing community discovery and characterization in VCoP using topic models, 2011, Proceedings - 2011 IEEE/WIC/ACM International Joint Conferences on Web Intelligence and Intelligent Agent Technology - Workshops, WI-IAT 2011.

22. Bravo-Marquez F; L´Huillier G; Rios S.A; Velasquez J.D; Guerrero L.A.: DOCODE-Lite: A meta-search engine for document similarity retrieval, 2010, xxLecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics).

23. Bravo-Marquez F; L´Huillier G; Rios S.A; Velasquez J.D.: Hypergeometric language model and Zipf-like scoring function for web document similarity retrieval, 2010, xxLecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics).

24. Rios S.A; Aguilera F.: Web intelligence on the social web, 2010, Studies in Computational Intelligence.

25. L´Huillier G; Hevia A; Weber R; Rios S.: Latent semantic analysis and keyword extraction for phishing classification, 2010, ISI 2010 - 2010 IEEE International Conference on Intelligence and Security Informatics: Public Safety and Security.

26. Alvarez H; Rios S.A; Aguilera F; Merlo E; Guerrero L.: Enhancing social network analysis with a concept-based text mining approach to discover key members on a virtual community of practice, 2010, xxLecture Notes in Computer Science (including subseries Lecture Notes in


200

Artificial Intelligence and Lecture Notes in Bioinformatics).

27. Merlo E; Rios S.A; Alvarez H; L´Huillier G; Velasquez J.D.: Finding inner copy communities using social network analysis, 2010, xxLecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics).

28. L´Huillier G; Alvarez H; Aguilera F; Rios S.A.: Topic-based Social Network Analysis for Virtual Communities of Interests in the Dark Web, 2010, Proceedings of the ACM SIGKDD Workshop on Intelligence and Security Informatics 2010, ISI-KDD 2010.



1. “Técnicas avanzadas de análisis e interpretación de datos de etología computerizada: aplicaciones en neuroetología.”, Ministerio de Economía, Industria y Competitividad del Gobierno de España, 2018-2020, Investigador asociado.

2. Proyecto Marie Skłodowska-Curie Actions (MSCA): “Cyber-Physical Systems for Pedagogical Rehabilitation in Special Education” (CybSPEED), Unión Europea – Horizon 2020, 2017-2021, Investigador asociado.

3. Desarrollo y evaluación de un modelo de intervención basado en tecnologías de la información y de la comunicación (TICs) para reducir el riesgo de suicidio adolescente en establecimientos educacionales de la RM y la VI Región, FONDEF, IDEA Bietapa, 2016-2018, Investigador asociado.

4. Desarrollo y evaluación de algoritmos de data mining para la predicción del riesgo de crisis en pacientes ambulatorios de un hospital pediátrico, FONDEF, IDEA, 2013-2015, Investigador principal.

5. Centro de Investigación en Inteligencia de Negocios (CEINE), Movistar S.A., 2012-2017, Investigador principal y director del proyecto.

6. Semantic Web Mining Techniques to Study Enhancements of Virtual Communities, FONDECYT, Iniciación en Investigación, 2009-2012, Investigador principal.

7. Document copy detector (DOCODE): herramientas para la detección de copias en documentos digitales en la educación, FONDEF, Investigación y Desarrollo (I+D), 2008-2010, Investigador asociado.


201

8. Instituto Milenio Sistemas Complejos de Ingeniería, Iniciativa Científica Milenio (ICM), 2007-2017, Investigador asociado.

9. Instituto Sistemas Complejos de Ingeniería (ISCI), Programa de Investigación Asociativa (PIA) de CONICYT, 2009-2019, Investigador asociado.


Nombre del académico Daniel Schwartz Perlroth





Ph.D. en Behavioral Decision Research, Carnegie Mellon University, 2013, Estados Unidos.


Economía conductual (behavioral economics), Toma de decisiones (judgement and decision making) y Comportamiento del consumidor (consumer behavior)


1. Cristian Aguayo Q. Estudio del efecto de la calendarización de partidos en torneos de fútbol, 2019, Magíster en Gestión de Operaciones, Universidad de Chile.

2. Matías Pineda D. Acuerdos Ambientales Voluntarios: Evaluación Empírica del Impacto Ambiental de los Acuerdos de Producción Limpia en Chile, 2018, Magíster en Gestión de Operaciones, Universidad de Chile.



Publicaciones indexadas ISI: Autor(es), año, nombre, lugar, editorial, estado, ISSN. Incluir factor de impacto de revista, si es pertinente. 1. Schwartz, D; Loewenstein, G: The Chill of the Moment:

Emotions and Proenvironmental Behavior, 2017, JOURNAL OF PUBLIC POLICY & MARKETING.

2. Wong-Parodi, G; Krishnamurti, T; Davis, A; Schwartz, D; Fischhoff, B: A decision science approach for integrating social science in climate and energy solutions, 2016, NATURE CLIMATE CHANGE.



202

3. Schwartz, D; de Bruin, WB; Fischhoff, B; Lave, L: Advertising Energy Saving Programs: The Potential Environmental Cost of Emphasizing Monetary Savings, 2015, JOURNAL OF EXPERIMENTAL PSYCHOLOGY-APPLIED.


No indexada (por ejemplo, libros, capítulos de libro, revistas con referato): Workshop Papers and International Conferences: 1. 2019. Presentation at the Center for Behavioral

Engineering Research (BEE), KU Leuven, Belgium. Invited talk.

2. 2019. Presentation at the Universiteit Hasselt, Belgium. Invited talk.

3. 2018. Presentation at Pompeu Fabra University, Spain. Invited talk.

4. 2018. Presentation at ESADE, Universitat Ramon Lull, Spain. Invited talk.

5. 2018. Presentation at the Judgment and Decision Making (JDM) conference, New Orleans, LA.

6. 2018. Presentation as Keynote at the Big Data Symposium: Ideas in Practice, London, UK. Invited talk.

7. 2017. Presentation at the North American Conference of the Association for Consumer Research (ACR). Competitive paper. San Diego, CA.

8. 2017. Presentation at the North American Conference of the Association for Consumer Research (ACR). Special Session. San Diego, CA.

9. 2017. Presentation at the Society of the Advancement of Behavioral Economics (SABE) conference, Newcastle, Australia.

10. 2017. Presentation at Auckland University, New Zealand. Invited talk.

11. 2017. Presentation at Victory University of Wellington, New Zealand. Invited talk.

12. 2016. Presentation at the Center of Neuroeconomics, School of Business and Economics, Diego Portales University. Invited Talk.

13. 2016. Presentation at the Judgment and Decision Making (JDM) conference, Boston, MA.


203

14. 2016. Presentation at the Behavior, Energy and Climate Change (BECC) conference, Baltimore, MD.

15. 2016. Presentation at the School of Business and Economics, Alberto Hurtado University. Invited Talk.

16. 2016. Presentation at the Nucleo Milenio ESUU at Pontificia Universidad Católica. Invited Talk.

17. 2016. Presentation at the Center of Experimental Social Sciences (Oxford & USACH), Santiago. Chile. Invited Talk.

18. 2016. Presentation at Workshop in Management Science, San Pedro de Atacama, Chile. Invited Talk.

19. November, 2015. Presentation at the Association for Public Policy Analysis & Management (APPAM) conference, Miami, FL.

20. 2015. Presentation at Leeds University Business School, Leeds, UK. Invited talk.

21. 2015. Presentation as Keynote at the International Big Data Symposium, London, UK. Invited talk.

22. 2014. Presentation at the Judgment and Decision Making (JDM) conference, Long Beach, CA.

23. 2013. Presentation at the Judgment and Decision Making (JDM) conference, Toronto, Canada.

24. 2013. Presentation at the Behavior, Energy and Climate Change (BECC) conference, Sacramento, CA.

25. 2013. Presentation at the School of Management, Boston University, Boston, MA. Invited talk.

Patentes:


Título, fuente de financiamiento, duración, año de adjudicación y tipo de Investigación 1. Behavioral nudges as applied to debt payment and

prosocial behavior, FONDECYT, Regular, 2019-2023, Investigador principal.

2. Intervenciones para detección y tratamiento de trastornos mentales comunes con apoyo de tecnologías de la información y comunicación: ¿Red para el desarrollo de e-salud mental¿, Fondo Central de Investigación, Programa U-Redes: Línea 2 incentivo a la Consolidación de Red; Domeyko II, 2018-2020, Investigador asociado.

3. Applying behovioral nudges to credit cord payments ond prosociol behoviof, Fondo Central de Investigación, U-APOYA: Proyectos de Enlaces, 2018-2019, Investigador principal.


204

4. The Impact of Contingent and Non-contingent Monetary Incentives on Prosocial Behavior, FONDECYT, Iniciación en Investigación, 2014-2017, Investigador principal.


Título, año de adjudicación, duración, objetivo, institución contratante. 1. Research methods on price and quality perception,

2019, Pronto. 2. Course in Behavioral Economics as applied, 2018,

Consumer Protection Bureau (Sernac, Chile). 3. Statistical analysis for equipment inspection, 2015-

2016, Direct TV. 4. Research project on electricity bills and financial

decision making, 2014-2015, Consumer Protection Bureau (Sernac, Chile).

Nombre del académico Angel Antonio Jiménez Molina





Ph.D. en Ciencia de la Computación, KAIST, Korea Advanced Institute of Science and Technology, 2013, Corea del Sur.


Urban Computing Ubiquitous Computing, Gestión de Procesos de Negocios Ubicuos, Factores Humanos en Computación Orientada a Servicios Internet de las Cosas


1. Francisco Díaz G. Modelos de redes neuronales profundas para la predicción de secuencias de áreas de interés, datos de mirada e indicadores mentales, registrados para usuarios de un sitio web, 2019, Magíster en Gestión de Operaciones, Universidad de Chile.

2. Andrés Silva M. Mejoramiento de la Conversión de Anuncios Publicitarios en un Medio Digital, 2018, Magíster en Ingeniería de Negocios con Tecnologías de Información, Universidad de Chile.

3. Camilo Villar A. Diseño del proceso de negociación de acuerdos de nivel de servicio para un intermediario de servicios web, 2018, Magíster en Ingeniería de



205

Negocios con Tecnologías de Información, Universidad de Chile.

4. Pablo Moscoso P. Monitoreo y Control de Pacientes con Trastornos del Ánimo Basado en Tecnología Móvil y Web, 2018, Magíster en Ingeniería de Negocios con Tecnologías de Información, Universidad de Chile.

5. María Carmona F. Gestión para Disminuir Deserción en Centro de Formación Técnica ENAC, 2017, Magíster en Ingeniería de Negocios con Tecnologías de Información, Universidad de Chile.

6. Fabián Barriga U. Diseño y Construcción de unidad de negocio e-learning adaptativa para Equipo Educacional Máximo, 2016, Magíster en Ingeniería de Negocios con Tecnologías de Información, Universidad de Chile.

7. Nicole Pacheco A. Rediseño del proceso de abastecimiento en el área de compras en dos empresas dedicadas al equipamiento gastronómico, 2015, Magíster en Ingeniería de Negocios con Tecnologías de Información, Universidad de Chile.

8. Matías Echeverría U. Diseño del proceso de monitoreo a distancia y de predicción del riesgo de crisis en pacientes con hospitalización ambulatoria domiciliaria, 2015, Magíster en Ingeniería de Negocios con Tecnologías de Información, Universidad de Chile.



Publicaciones indexadas ISI: Autor(es), año, nombre, lugar, editorial, estado, ISSN. Incluir factor de impacto de revista, si es pertinente. 1. Jimenez-Molina, A; Retamal, C; Lira, H: Using

Psychophysiological Sensors to Assess Mental Workload During Web Browsing, 2018, SENSORS.

2. Jimenez-Molina A., Gaete-Villegas J., Fuentes J.: ProFUSO: Business process and ontology-based framework to develop ubiquitous computing support systems for chronic patients¿ management, 2018, JOURNAL OF BIOMEDICAL INFORMATICS.

3. Ko, IY; Ko, HG; Molina, AJ; Kwon, JH: SoIoT: Toward A User-Centric IoT-Based Service Framework, 2016, ACM TRANSACTIONS ON INTERNET TECHNOLOGY.

4. Jimenez-Molina, A; Ko, IY: Cognitive resource-aware unobtrusive service provisioning in ambient intelligence environments, 2015, JOURNAL OF AMBIENT INTELLIGENCE AND SMART ENVIRONMENTS.


206


No indexada (por ejemplo, libros, capítulos de libro, revistas con referato): Autor(es), año, nombre, lugar, editorial, estado. Workshop Papers and International Conferences: 1. Lira H., Ko I.-Y., Jimenez-Molina A.: Mental Workload

Assessment in Smartphone Multitasking Users: A Feature Selection Approach using Physiological and Simulated Data, 2019, Proceedings - 2018 IEEE/WIC/ACM International Conference on Web Intelligence, WI 2018.

2. Ríos Pérez, Sebastián; García Tenorio, Fabián; Jimenez Molina, Antonio: A benchmark on artificial intelligence techniques for automatic chronic respiratory diseases risk classification, 2016, Smart Innovation, Systems and Technologies.

3. Echeverría, Matias; Jimenez Molina, Antonio; Ríos Pérez, Sebastián: A semantic framework for continuous u-health services provisioning, 2015, Procedia Computer Science.

4. Jimenez-Molina A., Ko I.-Y.: Cognitive resources-aware web service selection in mobile computing environments, 2014, WWW 2014 Companion - Proceedings of the 23rd International Conference on World Wide Web.



Título, fuente de financiamiento, duración, año de adjudicación y tipo de Investigación 1. Toward accounting for the behavioral roots in the

modeling of transportation choices, FONDECYT, Regular, 2019-2023, Investigador asociado.

2. Intervenciones para detección y tratamiento de trastornos mentales comunes con apoyo de tecnologías de la información y comunicación: Red para el desarrollo de e-salud mental, Fondo Central de Investigación, Programa U-Redes: Línea 2 incentivo a la Consolidación de Red; Domeyko II, 2018-2020, Investigador asociado.


207

3. IntelNext: Aplicación de Inteligencia artificial semántica para programar anuncios publicitarios digitales, FONDEF, VIU-etapa 1, 43344, Investigador asociado.

4. Big data for sustainable smart cities with the aids of computational intelligence, FONDECYT, Regular, 2018-2021, Investigador asociado.

5. Caracterización de fatiga física y mental asociada a las tareas laborales a través del sensado y procesamiento de señales psicofisiológicas de los trabajadores, Proyectos de investigación e innovación en prevención de accidentes y enfermedades profesionales, Proyectos-Investigación, 2017-2019, Investigador principal.

6. Observatorio digital de delincuencia en Chile: un sistema inteligente de apoyo a la industria automotriz chilena, en el robo de vehículos y accesorios, FONDEF, IDEA Bietapa, 2016-2018, Investigador asociado.

7. A Cognitive Resource-Aware Mobile Service Framework to Support Human-Computer-Interactions in Ubiquitous Computing Environments, FONDECYT, Iniciación en Investigación, 2013-2017, Investigador principal.



Nombre del académico Denis Roland Sauré Valenzuela





Ph.D. Decisions, Risk, and Operations, Columbia University, 2011, Estados Unidos.


Modelamiento estocastico y sus aplicaciones en Revenue Management Assortment Planning


13. Alfredo Vega C. Diseño e Implementación de un Modelo de Compra y Distribución de Productos Empresa Plz, 2018, Magíster en Ingeniería de Negocios con Tecnologías de Información, Universidad de Chile.



208

14. Óscar Carrasco H. El Efecto de la Retroalimentación de los Consumidores sobre la Planificación del Surtido, 2017, Magíster en Gestión de Operaciones, Universidad de Chile.

15. Diego Bernstein L. Impacto de la estrategia en los resultados de enfrentamientos de ida y vuelta en el fútbol, 2017, Magíster en Gestión de Operaciones, Universidad de Chile.

16. Ignacio Correa F. Desarrollo de Cuestionarios Eficientes para el Modelo de Eliminación por Aspectos, 2017, Magíster en Gestión de Operaciones, Universidad de Chile.

17. Sebastián Cea B. Métodos Cuantitativos para la generación de rankings de selecciones de fútbol y su aplicación a la confección de grupos balanceados en la copa del mundo, 2016, Magíster en Gestión de Operaciones, Universidad de Chile.



Publicaciones indexadas ISI: Autor(es), año, nombre, lugar, editorial, estado, ISSN. Incluir factor de impacto de revista, si es pertinente. 24. Borrero, JS; Prokopyev, OA; Saure, D: Sequential

Interdiction with Incomplete Information and Learning, 2019, OPERATIONS RESEARCH.

25. Saure, D; Vielma, JP: Ellipsoidal Methods for Adaptive Choice-Based Conjoint Analysis, 2019, OPERATIONS RESEARCH.

26. Bernstein, F; Modaresi, S; Saure, D: A Dynamic Clustering Approach to Data-Driven Assortment Personalization, 2019, MANAGEMENT SCIENCE.

27. Alarcon, F; Duran, G; Guajardo, M; Miranda, J; Munoz, H; Ramirez, L; Ramirez, M; Saure, D; Siebert, M; Souyris, S; Weintraub, A; Wolf-Yadlin, R; Zamorano, G: Operations Research Transforms the Scheduling of Chilean Soccer Leagues and South American World Cup Qualifiers, 2017, INTERFACES.

28. Durán G., Guajardo M., Sauré D.: Scheduling the South American Qualifiers to the 2018 FIFA World Cup by integer programming, 2017, EUROPEAN JOURNAL OF OPERATIONAL RESEARCH.

29. Borrero, JS;Prokopyev, OA;Saure, D: Sequential Shortest Path Interdiction with Incomplete Information, 2016, DECISION ANALYSIS.


209

30. Besbes, O;Saure, D: Product Assortment and Price Competition under Multinomial Logit Demand, 2016, PRODUCTION AND OPERATIONS MANAGEMENT.

31. Khademi, A;Saure, D;Schaefer, A;Nucifora, K;Braithwaite, S;Roberts, MS: HIV Treatment in Resource-Limited Environments: Treatment Coverage and Insights, 2015, VALUE IN HEALTH.

32. Khademi, A;Saure, DR;Schaefer, AJ;Braithwaite, RS;Roberts, MS: The Price of Nonabandonment: HIV in Resource-Limited Settings, 2015, M&SOM-MANUFACTURING & SERVICE OPERATIONS MANAGEMENT.

33. Khademi, A;Braithwaite, RS;Saure, D;Schaefer, AJ;Nucifora, K;Roberts, MS: Should Expectations about the Rate of New Antiretroviral Drug Development Impact the Timing of HIV Treatment Initiation and Expectations about Treatment Benefits?, 2014, PLOS ONE.

34. Besbes, O;Saure, D: Dynamic Pricing Strategies in the Presence of Demand Shifts, 2014, M&SOM-MANUFACTURING & SERVICE OPERATIONS MANAGEMENT.



Autor(es), nombre, año, lugar (Título Revista), editorial, estado, ISSN. Incluir factor de impacto de revista, si es pertinente. Libros Capítulos de libros Revistas con referato Workshop Papers and International Conferences:

Patentes: N.A




210

1. Approximate Dynamic Programming Methods for

Adaptive Choice-Based Conjoint Analysis, FONDECYT, Regular, 2018-2021, Investigador principal.

2. Respuesta automatizada para inteligencia en despachos online (RAPIDO), FONDEF, IDEA, 2016-2018, Investigador asociado.

3. Product design and assortment planning with non-compensatory preferences under competition, FONDECYT, Regular, 2015-2019, Investigador asociado.

4. Desarrollo de Tecnologías para Mejorar la Experiencia de Compra de los Clientes en un Ambiente Multicanal, FONDEF, IDEA Bietapa, 2014-2016, Investigador asociado.

5. Dynamic Assortment Personalization with Demand Uncertainty and Consumer Choice, FONDECYT, Iniciación en Investigación, 2014-2017, Investigador principal.




211

Anexo C Programas de Cursos

PROGRAMAS DE CURSOS OBLIGATORIOS

I. MDS5504: Aprendizaje de Máquinas

Código Nombre

MDS5504 Aprendizaje de Máquinas

Nombre en Inglés

Machine Learning

CT Unidades Docentes

Horas de Cátedra

Horas Docencia Auxiliar

Horas de Trabajo

Personal

6 10 3 2 5

Requisitos Carácter del Curso

Obligatorio Magíster en Ciencia de Datos

Resultados de Aprendizaje

Este curso enseña los fundamentos teóricos del aprendizaje de máquinas, su importancia en relación a otras ramas que requieren análisis de datos y su implementación en problemas reales. Al final del curso, el alumno deberá conocer las propiedades de distintos métodos de aprendizaje, como mínimos cuadrados, máxima verosimilitud, máximo a posteriori, y estimación Bayesiana, tanto para modelos paramétricos como no-paramétricos. Finalmente, el alumno deberá implementar las herramientas aprendidas a datos reales en problemas de regresión, predicción, clasificación, selección de modelos y reducción de dimensionalidad.

Metodología Docente Evaluación General

La metodología del curso comprenderá los siguientes ítems:

Clases expositivas

Demostraciones de los métodos aprendidos

Clases auxiliares donde se guiará a los alumnos a implementar las técnicas vistas en cátedra

Realización de un proyecto individual

La evaluación será en aspectos tanto teóricos como prácticos durante el desarrollo del curso e incluirá:

Participación en clase

Presentaciones y discusiones grupales en base a material de grupo de lectura

Tareas

Proyecto


212

Unidades Temáticas

Número Nombre de la Unidad Duración en Semanas

1 Inteligencia artificial vía aprendizaje de máquinas

1.5

Contenidos Resultados de

Aprendizajes de la Unidad

Referencias a la Bibliografía

a) Introducción

Inteligencia Artificial, fundamentos filosóficos, agentes [IAMA, MA]

Sistemas expertos versus automatización [IAMA]

Definición de aprendizaje [LFD, ISL]

Ejemplo: Ajuste de curvas polinomiales

Aplicaciones reales y motivación

b) Definición de Aprendizaje de Máquinas [IAMA cap18]

Taxonomía: Aprendizaje supervisado, no-supervisado, semi-supervisado, reforzado [LFD]

Sobreajuste / subajuste [LFD, ISL]

Entrenamiento, validación y test [LFD, ISL]

Navaja de Occam [LFD]

- Conocer los fundamentos del aprendizaje de máquinas en relación a la computación clásica y a la inteligencia artificial - Entender la relación entre aprendizaje de máquinas y razonamiento probabilístico - Comprender cómo extraer información y manejar incertidumbre de datos con un enfoque probabilístico

Ver notas de referencia en cada contenido


2 Regresión: inferencia exacta y aproximada 3




a) Regresión lineal Modelo lineal [ISL] Mínimos cuadrados y

regularización Aprendizaje mediante

optimización: gradiente descendente estocástico

Repaso de optimización y álgebra lineal

- Habilidad para formular un problema de regresión y lo resolverlo de forma determinística o probabilística - Resolver modelos intratables mediante métodos de Monte Carlo



213

Regresión lineal multivariada Regresión no lineal:

polinomial, escalones, bases, splines [ISL] Modelos lineales generalizados [MLPP, ISL]

Repaso de programación científica en Python

b) Aprendizaje mediante inferencia probabilística [BDA]

Tres pasos: modelo, distribución posterior, evaluación.

Repaso de probabilidades Modelos generativos:

Gaussian discriminant analysis y naïve Bayes

Inferencia bayesiana Probabilidad como medida de

incertidumbre Ejemplo: un modelo de un

parámetro Regularización mediante

elección de distribución a priori

- Realizar predicción en base a datos observados tomando en cuenta conceptos de incertidumbre y sobreajuste


3 Selección y promedio de modelos [MSMA] 1




Selección: Akaike IC, Bayesian IC, Negative log-predictive distribution [BDA, ESL (ch7)]

Promedio de modelos Selección/ingeniería de

características

- Evaluar, seleccionar y combinar distintas estructuras de modelos en base a índices de desempeño, incluso cuando la cantidad de estructuras es infinita



214


4 Clasificación 2.5


Aprendizajes de la Unidad Referencias a la

Bibliografía

Regresión logística Análisis de discriminante

lineal Clasificación lineal: binaria y

multiclase K-vecinos más cercanos [ISL] Naive Bayes [ISL] Máquinas de soporte vectorial

[LWK] Random Forests Medidas de desempeño: Error

cuadrático medio, entropía cruzada, validación cruzada, curvas ROC, curvas de precisión-recall, F-score, matrices de confusión, etc.

-Representar probabilísticamente el problema de clasificación y relacionarlo con enfoques deterministas. -Conocer la teoría de aprendizaje estadístico y su relación con las máquinas de soporte vectorial -Implementar máquinas de soporte vectorial



5 Redes neuronales [ISL, MLPR, DL] 2




Definición, perceptrón, adaline Backpropagation, ADAM Tipos de redes (CNN, RNN, FFNN). Funciones de activación Autoencoders y redes generativas

adversariales Métricas de evaluación Aprendizaje profundo:

convolución,submuestreo,dropout, normalización por batches.

Ejemplos de redes convolutivas y residuales.

-Conocer las estructuras estándar de redes neuronales y técnicas de entrenamiento -Implementar estructuras actuales de redes neuronales usando toolboxes disponibles -Nociones sobre el estado del arte en redes bayesianas



215


7 Reducción de dimensionalidad 1

Contenidos Resultados de Aprendizajes de

la Unidad Referencias a la

Bibliografía

Análisis de componentes principales: lineal, probabilístico y de kernel

LDA/ANOVA/ICA Algoritmo de visualización

t-SNE

-Conocer la importancia de las técnicas de reducción de dimensionalidad para preprocesamiento de datos, visualización e interpretación. -Dominar distintas técnicas de reducción de dimensionalidad y saber cuándo usarlas



8 Clustering 2

Contenidos Resultados de Aprendizajes

de la Unidad Referencias a la

Bibliografía

K-medias DBSCAN: Density-based

spatial clustering of applications with noise

Kernel density estimation [MLPP]

Factor analysis Mezcla de gaussianas: El

algoritmo expectation maximisation [MLPP]

Métricas de clustering

-Entender la diferencia entre métodos paramétricos y no-paramétricos -interpretar clustering como el diseño de un modelo generativo -ocupar un enfoque variacional para resolver modelos intratables (inferencia aproximada)


Bibliografía General

[IAMA] S. Russell and P. Norvig, Artificial Intelligence: A Modern Approach, 1994. Prentice Hall. [MA] P. Domingues, The Master Algorithm, 2015. Basic Books. [LFD] Y. Abu-Mostafa, M. Magdon-Ismail and H. Lin, Learning from data, 2012. AMLBook [ISL]: G. James, D. Witten, T. Hastie and R. Tibshirani, Introduction to statistical learning, 2013. Springer. [BDA]: A. Gelman, J. Carlin, H. Stern, D. Dunson, A. Vehtari, and D. Rubin, Bayesian Data Analysis, 2013. CRC Press. [ITILA]: D. MacKay, Information theory, inference and learning algorithms, 2003. Cambrdige. [MSMA]: G. Claeskens and N. L. Hjort, Model selection and model average,2008. Cambridge. [PRML]: C. Bishop, Pattern recognition and machine learning, 2006. Springer. [GP4ML]: C. Rasmussen and C. Williams, Gaussian processes for machine learning, 2006. MIT. [MLPP]: K. Murphy, Machine learning: A probabilistic perspective, 2012. MIT. [ESL]: T.Hastie, R. Tibshirani, J. Friedman, Elements of statistical learning, 2009. Springer.


216

[LWK]: B. Schölkopf and A. Smola, Learning with kernels, 2002. MIT. [UDL]: Y. Gal, Uncertainty in Deep Learning, 2015. http://mlg.eng.cam.ac.uk/yarin/thesis/thesis.pdf [VI]: D. M. Blei, A. Kucukelbir and J. D. McAuliffe, Variational Inference: A Review for Statisticians, 2015. https://arxiv.org/abs/1601.00670.

Vigencia desde: Diciembre 2018

Elaborado por: Felipe Tobar

Revisado por: Pablo Estévez

II. MDS5501: Bases de Datos

Código Nombre

MDS5501 Bases de Datos

Nombre en inglés

Databases


Horas de Cátedra


Horas de Trabajo

Personal

6 10 3 1,5 5,5




El propósito del curso es que los estudiantes del curso aprenderán sobre la estructura y funcionamiento de las bases de datos relacionales y NoSQL, modelamiento de datos, funcionalidades esenciales presentes en los productos que permiten la creación de ambos tipos de bases de datos y cuando se debe usar cada una de ellas.

Dentro de las competencias que se espera que el estudiante desarrolle están:

- Diseñar e implementar sistemas de almacenamiento de datos de acuerdo a las condiciones de la industria o sector en donde se desarrolla el proyecto de Data Science.

- Aprender a analizar las variables de un problema de administración de datos que devengan en el uso de una base de datos relacional o de una NoSql

- Conocer la estructura y funcionamiento de los sistemas de administración de bases de datos relacionales y NoSql

- Comprender las funcionalidades esenciales presentes en los productos de Software que permiten la creación de bases de datos relacionales y NoSql

Al finalizar el curso, se espera que los estudiantes hayan: - Aprendido a modelar datos usando el enfoque Entidad Relación. - Comprendido el funcionamiento de un motor de bases de datos relacional y NoSQl - Aprendido a programar en lenguaje SQL. - Entendido las distinciones fundamentales de un problema de administración de datos que

devenga en el uso de una bases de datos relacional o NoSql


217


Este curso tiene una connotación teórico-práctica. Está compuesto por cátedras y trabajo práctico de análisis de datos utilizando las técnicas aprendidas a lo largo del curso.

El curso se evalúa a partir de tareas que permiten a los estudiantes aplicar y ejercitar las diferentes técnicas aprendidas en el curso El cálculo de esas notas se efectúa de la siguiente forma: NT = Promedio de las notas parciales (∑ wi*Pi)/n, donde Pi son las notas de las tareas y wi la ponderación que tiene cada una de ellas. En caso de que el alumno rinda el examen, la nota final se calcula de la siguiente forma. NT*0,6+EX*0,4 La condición para aprobar el curso es: NT >= 4.0

Unidades Temáticas


1 Bases de datos relacionales 5



Bibliografía

Modelamiento entidad relación

Conceptos básicos

Representaciones gráficas

Ejemplos Modelo Relacional

Conceptos básicos: relación, tabla, dominio, tupla, esquemas

Integridad de datos.

Diseño de bases de datos relacionales

Definición del problema

Normalización: 1NF, 2NF y 3NF

Criterios para normalizar

Los estudiantes adquieren el conocimiento adecuado respecto del modelamiento de datos usando el enfoque entidad relación, así como los fundamentos de la programación en lenguaje SQL, con su correspondiente realización práctica en la creación de funcionalidades basadas en requerimientos.

Connolly, T. M., & Begg, C. E. (2015). Database systems: a practical approach to design, implementation, and management.(6th edition) Pearson Education. Harrington, J. L. (2016). Relational database design and implementation. Morgan Kaufmann.


218

Lenguaje SQL ACID (Atomicity, Consistency, Isolation, Durability)


2 Sistemas de administración de bases de datos relacionales

3



Bibliografía

Estructura de una base de datos relacional

Tablespace y archivos

Instancia de la base de datos

Tablas particionadas

Vistas materializadas

Índices

Respaldo y recuperación de la base de datos

Los estudiantes comprenden la estructura básica de un motor de bases de datos relacionales, su funcionamiento mínimo. Comprenden el concepto de “instancia de bases de datos” y aprenden a utilizar estructuras de aceleración de consultas. También comprenderán la importancia del respaldo adecuado para la recuperación eficaz de una base de datos

C. J. Date, A. Kannan and S. Swamynathan, An Introduction to Database Systems, Pearson Education, Eighth Edition, 2009. Abraham Silberschatz, Henry F. Korth and S. Sudarshan, Database System Concepts, McGraw-Hill Education (Asia), Fifth Edition, 2006. Shio Kumar Singh, Database Systems Concepts, Designs and Application, Pearson Education, Second Edition, 2011.


3 Bases de datos No relacionales 3



Bibliografía

Datos masivos: Orígenes de NoSQL

El Teorema CAP: Consistencia, Accesibilidad, Particionamiento (Conjetura de Brewer),

MapReduce

Sistemas NoSql: o Clave valor(Redis, Riak

KV) o Bases de datos

documentales (Mongo

Los estudiantes comprenden la estructura y funcionamiento a nivel conceptual de las bases de datos NoSql. Comprenden la necesidad de este nuevo enfoque cuando existen datos masivos en formatos complejos como lo son los textos, imágenes etc.

Harrison, G. (2015). Next Generation Databases: NoSQLand Big Data. Apress. Fox, A., & Brewer, E. A. (1999). Harvest, yield, and scalable tolerant systems. In Hot Topics in Operating Systems, 1999. Proceedings of


219

Db) o o Familia de columnas

Google Big Table Casandra

o Basadas en Grafos Neo4j

the Seventh Workshop on (pp. 174-178). IEEE. Gilbert, S., & Lynch, N. (2002). Brewer's conjecture and the feasibility of consistent, available, partition-tolerant web services. Acm Sigact News, 33(2), 51-59. Dean, J., & Ghemawat, S. (2008). MapReduce: simplified data processing on large clusters. Communications of the ACM, 51(1), 107-113. Hills, T. (2016). NoSQL and SQL Data Modeling: Bringing Together Data, Semantics, and Software. Technics Publications.


4 Productos para la creación de bases de datos relacionales y NoSql

4



Bibliografía

MySql

PostgresSQL

Motores de bases de datos comerciales

Hadoop

HDFS

Spark

Pig

Hive

Impala

Streeming

Scala

Los estudiantes entienden la estructura y funcionamiento de varios productos de software utilizados en la creación de bases de datos relacionales y NoSql

White, T. (2012). Hadoop-The Definitive Guide: Storage and Analysis at Internet Scale (revised and updated). Wampler, Dean, and Alex Payne. Programming Scala: Scalability= Functional Programming+ Objects.


220

Mongo DB

" O'Reilly Media, Inc.", 2014. Carpenter, Jeff, and Eben Hewitt. Cassandra: The Definitive Guide: Distributed Data at Web Scale. " O'Reilly Media, Inc.", 2016. Chodorow, Kristina. MongoDB: The Definitive Guide: Powerful and Scalable Data Storage. " O'Reilly Media, Inc.", 2013.


Holden Karau, Andy Konwinski, Patrick Wendell, Matei Zaharia. Learning Spark. O'Reilly 2015

Mahmoud Parsian. Data Algorithms: Recipes for Scaling Up with Hadoop and Spark. O'Reilly 2015

Vladimir Bacvanski. Introduction to Big Data An Overview of Fundamental Big Data Concepts, Tools, Techniques and Practices. O'Reilly Media, 2015.

Salvador Garcia, Julian Luengo, and Francisco Herrera. Data preprocessing in data mining. New York: Springer, 2015.

Elmasri, Ramez. Fundamentals of database systems. Pearson Education India, 2008. Elmasri, Ramez, and Sham Navathe. Fundamentals of database systems. London: Pearson, 2016. Tiwari, Shashank. Professional NoSQL. John Wiley & Sons, 2011.

Vigencia desde: Otoño 2019

Elaborado por: Juan Velásquez S y Claudio Gutierrez

Validado por: Comité Académico Magíster de Ciencia de Datos


221

III. MDS5503 - Proyecto de Ciencia de Datos Código Nombre

MDS5503 Proyecto de Ciencia de Datos

Nombre en inglés

Data Science Project


Horas de Cátedra


Horas de Trabajo

Personal

6 10 3 0 7




Este curso tiene como propósito que los estudiantes apliquen conceptos fundamentales de la Ciencia de Datos, así como obtener una visión general de lo que implica llevar a cabo un proyecto de datos. La finalidad es que los estudiantes resuelvan problemas mediante herramientas para el manejo, análisis y visualización de información. Por medio del desarrollo de un proyecto, el estudiante obtendrá conocimiento y dominio en el uso efectivo de herramientas de manejo y análisis de datos. Los proyectos serán problemas específicos definidos en diversos dominios de aplicación, donde los estudiantes deberán utilizar herramientas de análisis de datos y/o los lenguajes de programación que estimen pertinente (por ejemplo, Python, R, Octave, Weka, Knime y/u otros). Los problemas planteados estarán delimitados a la duración del curso en cuanto a su alcance y tamaño. El proyecto seguirá la metodología estándar de un proyecto en ciencia de datos, compuesta por las siguientes etapas: 1. Comprensión y formulación del problema: se plantea el problema de ciencia de datos a abordar durante el proyecto. 2. Adquisición de datos: se identifican las fuentes de datos y se procede a extraer, limpiar y transformar dichas fuentes para su posterior análisis. Al finalizar el curso, el estudiante: 3. Análisis y modelamiento de datos: se usan técnicas estadísticas, de minería de datos y de machine learning para extraer valor a partir de los datos con el fin de resolver el problema inicial. 4. Comunicación del resultado: se comunican los resultados usando técnicas de visualización de datos. 5. Despliegue: se pone en producción el modelo construido y validado. En este curso el estudiante seguirá metodologías con estructura teórico-practica, “hands-on”, donde se presenten cápsulas de contenido al inicio de la clase y luego se lleve a la práctica con ayuda del equipo docente. En este entorno, los estudiantes podrán ejercitar activamente, resolver dudas y fortalecer los conocimientos adquiridos en las cápsulas teóricas.


222

Los resultados de aprendizaje que se espera que el estudiante desarrolle son:

- Maneja bases de datos a través de los lenguajes de programación Python y R, considerando la revisión y limpieza de los datos, logrando adquirir conocimiento práctico en base al desarrollo de un proyecto de Ciencia de Datos.

- Analiza bases de datos para extraer valor a partir de estas, considerando actividades como minar datos, inferencia de datos y reconocimiento de patrones, en base al desarrollo de un proyecto de Ciencia de Datos.

- Trabaja en equipo en forma estratégica, colaborativa, responsable y organizada, considerando la autogestión y la autoevaluación de su desempeño, a fin de facilitar la innovación y la mejora en el desarrollo del proyecto de Ciencia de Datos.

- Comunica en forma oral y escrita los resultados del análisis de datos en forma eficiente y efectiva, a sus pares, académicos y otros profesionales.

- Cumple obligaciones y acuerdos, respetando los compromisos adquiridos, reflexionando sobre sus acciones y asumiendo las consecuencias.


Este curso tiene una connotación práctica y de trabajo colaborativo. Se logra el aprendizaje mediante el desarrollo de un proyecto aplicado que involucra el uso intensivo de herramientas para el procesamiento, análisis y visualización de datos. Las cátedras serán enfocadas en la presentación de la problemática y la introducción de las herramientas de programación y técnicas de Ciencia de Datos, que podrán ser utilizadas por los equipos de trabajo durante el desarrollo de sus proyectos. Cada equipo de trabajo de 3 o 4 personas resolverá un problema de diferentes disciplinas propuesto por el equipo docente. Cada problemática a resolver se presenta a los(as) estudiantes al inicio del curso, definiendo claramente el problema, los objetivos mínimos del proyecto y los datos pertinentes para la resolución del mismo. Cada equipo de trabajo contará con el apoyo de un integrante del equipo docente a lo largo del proyecto, con el fin de guiar el trabajo a realizar, apoyando en el uso de herramientas y la literatura. Además, periódicamente el

El curso se evalúa a partir de hitos de avance del proyecto que miden el cumplimiendo de los objetivos propuestos al comienzo del semestre para los equipos de trabajo. Cada hito de avance puede corresponder a una presentación oral o a un informe escrito. Al finalizar el semestre, cada equipo deberá realizar una presentación oral de sus resultados y entregar un informe escrito con los resultados obtenidos. El cálculo de esas notas se efectúa de la siguiente forma: NH = Promedio de los hitos de avance. NP = Nota de presentación oral final. NI = Nota de informe escrito final. Nota Final = 0,5 * NH + 0,25 * NP + 0,25 * NI La condición para aprobar el curso es: NH >= 4.0, NP >= 4.0, NI >= 4.0


223

equipo se reunirá con el/la investigador(a) que propone el problema para mostrar los avances del proyecto, y con ello facilitar la recepción de retroalimentación experta. Al finalizar el semestre, cada equipo de trabajo debe realizar una exposición oral final presentando el proceso a lo largo del semestre, las soluciones propuestas, limitaciones y líneas de investigación a seguir y resultados obtenidos en el proyecto. Finalmente, incluyendo los comentarios y correcciones resultantes de la presentación oral, el equipo de trabajo debe presentar el informe final escrito que resumen el trabajo realizado y resultados del proyecto.

Unidades Temáticas


1 Definición del problema de ciencia de datos 3

Contenidos Resultados de Aprendizajes de la

Unidad Referencias a la

Bibliografía

1. Formulación del proyecto 2. Definición de los

aspectos y desafíos técnicos del proyecto

3. Introducción a los desafíos de datos presentes en el proyecto

4. Presentación de la literatura básica de la problemática

5. Declaración de los objetivos y niveles de logro esperados al final del proyecto

El estudiante: 1. Identifica las etapas generales que deberá ejecutar en el desarrollo de sus proyectos de Ciencia de Datos, desde el planteamiento del problema hasta la evaluación de la solución. 2. Establece relaciones relevantes entre lo leído y otros conocimientos desde una perspectiva personal, académica y profesional. 3. Reconoce los aspectos específicos de la problemática abordada y los desafíos presentes desde el punto de vista de análisis, organización y procesamiento datos. 4. Reconoce los logros esperados y las dificultades que deberá abordar a lo largo del desarrollo del proyecto. 5. Intercambia con sus pares, profesores, otros profesionales y actores relevantes conocimientos en el ámbito de la Ciencia de Datos en la

[3] Cap 2, [5],[6]


224

FCFM, ideas sobre diferentes desafíos profesionales en torno a los proyectos trabajados. 6. Cumple obligaciones y acuerdos, respetando los compromisos adquiridos en sus actividades académicas. 7. Participa en discusiones, respetando otros puntos de vista y entregando su visión sobre el tema. 8. Propone objetivos, desafiantes y claramente definidos, transmitiendo al equipo confianza y entusiasmo respecto de los logros alcanzados y los por lograr.


2 Desarrollo de proyecto de ciencia de datos 10



Bibliografía

1. Presentación de

metodologías de trabajo.

a. Proceso de

descubrimiento de

conocimiento en

bases de datos

(KDD)

b. Team Data Science

Process

2. Presentación de

herramientas de

organización de trabajo.

a. R Notebooks

b. Jupyter Notebooks

c. Google Colab

3. Estudio de herramientas de

exploración, manipulación

y preprocesamiento de

datos.

a. Uso básico de R

b. Librería tidyverse

c. Reducción de

dimensionalidad

El estudiante: 1. Planifica su trabajo para cumplir con los hitos asignados en el proyecto. 2. Identifica la literatura y las herramientas necesarias para abordar los objetivos del proyecto. 3. Define una propuesta metodológica de trabajo en equipo, que implica todas las etapas de desarrollo y presentación de resultados. 4. Comparte al equipo información, conocimientos y experiencias de forma clara y precisa para aportar al logro de los objetivos comunes. 5. Explica el problema abordado con un sentido colectivo estratégico y propósito del proyecto. 6. Analiza y justifica el uso de herramientas de análisis, procesamiento e inferencia considerando los objetivos declarados en el proyecto.

[1-9]


225

d. Clustering para

exploración de

datos

e. Análisis de itemsets

frecuentes y reglas

de asociación

4. Visualización de datos

a. Guías prácticas de

uso de

visualizaciones

para generación de

hipótesis

b. Librería ggplot2

c. Herramientas de

visualización de

datos de alta

dimensionalidad

5. Estudio de aprendizaje de

máquinas

a. Aprendizaje

supervisado

b. Aprendizaje no

supervisado

c. Librería scikit-learn

6. Estudio de herramientas de

estructura y procesamiento

de datos especializadas

7. Desarrollo del proyecto en

base a hitos de avance 8. Presentación de la

literatura básica de la problemática.

9. Declaración de los objetivos y niveles de logro esperados al final del proyecto.

7. Elabora juicios acerca de la información contenida en los datos y de los supuestos que sustentan los métodos utilizados. 8. Propone un diseño experimental y define métricas concretas para medir el desempeño de los algoritmos utilizados. 9. Explora oportunidades e ideas novedosas que agreguen valor al problema abordado. 10. Selecciona las mejores herramientas y sus parámetros. 11. Visualiza los resultados y propone estrategias efectivas para presentarlos. 12. Discute y analiza los resultados obtenidos y los contrasta con los objetivos declarados. 13. Evalúa en forma continua el cumplimiento de las metas y objetivos, en el contexto del trabajo en equipo, realizando ajustes oportunos en las actividades.


3 Presentación de solución 2



Bibliografía

1. Desarrollo de informes de resultados de un

El estudiante:

[1-5]


226

proyecto de Ciencia de Datos.

2. Presentación oral de un proyecto de Ciencia de Datos.

1. Comunica de manera la solución propuesta para el problema dado. 2. Muestra el proceso completo dentro del cual se desarrolló el proyecto y las decisiones tomadas. 3. Cambia de registro de habla (formal, informal), académico, profesional, divulgativo) y los combina según las diferentes audiencias a las que se dirige.


[1] Grolemund, G; Wickham H. (2017). R for Data Science, Visualize, Model, Transform, Tidy and Import Data. O´Reilly. [En línea: https://r4ds.had.co.nz/index.html]

[2] Kyrian Dale. (2016) “Data Visualization with Python and JavaScript: Scrape, Clean, Explore & Transform Your Data”

[3] Shmueli, G., Patel, N. R., Bruce, P. C. (2010): Data Mining for Business Intelligence. 2nd ed., John Wiley and Sons, Hoboken, New Jersey [En línea: https://doc.lagout.org/ ]

[4] Ian H. Witten and Eibe Frank. (2005) Data Mining: Practical Machine Learning Tools and Techniques, Second Edition (Morgan Kaufmann Series in Data Management Systems)

[5] O´Neil, C & Schutt, R. (2014) Doing Data Science: Straight Talk From de Frontline. Published by O’Reilly Media, Inc., 1005 Gravenstein Highway North, Sebastopol, CA 95472. Third Edition. [En línea: https://share.nxtcloud.net/ ]

[6] Baumer, Ben (2015). A Data Science Course for Undergraduates: Thinking With Data. Article in The American Statistician. [En línea: https://www.tandfonline.com/doi/full/10.1080/]

[7] Leskovec J., Rajaraman A., and Ullman J. (2014) Mining of Massive Datasets, Second Edition. Cambridge University Press. [En línea: http://www.mmds.org/]

[8] Field A., Miles J., and Field Z. (2012) Discovering Statistics Using R. SAGE Publishing.

[9] James G., Witten D., Hastie T., and Tibshirani R. (2017) An Introduction to Statistical Learning with Applications in R. Springer.

[10] Provost F., and Fawcett T. (2013) Data Science for Business. O’Reilly.

[11] Paarsch H., Golyaev K. (2016) A Gentle Introduction to Effective Computing in Quantitative Research. The Mit Press.

Vigencia desde: 2019

Elaborado por: Martin Schaub, Jorge F. Silva, Richard Weber, Macarena Zapata, Felipe Bravo, Mauricio Quezada y Juan Manuel Barrios

Validado por: Comité Académico Magíster en Ciencia de Datos


227

IV. MDS5506 - Laboratorio de Programación Científica para Ciencia de Datos

Código Nombre

MDS5506 Laboratorio de Programación Científica para Ciencia de Datos

Nombre en inglés

Scientific Programming Laboratory for Data Science


Horas de Cátedra


Horas de Trabajo

Personal

6 10 3 0 7




El propósito del curso es que los estudiantes del Magíster lleven a cabo un proceso investigativo de Ciencia de Datos, logrando consolidar correctamente los contenidos de los cursos de Estadísticas y Aprendizaje de Máquinas. Podrán investigar proactivamente sobre un tema de interés, logrando plantear una pregunta de investigación relevante, encontrar literatura pertinente, evaluar métodos y herramientas para cada problema y ser capaz de comunicar modelos y estimaciones.


- Contará con el conocimiento y dominio de variados recursos computacionales existentes para análisis de datos.

- Identificará qué herramienta computacional utilizar para cada problema de análisis de datos y cómo adaptarla para el problema en cuestión.

- Será capaz de diseñar nuevas herramientas computacionales para resolver problemas de análisis de datos en caso de ser necesario.

- Comprender, analizar y aplicar técnicas estadísticas avanzadas y herramientas para el análisis y tratamiento de datos

Al finalizar el curso, el estudiante: - Podrá comunicar efectivamente las soluciones encontradas a través de visualización de

datos y modelos. - Será capaz de investigar y evaluar herramientas y técnicas más allá de los contenidos del

curso para proponer soluciones a problemas reales. - Contará con conocimientos iniciales de sistemas de Computación de Alto Rendimiento. - Será capaz de investigar por su cuenta la literatura de vanguardia con respecto a su tema

de interés.


228


Este curso tiene una connotación teórica y práctica. Está compuesto por cátedras y demostraciones del uso de las herramientas de programación. En paralelo a las cátedras, el curso cuenta con un trabajo de investigación a lo largo del semestre. Tal trabajo de investigación es individual y propuesto por el(la) propio(a) estudiante, proponiendo la pregunta de investigación, antecedentes, bibliografía y metodología. Se espera que el(la) estudiante sea capaz de construir modelos para su propio problema, más allá de los enseñados en el curso, a partir de la revisión de literatura. Es importante destacar que el trabajo de investigación se centra en la proactividad del (de la) estudiante, teniendo una relación de tutoría con el(la) profesor(a). Al final del semestre se realiza una defensa del trabajo investigativo de cada estudiante.

El curso se evalúa a partir de hitos de entrega que medirán el cumplimiento de los objetivos propuesto al comienzo del semestre a los(as) estudiantes. El cálculo de esas notas se efectúa de la siguiente forma: • NT = Promedio de las entregas parciales (∑ wi*Pi)/n, donde Pi son las notas de las tareas y wi la ponderación que tiene cada una de ellas. NP= Nota de participación final Nota Final= 0,1*NP+0,9*NT • La condición para aprobar el curso es: NP >= 4.0, NT >= 4.0

Unidades Temáticas


1 Introducción a la Programación Científica 2



Bibliografía

6. Elementos Básicos de programación en Python

7. Programación sin librerías y orientada a objetos

8. Paquetes para programación científica: Numpy, Scipy, etc.

Los(as) estudiantes se familiarizan con el lenguaje de programación Python, sus métodos generales y la programación orientada a objetos. Luego, los estudiantes aprenden a utilizar los paquetes básicos para la computación científica.

1-3


229


2 Visualización De Datos 2



Bibliografía

10. Matplotlib: gráficos 1D/2D 11. Histogramas y estimación

de densidades 12. Graficar datos,

estimaciones y modelos 13. Altas dimensiones vía

reducción de dimensionalidad

Los estudiantes aprenden cómo comunicar modelos y estimaciones con el fin de presentar soluciones de alta complejidad.

1-5


3 Manejo De Datos 2



Bibliografía

3. Pandas: cargar y limpiar datos

4. Operaciones básicas con datos

5. Agrupar y exportar datos 6. Visualización

Los(as) estudiantes 1-5


4 Modelos de Programación Científica 4



Bibliografía

1. Construcción de modelos 2. Optimización de modelos 3. ScikitLearn: librería de

modelos

Los(as) estudiantes son capaces de construir modelos optimizados, evaluando su rendimiento e implementando las soluciones a problemas reales.

1-5


5 Construcción Avanzada de Modelos 4



Bibliografía

1. Programación simbólica: TensorFlow

2. Modelos generativos e inferencia

3. Redes neuronales y entrenamiento

Los(as) estudiantes son capaces de conocer las estructuras estándares de redes neuronales y técnicas de entrenamiento. Además, los estudiantes aprenderán los paradigmas de programación probabilista y simbólica.

1-5


230


6 Computación de Alto Rendimiento 1



Bibliografía

1. Arquitectura de un sistema de HPC

2. Sistemas de colas y job scriping

3. Python paralelo y distribuido

Los(as) estudiantes se introducen en HPC, empezando a comprender la arquitectura de un sistema y las interdependencias entre la evolución de la tecnología y la arquitectura de estos procesadores

6-7


1. Joel Grus, Data Science from Scratch, First Principles with Python, O’Reilly, 2015 2. Wes McKinney, Python for Data Analysis, Data Wrangling with Pandas, NumPy, and

IPython, O’Reilly, 2012 3. Jake VanderPlas, Python Data Science Handbook Essential Tools for Working with Data,

O’Reilly, 2016 4. Cameron Davidson-Pilon, Bayesian Methods for Hackers, Probabilistic Programming and

Bayesian Inference, Addison-Wesley, 2016 5. Sebastian Raschka, Python Machine Learning, Packt, 2016 6. J. L. Hennessy and D. A. Patterson, Computer Architecture: A Quantitative Approach,

2012. 7. K.N. King, C Programming: A Modern Approach, W. W. Norton & Company. 2008 8. B. Chapman and G. Jost and R. van der Pas, Using OpenMP: Portable Shared Memory

Parallel Programming, 2007. 9. P.S. Pacheco, An Introduction to Parallel Programming. Burlington. MA: Elsevier. 2011. 10. G.E. Karniadakis, R.M. Kirby, Parallel Scientific Computing in C++ and MPI: A Seamless

Approach to Parallel Algorithms and their Implementation, Cambridge University Press. 2003.

11. M. Snir, S.W. Otto, S. Huss-Lederman, D.W. Walker, J. Dongarra, MPI: The Complete Reference, MIT Press. 1995.

Vigencia desde: Diciembre 2018



Revisado por: Pablo Estévez y Jorge F Silva


231

V. MDS5502 – Minería de Datos

Código Nombre

MDS5502 Minería de Datos

Nombre del Curso

Data Mining


Horas de Cátedra


Horas de Trabajo

Personal

6 10 3 1,5 5,5




El propósito del curso es motivar las técnicas en los estudiantes a través de problemas (casos de estudio), y en lo teórico introducir a los alumnos al marco de análisis general para realizar KDD (Knowledge Discovery in Databases) y enseñar las técnicas fundamentales a partir de procesos de aprendizaje supervisado y no supervisado.


- Utilizar técnicas y herramientas para extraer y pre-procesar datos, para concretar los objetivos planteados para un proyecto de Data Science.

- Administrar y analizar datos masivos y/o no estructurados, para la obtención de información relevante.

- Comprender y utilizar técnicas avanzadas de visualización de datos, para comunicar la información obtenida y dar soporte a la toma de decisiones.

Al finalizar el curso, el estudiante: - Contará con el conocimiento teórico en fundamentos de la ciencia de los datos para el

desarrollo de proyectos de BIG Data - Al mismo tiempo, contará con la experiencia práctica de ejercicios aplicados a este ámbito

de desarrollo.


Los alumnos, en forma adicional a las clases de catedra, desarrollaran cuatro tareas en el semestre y CTP s. Tarea 1: Analisis multidimensional y Limpieza de datos El objetivo de esta tarea es que se entiendan los conceptos de OLAP y el uso de una herramienta para el analisis

Las tareas deberan ser realizadas en grupos de tres personas. El profesor se guarda el derecho de interrogar a cualquier integrante de un grupo para evaluar el trabajo del grupo completo, esto consiste en la eleccion de algun integrante al azar, al cual se le haran preguntas sobre la tarea o tendra que mostrar manejo del software. La ponderacion de la nota de cada tarea sera:


232

multidimensional de datos, junto con la limpieza y consolidacion de datos con el fin de dar soluciones y recomendaciones a una empresa sobre las politicas comerciales a seguir. Tarea 2: Preprocesamiento, Transformacion y Visualizacion de los datos El objetivo de esta tarea es entender la necesidad del preprocesamiento y la transformacion de los datos y conocer algunas tecnicas basicas para este. Se trabajara con la herramienta RapidMiner. Tarea 3: Aplicacion de tecnicas de Mineria de Datos Modelacion de un problema y aplicacion de diferentes tecnicas del area de Mineria de Datos. El objetivo de esta tarea es adquirir el conocimiento necesario para aplicar tecnicas de Mineria de Datos. Haciendo un analisis critico sobre modificaciones en los parametros de los distintos modelos, con el fin de obtener posibles mejoras en la solucion. Se trabajara con la herramienta R. Tarea 4: Presentacion de una solucion El objetivo es que los alumnos resuelvan un problema real desde la fase de la definicion del problema hasta la presentacion final de la solucion. La idea de esta tarea es la simulacion de un proyecto real, teniendo la capacidad de elegir el mejor metodo para la resolucion del problema.

Nota Tarea = 0.7* Nota Informe + 0.3* Nota Interrogacion. Nota Tarea Final = Promedio de las tareas. En conjunto con las tareas se realizaran CTPs. Al final del semestre todos los alumnos rendiran un control. Para aprobar el curso se necesita lo siguiente:

Nota control 4.0

Nota promedio tarea 4.0

Nota CTP 5.0

La nota final del curso se determina en la

siguiente manera: Nota control 40% Nota promedio de tareas 40% Nota CTP 20%

Unidades Temáticas


1 Introducción 2



Bibliografía

Formulación de un problema

Exploración de datos

El estudiante:

Ver referencias generales


233

Proceso Data Science (Knowledge Discovery in Databases, CRISP, otros)

Manejo de datos (datos ruidos, faltantes, etc).

- Es capaz de aplicar las principales distinciones teóricas acerca de exploración de datos.

- Reconoce el impacto que el contenido de este curso puede tener en empresas privadas y organizaciones publicas.


2 Preparación de los datos 3



Bibliografía

Calidad de datos

Exploratory data analysis (EDA)

Visualización exploratoria

Reducción de dimensionalidad

Visualización de: textos, información geo-espacial,

PCA

El estudiante: - Es capaz de construir una

base de datos simple y manejan las tecnicas basicas para la manipulacion de datos.



3 Framework de Análisis y Técnicas Específicas 3



Bibliografía

Framework de análisis

Presentación de técnicas específicas (application-driven)

o K-means, o DBSCAN, o PCA, o Aglomerativos o jerárquicos o k-nn, o regresión lineal (min

cuadrados, min cuadrados generalizado),

El estudiante: - Es capaz de aplicar técnicas

específicas de análisis de datos. - Adquiere una vista general del

proceso para analizar datos y encontrar informacion.

- Es capaz de reconocer errores en los datos y manejar las herramientas correspondientes.

- Es capaz de identificar el metodo mas adecuado en una tarea dada y tiene experiencia con el manejo de herramientas computacionales.

Shmueli et al. (2010)


234

o regresión logística o naive bayes o redes neuronales o SVM


5 Aplicaciones y Presentación Resultados 2



Bibliografía

Casos de segmentacion de clientes, deteccion de fraude, analisis de riesgo, entre otros.

Visualización

Storytelling

El alumno: - Adquiere experiencia con la

aplicacion de la mineria de datos a traves del analisis de diversas aplicaciones.

- Reconoce el estado del arte actual y tiene una nocion de la investigacion actual del area.



Bair, E., 2013. Semi-supervised clustering methods. Wiley Interdisciplinary Reviews: Computational

Statistics 5 (5), 349 - 361. Ben-Hur, A., Horn, D., Siegelmann, H. T., Vapnik, V., 2001. Support vector clustering. Journal of Machine

Learning Research 2 (12), 125-137. Bezdek, J. C., 1981. Pattern Recognition with Fuzzy Objective Algorithms. Plenum Press, New York. Ester, M., Kriegel, H. P., Sander, J., Xu, X., 1996. A density-based algorithm for discovering clusters in

large spatial databases with noise. In: Proceedings of 2nd International Conference on Knowledge Discovery and Data Mining (KDD-96). pp. 226-231.

Hastie, T., Tibshirani, R., Friedman, J., 2009. The Elements of Statistical Learning - Data Mining, Inference, and Prediction. Springer. Jain, A. K., 2010. Data clustering: 50 years beyond k-means. Pattern Recognition Letters 31, 651-666. Jain, A. K., Dubes, R. C., 1988. Algorithms for clustering data. Prentice-Hall, Englewood Clis, NJ, USA. Shmueli, G., Patel, N. R., Bruce, P. C. (2010): Data Mining for Business Intelligence. 2nd ed., John Wiley

and Sons, Hoboken, New Jersey


Elaborado por: Richard Weber

Validado por: Comité Académicos Magíster en Ciencia de Datos


235

VI. MDS5501 – Estadística Teoría y Aplicaciones

Código Nombre

MDS5501 Estadística: Teoría y Aplicaciones

Nombre del Curso

Statictics: theory and applications


Horas de Cátedra


Horas de Trabajo

Personal

6 10 3 1,5 5,5




El propósito del curso es que los estudiantes sean introducidos a la estadística, tanto en su enfoque clásico como con sus herramientas actuales. El enfoque del curso eso científicamente riguroso, lo cual permite que el estudiante entienda cabalmente los métodos comprendido en el programa, adicionalmente, el curso tiene complementos aplicados que aseguran que los estudiantes puedan desarrollar soluciones estadísticas a problemas reales. Luego de una revisión general de los alcances de la estadística, este curso revisa las nociones fundamentales de los enfoques frecuentistas y bayesianos de la teoría estadística. Posteriormente, se revisan distintas herramientas estadísticas que permitirán abordar situaciones reales de la ingeniería, ciencias, industrias e incluso medicina y ciencias sociales; estas herramientas incluyen teoría de decisión, series de tiempo, modelos no lineales y predicción.


La metodología del curso comprenderá los siguientes ítems:

Clases expositivas

Demostraciones de los métodos aprendidos

Clases auxiliares donde se guiará a los alumnos a implementar las técnicas vistas en cátedra

Realización de un proyecto individual

El curso se evalúa a partir de hitos de entrega que medirán el cumplimiento de los objetivos propuesto al comienzo del semestre a los(as) estudiantes. El cálculo de estas notas se efectúa de la siguiente forma: • NC = Promedio de los controles (∑ wi*Ci)/Nc, donde Ci son las notas de los controles y wi su respectivo ponderador. • NT = Promedio de las tareas (∑ wi*Ti)/Nt, donde Ti son las notas de los controles y wi su respectivo ponderador.


236

• NE = Note del examen Nota Final= 0,4*NC+0,4*NT+0,2*NE • La condición para aprobar el curso es: Nota Final, NC, NT>= 4.0


1 Introducción a la Estadística 2



Bibliografía

1) Definición y contexto a) ¿Por qué estadística? b) Enfoques estadísticos c) Estadística v/s probabilidades

2) Repaso de probabilidades

a) Notación b) Distribuciones c) Teoremas, convergencia y

desigualdades

3) Modelos estadísticos a) La familia exponencial b) Ejemplos: Poisson, Binomial,

Normal, c) Construcción mediante

transformaciones, d) Valores esperados

Los estudiantes comprenden el campo de acción de la Estadística, su necesidad en el desarrollo científico y tecnológico, como también su relación con otras subdisciplinas de las matemáticas como probabilidades y optimización. Los estudiantes conocen ejemplos de modelos estadísticos con directa interpretación y aplicación en problemas reales.

Keener: c. 1, 2, 8 DeGroot: c. 5 Gelman: c. 1 McElreath: c. 1, 2


2 Estadística frecuentista 5



Bibliografía

1) Estadísticos a) Suficiencia b) verosimilitud

2) Estimación

a) Mínimos cuadrados b) Gauss-Markov, BLUE c) Máxima verosimilitud d) Sesgo y unicidad

Los estudiantes aprenden conceptos de estadística clásica básicos, para posteriormente revisar la teoría moderna del enfoque estadístico y sus aplicaciones.

Keener: c. 3, 4, 9, 12 DeGroot: c. 7, 9 Wasserman: c. 6, 9, 10 Schervish: c. 2, 4, 5 Murphy: c. 6


237

e) Minima varianza (MVUE) f) Cramer-Rao g) Rao-Blackwell h) Método de los momentos

3) Intervalos de confianza

a) Via desigualdad b) Inversión de tests c) Pivotes d) Large sample e) Tests vs intervalos de

confianza

4) Test de hipótesis a) Hipótesis nula y alternativa b) p-valores c) Tests: Neyman-

Pearson/Chi^2/Student’s T/Wald’s/Likelihood ratio

d) Bondad de ajuste e) Errores tipo I & II, potencia y

nivel.

Es importante ver la relación entre 3) y 4) de forma conceptual, sus usos en la práctica y cómo se relacionan. En definitva, el propósito es usarlos.

Se revisan herramientas clásicas como estimadores, intervalos de confianza y test de hipótesis desde puntos de vistas tanto conceptuales y teóricos, como también su aplicación en situaciones reales.


3 Estadística bayesiana 4



Bibliografía

1. Conceptos fundamentales o Frecuentista vs bayesiano o Probabilidad como

incertidumbre o Teo. de Bayes, prior y

posterior

2. Inferencia Bayesiana o Priors no informativas o Conjugadas o Intervalos de confianza o Evaluación y promedio de

modelos: AIC, BIC, Bayes risk.

Los estudiantes aprenden la diferencia entre los enfoques frecuentista y bayesiano. En particular, se establece el concepto subjetivo de probabilidad como medida de incertidumbre. Con esto, los estudiantes son capaces de explotar dicho enfoque para el problema de inferencia estadística.

Keener: c. 7, 15 Wasserman: c. 11 Gelman: c. 5, 10 Schervish: c. 4, 5 Murphy: c. 5, 21, 23


238

o MAP, y Aproximación de Laplace

o Modelos jerárquicos y de variable latente

o Test de hipótesis 3. Inferencia aproximada

o Expectation-Maximization o Aproximaciones

variacionales o Métodos de Monte Carlo

Se revisa extensivamente la implementación del enfoque bayesiano en cuanto a la elección de distribuciones a priori y métodos numéricos.


4 Métodos

4



Bibliografía

1. Series de tiempo

o Tiempo discreto y continuo

o Modelos AR o Representación espectral

2. Teoría de Decisión

o Problemas: estimación, test, ranking y predicción

o Elementos: espacio de estado, pérdida, procedimiento y riesgo

o Ejemplos: tipos de errores, VaR e intervalos

o Riesgo de Bayes, minimax.

3. Predicción

o Predictor óptimo o Regresión, caso bi- y

multi-variado o Modelos lineales o Proyecciones y espacios

de Hilbert o Regresión no paramétrica o Clasificación

4. Análisis de componentes

En base a la teoría y aplicaciones delineada en los capítulos anteriores, los estudiantes aprenden métodos y conceptos necesarios para el trabajo estadístico aplicado. Desde un punto de vista científicamente riguroso, se revisan herramientas de toma de decisiones, predicción, series de tiempo y modelos no lineales. Los alumnos entienden los fundamentos teóricos de dichas herramientas y son capaces de determinar cuándo y cómo utilizarlas.

Keener: c. 2, 14 Wasserman: c. 12 Gelman: c. 9, 15, 16 Box: c. 1, 2 Schervish: c. 3 Murphy: c. 9


239

principales

5. Modelos lineales generalizados

o Distribuciones continuas y discretas

o Funciones de enlace o Optimización: gradiente y

hessiano o Regresión logística


Keener, Theoretical Statistics. Springer, 2010. De Groot & Schervish, Probability and Statistics, Addison-Wesley, 2012. Wasserman, All of Statistics, Springer, 2004. Gelman et al, Bayesian Data Analysis, CRC, 2013. Box et al, Time Series Analysis, Wiley, 2016. McElreath, Statistical Rethinking, CRC Press, 2016. Schervish, Theory of Statistics, Springer, 1995. Murphy, Machine Learning: A Probabilistic Perspective, MIT, 2012.




VII. MDS6508 - Seminario de Tesis I

Código Nombre

MDS6508 Seminario de Tesis I


Horas de Cátedra


Horas de Trabajo

Personal

6 10 0 0 10





240

El Seminario de Tesis I busca que el estudiante elabore una propuesta del proyecto de tesis. El curso genera instancias donde los profesores guía de tesis entreguen herramientas relacionadas con los principales elementos del diseno de un trabajo de investigación. Durante el presente curso los alumnos desarrollaran un diseno de investigacion, considerando que la investigacion es un proceso que se define en etapas, los alumnos deberan generar habilidades en cada una de estas, desarrollando su capacidad de interrogar la realidad, reflejada en una pregunta de investigacion, la cual debe estar acompanada del diseno apropiado tanto metodologico como teorico para responderla, ademas de incluir resguardos eticos. Realizar un diseno de investigacion que incorpore una propuesta desde la definicion del problema de investigacion hasta la fase del diseno metodologico, así como un avance parcial del proyecto de tesis. Este curso tiene por objetivo que el alumno elabore su propuesta de tesis. La propuesta de tesis debe establecer con claridad los antecedentes tecnicos, estado del arte, objetivos, metodologia y aporte esperado del trabajo de tesis a desarrollar. Para que la propuesta de investigacion sea aprobada como propuesta de tesis, requerira el acuerdo de: coordinador de tesis del Magíster, su profesor guia (quien firmara la propuesta) y la Escuela de Postgrado. Al final del curso el alumno fortalece las siguientes habilidades:

● Construir el estado del arte que soporta el problema a resolver, ● Elaborar una propuesta de tesis bien escrita y fundamentada, ● Construir una presentación oral, ● Defender un tema oralmente usando medios audiovisuales.


Reuniones periódicas con el Profesor Guia, idealmente semanales. También se desarrollarán actividades presenciales para orientar los objetivos esperados al final del curso. También habrá entregas parciales y presentaciones del progreso al profesor encargado del curso. Estas actividades serán coordinadas por el profesor encargado del curso en representación del comité académico del programa.

Existirán evaluaciones parciales de los hitos definidos a comienzo del semestre correspondiente a entregas y/o presentaciones de avance y una evaluación final del documento de propuesta de tesis al final del curso. Se evaluarán las presentaciones parciales y finales.

Unidades Temáticas



241

1 Introducción y Elaboración de Propuesta de Tesis

13




Presentacion de posibles temas de tesis por parte de los alumnos Trabajo de investigación para formular la propuesta de tesis y lograr resultados parciales. Retro-alimentacion del profesor encargado del curso sobre el tema propuesto y/o la propuesta presentada

Ser capaz de determinar y defender que un problema es importante, actual, para ser un tema de tesis. Ser capaz de escribir una propuesta de tesis convincente. Específicamente, se espera que el estudiante pueda:

● construir el estado del arte que soporta el problema a resolver,

● elaborar una propuesta de tesis bien escrita y fundamentada

Las referencias irán acorde a cada propuesta de trabajo de tesis que se desarrolle y las proporcionará el académico/a guía al estudiante.


2 Presentación de Propuesta de Tesis 2




Presentación de la propuesta de trabajo de tesis

Ser capaz de construir una presentación oral, defender un tema oralmente usando medios audiovisuales.

Las referencias irán acorde a cada propuesta de trabajo de tesis que se desarrolle y las proporcionará el académico/a guía al estudiante.



242

Vigencia desde:

Elaborado por: Felipe Tobar, Jorge Silva, Felipe Bravo y Richard Weber

Revisado por:

VIII. MDS7509 - Seminario de Tesis II

Código Nombre

MDS7509 Seminario de Tesis II


Horas de Cátedra


Horas de Trabajo

Personal

24 40 0 0 40


MDS6508 Obligatorio Magíster en Ciencia de Datos


Este curso tiene como objetivo que los estudiantes realicen y reporten un trabajo de investigación final, conducente al grado de Magíster, fundamentado conceptual y metodológicamente. El trabajo de tesis debe establecer con claridad el problema abordado, las técnicas disponibles para su solución, la solución propuesta y desarrollada, y la validación que muestra que esa solucion resuelve el problema original. El resultado del trabajo debe destacar el aporte de esta tesis al conocimiento en el tema. Seminario de Tesis II tiene como propósito central acompañar a los alumnos en la elaboración de sus tesis de Magíster y velar por el cumplimiento de los requisitos académicos y plazos en la confección de las Tesis del Magíster en Ciencia de Datos considerando los requisitos de titulación de la Escuela de Postgrado de la Facultad de Ciencias Físicas y Matemáticas de la Universidad de Chile. Para realizarlo, los alumnos deberán haber cumplido con la aprobación de Seminario de Tesis I y haber avanzado en el desarrollo de la estructuración de su tesis y la redacción de avances de la misma. En este sentido, Seminario de Tesis II constituye una instancia de seguimiento de los planes y avances de tesis que – habiéndose diseñado en el curso de Seminario de Tesis I y habiendo sido aprobados por la Escuela de Postgrado, así como por el guía de tesis – se encuentran avanzados en su desarrollo. Al final del curso el estudiante tendrá la capacidad de:

● aplicar una perspectiva científica en la resolución de problemas; ● adquirir conocimiento metodológico y conceptual, que les permitan aplicar

herramientas metodológicas y teóricas para el desarrollo de sus Tesis; ● realizar una revisión bibliográfica para construir el estado del arte en un tema;


243

● integrar y profundizar los conocimientos adquiridos a través de los cursos del Magíster;

● desarrollar una solución y validar sus resultados identificando los aportes realizados;

● desarrollar las competencias de oralidad y escritura, a través de la presentación de sus trabajos;

● formular y desarrollar Tesis pertinentes, fundamentadas teórica y metodológicamente.


Reuniones periódicas con el Profesor Guía.

Una evaluación que dé cuenta del estado de avance del documento de tesis final como función de los requisitos esperados por el programa para el trabajo de tesis.

Unidades Temáticas


1 Desarrollo de la Tesis 15




● Desarrollo de la solucion propuesta para resolver el problema planteado por la propuesta de tesis.

● Escritura de la tesis. ● Informe final sobre el trabajo

realizado.

Todos los resultados de aprendizaje mencionados para este curso.

Las referencias irán acorde a cada trabajo de tesis que se desarrolle y las proporcionará el académico/a guía al estudiante.

Vigencia desde: Marzo 2019

Elaborado por: Felipe Tobar, Jorge Silva, Felipe Bravo, Richard Weber

Revisado por:


244

PROGRAMAS DE CURSOS ELECTIVOS

1. EL7006 – Redes Neuronales y Teoría de la Información para el Aprendizaje

Código Nombre

EL 7006 Redes Neuronales y Teoria de Informacion para el Aprendizaje

Nombre en Inglés

Neural Networks and Information Theoretic Learning

SCT Unidades Docentes

Horas de Cátedra

Horas Docencia Auxiliar Horas de Trabajo Personal

6 10 3 2 5

Requisitos

Carácter del Curso

EL4006 Inteligencia Computacional (AD para alumnos de doctorado)

Electivo de Línea de Especialización Electivo del Magister en Ciencias de la Ingeniería, mención Eléctrica Electivo del Doctorado en Ingeniería Eléctrica

Resultado de Aprendizaje del Curso

Al final del curso se espera que el estudiante demuestre que:

Aplica y evalúa técnicas avanzadas de redes neuronales artificiales, teoría de información y métodos de kernels en problemas de reconocimiento de patrones, análisis de datos, y procesamiento temporal de señales.

Metodología Docente

Evaluación General

La metodología de trabajo será activo- participativa, en donde se desarrollarán:

Clases expositivas. Tareas.

Proyectos.

Si el curso se dicta en forma tutorial entonces en vez de clases expositivas se harán reuniones periódicas con los alumnos para monitorear el grado de avance de los proyectos.

La evaluación permitirá que los estudiantes demuestren los resultados de aprendizaje alcanzadas en los distintos momentos del proceso de enseñanza, siendo éstos:

Controles. Tareas.

Proyectos

El examen dará cuenta del resultado de aprendizaje del curso.


245

Si el curso se dicta en forma tutorial, entonces no hay controles, y el examen se reemplaza por la presentación final de proyecto.

Unidades Tematicas


1 Procesamiento Temporal con Redes Neuronales

5 Semanas

Contenidos Resultados de Aprendizaje de la Unidad Referencias a la Bibliografía

1. Redes neuronales prealimentadas. Redes TDNN de retardo temporal. Filtro de memoria Gamma. Redes con línea de retardos.

2. Redes neuronales recurrentes y redes neuronales convolucionales. Teorema de aproximación universal. Redes de Jordan y Elman. Retropropagación a través del tiempo. Redes FIR. Aprendizaje recurrente en tiempo real (Real time recurrent learning). Modelo LSTM: Long Short Term Memory.

3. Redes neuronales auto- organizativas recurrentes. Mapas

de Kohonen y Gas Neural temporales. Memorias gamma.

4. Análisis de series de tiempo. Metodología Box-Jenkins para modelos ARIMA. Métodos de reconstrucción de espacio de estado. Teorema de Takens. Estimación de parámetros de embedding:

Al final de la unidad se espera que el estudiante demuestre que:

1. Comprenda los paradigmas de redes neuronales artificiales prealimentadas y recurrentes.

2. Simule redes neuronales artificiales.

3. Aplique redes neuronales al procesamiento de datos temporales y secuenciales.

4. Evalúe el desempeño de redes neuronales artificiales aplicadas a series de tiempo.

[3] Cap. 6, 9-10 [4] Cap. 15 [7] Cap. 3,9


246

Falsos vecinos más cercanos, información mutua promedio. Algoritmos de Basis Pursuit y Matching Pursuit.


2 Teoría de Información para el Aprendizaje

6 Semanas

Contenidos Resultados de Aprendizaje de la Unidad Referencias a la Bibliografía

1. Conceptos básicos de teoría de información: Entropía, entropía conjunta, condicional y relativa. Divergencia. Información mutua. Estimadores de entropía e información mutua.

2. Conceptos de teoría de información para el aprendizaje. Principios de optimización. Criterio unificado de aprendizaje. Entropía de Renyi. Propiedad de convolución de Gaussianas. Estimación no-paramétrica. Ventanas de Parzen. Potencial de información. Información mutua cuadrática. Divergencia de Cauchy- Schwarz y Euclideana.

3. Criterio mínima entropia del error (MEE). Entrenamiento de clasificadores con MEE. Medidas de divergencia e informarción cuadrática mutua. Selección de características. Clustering.

4. Principiodeinformaciónrelevante. Aplicación a cuantización vectorial, clustering y curvas principales.

5. Correntropia. Propiedades. Coeficiente de correntropía. Test de no-linealidad. Relación con potencial de información y EHKR. Densidad espectral de correntropía. Ejemplos de análisis de series de tiempo.

6. Análisis y aprendizaje de redes neuronales con métodos de teoría

Al final de la unidad se espera que el estudiante:

1. Comprenda los fundamentos de teoría de información para el aprendizaje

2. Simule algoritmos de aprendizaje basados en teoría de información

3. Utilice teoría de información para resolver problemas de aprendizaje tales como análisis de series de tiempo, clasificación, clustering, cuantización vectorial y selección de características

4. Evalué el desempeño de algoritmos de teoría de información y compare sus resultados con métodos alternativos

[1] Cap. 1-3,5- 8, 10-11 [4] Cap. 10 [8] Cap. 1-2


247

7. de información. Plano de información. Principio de cuello de botella de información.


3 Teoría de Información y Métodos de Kernels

4 Semanas

Contenidos Resultados de Aprendizaje de la Unidad


1. Definición de kernels. Mapa de kernel reproductor. Espacio de Hilbert con kernel reproductor (EHKR). Mercer kernel.

Propiedades Regularización. representación. invariantes a la traslación y kernels periódicos.

2. Relación entre EHKR y teoría de información para el aprendizaje. Estimación no-paramétrica de funciones de densidad de probabilidad usando métodos de kernels. Relación entre EHKR, potencial de información cruzado

de kernels. Teorema de Kernels


1. Comprenda métodos de aprendizaje y filtraje basados en kernels

2. Simule métodos de aprendizaje y filtraje basados en kernels

3. Utilice métodos de kernels para el filtraje adaptivo de señales y procesamiento de datos.

4. Contraste el desempeño de métodos de kernels con métodos alternativos

[2] Cap. 1-2 [5] Cap. 2 y 4

y funciones de costo usadas en teoría de la información.

3. Filtros lineales adaptivos: LMS (least mean square), RLS (recursive least squares), RLS extendido. Uso de EHKR para diseñar filtros adaptivos no-lineales. Algoritmo kernel-LMS. Selección de parámetros. Criterio de novedad. Kernel LMS normalizado. Kernel ADALINE.


248

Algoritmo kernel-RLS. Aplicación a series de tiempo.

Bibliografía

Bibliografía Básica

1. [1] PRINCIPE, J.C., Information Theoretic Learning: Renyi's Entropy and Kernel Perspectives Springer-Verlag, 2010.

2. [2] LIU, W., PRINCIPE, J.C., HAYKIN, S., Kernel Adaptive Filtering: A Comprehensive Introduction. Wiley, 2010.

3. [3] GOODFELLOW, I., BENGIO, Y., COURVILLE, A., Deep Learning, MIT Press, 2016.

4. [4] HAYKIN, S., Neural Networks and Learning Machines, 3rd edition, Pearson, 2009.

Bibliografía Complementaria

5. [5] SCHOLKOPF, B., SMOLA, A.J., Learning with Kernels, MIT Press, 2002.

6. [6] THEODORIDIS, S., KOUTROUMBAS, K. Pattern Recognition. Elsevier, Segunda Edición, 2003.

7. [7] KANTZ, H., SCHREIBER, T. Nonlinear Time Series Analysis, 2dn edition, Wiley, 2005.

8. [8] COVER, T., THOMAS, J. Elements of Information Theory. Wiley, 1991

Vigencia desde: 24 de Julio 2011, revisado 4 de Enero de 2019

Elaborado por: Pablo Estévez

Revisado por: Área de Desarrollo Docente Martin Adams, Javier Ruiz del Solar, Doris Saéz, Claudio Pérez Comité Docencia DIE

2. EL7007- Introducción al Procesamiento Digital de Imágenes

Código Nombre

EL7007 Introducción al Procesamiento Digital de Imágenes

Nombre en Inglés

Introduction to Digital Image Processing


Horas de Cátedra


Horas de Trabajo Personal

6 10 3,5 1 5,5


EL4003 Señales y Sistemas II Electivo

Resultado de Aprendizaje

El estudiante al término del curso demuestra que:

Analiza y diseña sistemas y métodos para procesamiento digital de imágenes y reconocimiento de patrones.


249


La metodología de trabajo docentes será:

Clases expositivas con actividades de aplicación a desarrollar por los estudiantes.

Trabajo de autoaprendizaje a través de tareas.

Método de proyecto que se realizará durante el semestre, los estudiantes presentan sus avances e informes finales del proyecto en forma oral y escrita. Con la estrategia el estudiante logra diseñar e implementar métodos. Este trabajo se desarrolla paralelamente al curso durante todo el semestre, el estudiante presentará 2 avances y una presentación final la última semana de clases.

Las instancias de evaluación del curso serán:

Controles.

Tareas y proyecto incluyendo presentaciones.

El examen será integrador del curso, se evalúan las competencias que fueron declaradas en el programa, como logro a ser alcanzado por el estudiante.

Unidades Temáticas


1 Introducción 4 Semanas


Unidad Referencias a la Bibliografía


250

1. Definir objetivos del procesamiento digital de imágenes. Ejemplos de sistemas de procesamiento de imágenes.

2. Muestreo y representación de imágenes.

3. Modelos de visión computacional. Modelos basados en visión biológica. Filtrado espacial y respuesta temporal. Color y su representación. Diagramas de cromaticidad.

4. Herramientas matemáticas en 2D: secuencias 2D, transformada de Fourier 2D, DFT-2D, propiedades (descomposición fila columna), filtros separables, convolución y correlación 2D, propiedades.

El estudiante demuestra que: 1. Reconoce la importancia

del procesamiento digital de imágenes en diversas áreas de aplicación.

2. Comprende el muestreo espacial y la representación de imágenes en distintos espacios.

3. Analiza diversos modelos de visión computacional y puede aplicar modelos de análisis de color a problemas de reconocimiento de patrones.

4. Aplica herramientas matemáticas en 2D para analizar imágenes digitales.

[1] Caps. 1, 2, 6 [2] Caps. 1-4, 7 [3] Caps. 1, 2


2 Transformaciones de Intensidad y Filtrado Espacial 6 Semanas



1. Procesamiento por histogramas, ecualización y extracción de características.

2. Transformaciones basadas en operaciones entre puntos: estiramiento, umbrales, tajadas, magnificación, interpolación.

3. Filtrado espacial: filtros pasa- bajos, pasa banda, pasa altos. Filtrado mediano. Filtrado de secuencias de imágenes.

4. Detección de bordes por gradientes de 1er y 2º orden, operadores brújula, Laplaciano, cruces por cero, Marr y Hildreth, Canny.

El estudiante demuestra que: 1. Aplica métodos basados en

histogramas para compensar imágenes y extraer características.

2. Aplica transformaciones entre puntos para realizar mejoras en imágenes.

3. Aplica métodos de filtrado espacial para extraer características y analizar imágenes.

4. Aplica métodos de detección de bordes en segmentación de imágenes.

[1] Caps. 3-6, 9 [2] Caps. 7, 8 [3] Caps. 3-6, 10


251


3 Representación de Regiones y Reconocimiento de Patrones

5 Semanas



1. Representación de bordes y regiones, conectividad, búsqueda en grafos, transformada de Hough, códigos cadena, descriptores, momentos.

2. Niveles de procesamiento, extracción de características, selección de características, clasificación de patrones, tipos de clasificadores.

3. Aplicaciones al reconocimiento de rostros, iris, números manuscritos, detección de movimiento, vigilancia y seguridad, texturas.

4. Hardware y software para el procesamiento digital de imágenes, sistemas de inspección visual, tipos de sensores, resolución, iluminación, costos.

El estudiante demuestra que: 1. Aplica métodos de

representación de bordes y fronteras en segmentación de imágenes.

2. Aplica la extracción y selección de características a la clasificación de patrones.

3. Comprende métodos de reconocimiento de patrones en diversas aplicaciones reales.

4. Comprende las alternativas de hardware y software disponibles para procesar imágenes.

[1] Caps. 10-12 [2] Caps. 9 [3] Caps. 12-13


252

Bibliografía

Bibliografía Básica [1] Gonzalez RC, Woods RE, "Digital Image Processing", 3rd Ed., Prentice Hall, 2008 [2] Jain Anil K., "Fundamentals of Digital Image Processing", Prentice Hall, 1989.

Bibliografía Complementaria [3] Gonzalez RC, Woods RE, Eddins SL, “Digital Image Processing using Matlab”, Gatesmark Publishing,

2009. [4] Bovik, A., “Handbook of Image and Video Processing”, Prentice-Hall, 2000. [5] Lim Jae S., "Two-Dimensional Signal and Image Processing", Prentice-Hall, 1990. [6] Jain R, Kasturi R, Schunck B, "Machine Vision", McGraw-Hill International Editions, 1995. [7] Levine Martin D.,"Vision in Man and Machine", McGraw-Hill, 1985. [8] Russ J.C., “The Image Processing Handbook”, 3rd Ed., CRC Press-IEEE Press, 1999. [9] Schalkoff R.J., "Digital Image Processing and Computer Vision", Wiley, 1989. [10] Sid-Ahmed M.A., "Image Processing: Theory, Algorithms and Architectures", McGraw- Hill, 1995. [11] Webb A, Statistical Pattern Recognition, John Wiley & Sons, 2nd ed, 2002.

Complementando la lista anterior se utilizan artículos IEEE Transactions on PAMI, SMC, Image Processing, y revistas como Pattern Recognition, Pattern Recognition Letters, Image and Vision Computing, etc., de los últimos años.

Vigencia desde: Julio 2011

Elaborado por: Claudio Pérez

Revisado por: Comisión de Docencia Departamental Área de Desarrollo Docente (ADD)

3. EL7024 - Teoría de Información: Fundamentos y Aplicaciones

Código Nombre

EL7024 Teoría de Información: Fundamentos y Aplicaciones

Nombre en Inglés

Information Theory: Foundations and Applications


Horas de Cátedra



6 10 3 1 6


El4005: Principios de Comunicaciones

Electivo de post-grado


253


El alumno al término del programa aplica los fundamentos de la teoría de información para el análisis, evaluación y diseño de sistemas de comunicaciones y procesamiento digital de datos.


El curso consta de a) Clases expositivas b) Discusiones de artículos c) Presentaciones con material

complementario al curso por parte de los alumnos.

d) Discusión de charlas tutoriales

Tareas (4-6) Controles (1) y Examen (1) Desarrollo de un proyecto de Investigación (1):

Investigación del estado del arte de una temática teórica o aplicada

Aplicación de algunas de las herramientas cubiertas en el curso en un contexto aplicado

Unidades Temáticas


1 Medidas de Información 4

Contenidos Resultado de Aprendizaje de la


1. Introducción a medidas de información: Entropía, Información Mutua y Divergencia

2. Regla de la Cadena para medidas de información

3. Presentación de propiedades. Aditividad, Desigualdades de Jensen, desigualdad log-sum, desigualdad de procesamiento de datos, desigualdad de Fano.

4. Introducción de las nociones de Tipicalidad de secuencias

5. La propiedad de Equi-partición asintótica de secuencias

El estudiante: 1. Comprende conceptos de

información y sus cuantificadores: entropía, información mutua y divergencia.

2. Aplica las propiedades de las medidas de información a secuencias de variables aleatorias

3. Evalúa y cuantifica las medidas de información en casos concretos como: procesos i.i.d. y cadenas de Markov.

4. Aplica las nociones de tipicalidad para enumerar secuencias en problemas combinatoriales.

5. Aplica las nociones de entropía para cuantificar la incertidumbre de objetos aleatorios en varios contextos.

6. Utiliza las desigualdades en problemas con incertidumbre.

[1] Cap. 1, 2,16 [3] Cap. 1,2,3 [2] Cap. 1


254


2 Codificación de Fuente 4



1. Clasificación de Códigos Binarios 2. Códigos de largo variable: únicamente

decodificables 3. Códigos de Prefijo Libre (PL): Desigualdad

de Kraft 4. Representación de árbol binario de los

códigos de PL 5. Algoritmo de Huffman 6. Optimalizad del algoritmo de Huffman 7. Teorema de Codificación de Fuente:

(Primer Teorema de Shannon): Entropía 8. Códigos de Shannon-Fano-Ellias 9. Códigos Aritméticos 10. Introducción a la Codificación Universal

El estudiante: 1. Analiza modelos básicos para el

problema de codificación de fuente 2. Aplica algoritmos concretos de

codificación y analiza sus métricas de desempeño

3. Entiende los limites fundamentales del problema de codificación

4. Aplica e implementa los conceptos de codificación en bloque.

5. Evalúa y compara el desempeño de esquemas concretos de codificación con respecto a límites fundamentales (entropía).

6. Aplica modelos de representación de árboles binarios para esquemas de codificación

[1] Cap. 4, 5, 12 [3] Cap. 4,5,6 [4] Cap. 3 [5]


3 Capacidad de Canal 3



1. Problema de comunicación digital: escenario básico

2. Modelos de canales discretos 3. Canales simétricos sin memoria: Canal

Simétrico Binario 4. Definiciones operacionales de capacidad 5. Teorema de Codificación de Canal (Segundo

Teorema de Shannon): Información Mutua 6. Nociones de Tipicalidad conjunta 7. Desigualdad de Fano aplicada al teorema de

codificación de canal

El estudiante: 1. Analiza el problema de

comunicaciones como un test de hipótesis

2. Analiza los modelos básicos de comunicaciones digitales

3. Aplica las nociones de tasa de transmisión y codificación de canal

4. Cuantifica el desempeño de un esquema de codificación de canal

5. Entiende las nociones de capacidad operacional

6. Analiza las nociones operacionales por medio de cuantificadores teóricos, en particular la información mutua.

7. Aplica las nociones de tipicalidad para demostrar teoremas de codificación

[1] Cap. 8 [4] Cap. 5 [3] Cap. 9,10 [5]


255


4 Teoría de Información y Estadística 4



1. Test de hipótesis 2. Optimalidad y Teorema de Neyman-

Pearson 3. Estadísticas suficientes 4. Nociones de Tipicalidad fuerte aplicadas a

inferencia 5. Lema de Stein (el rol de la divergencia) 6. Teorema de Sanov 7. Noción de Proyección en Divergencia 8. Aplicaciones a Codificación Universal 9. Divergencia como una medida de

redundancia en codificación de fuente

El estudiante: 1. Analiza el problema de test de

hipótesis en términos de limites de desempeño asintótico

2. Comprende el rol de las medidas de discriminación (divergencia) en problemas de decisión

3. Caracteriza tasas exponenciales de desempeño (error exponents)

4. Comprende el problema de codificación desde una perspectiva de aprendizaje estadístico

5. Aplica medidas de discriminación (divergencia) para cuantificar la redundancia de un esquema de codificación de fuente

[1] Cap. 12 [2] Cap. 2, 3, 6 [4] Cap. 4


Bibliografía Básica [1] T. Cover and J. Thomas, Elements of Information Theory, 2do edition, Wiley, 2006. [2] I. Csiszár and P.. Shields, Information Theory and Statistics, Now, 2004.

Bibliografía Complementaria [3] D. J.C. MacKay, Information Theory, Inference, and Learning, Cambridge, 2003. [4] R. Blahut, Principles and Practice of Information Theory, Addison Wesley, 1987. [5] C. E. Shannon, The Mathematical Theory of Communication, University Press, 1963. [6] R. Gallager, Information Theory and Reliable Communication, Wiley, 1968.

Vigencia desde: Primavera 2011

Elaborado por: Jorge Silva Área de Desarrollo Docente: ADD


256

4. EL7037 – Computación Evolutiva Código Nombre

EL 7037 Computación Evolutiva

Nombre en Inglés

Evolutionary Computation


Horas de Cátedra



6 10 3 2 5


EL4106 Inteligencia Computacional (AD para alumnos de postgrado)

Electivo de Línea de Especialización Electivo del Magister en Ciencias de la Ingeniería, mención Eléctrica Electivo del Doctorado en Ingeniería

Eléctrica


Al final del curso se espera que el estudiante demuestre que:

Aplica y evalúa técnicas avanzadas de computación evolutiva en problemas de reconocimiento de patrones, análisis de datos, diseño y optimización combinatorial y multiobjetivo.



Clases expositivas.

Tareas computacionales.

Proyectos. Si el curso se dicta en forma tutorial entonces en vez de clases expositivas se harán reuniones periódicas con los alumnos para monitorear el grado de avance de los proyectos.


Controles.

Tareas computacionales.

Proyectos

El examen dará cuenta del resultado de aprendizaje del curso. Si el curso se dicta en forma tutorial, entonces no hay controles, y el examen se reemplaza por la presentación final de proyecto.


257

Unidades Temáticas


1 Paradigmas de algoritmos evolutivos 8 Semanas

Contenidos Resultados de Aprendizaje de la


1. Introducción a los algorimos evolutivos.

2. Algoritmos genéticos. Teorema de schemata. Operadores genéticos de selección, recombinación y mutación. Algoritmos de nichos. Optimización. Ejemplos de aplicación.

3. Optimización por enjambre de partículas. Algoritmo básico. Variantes de inercia y coeficiente de contracción. Variantes avanzadas. Ejemplos de aplicación.

4. Programación genética. Algoritmo básico. Representación por árboles. Resultados competitivos. Ejemplos de aplicación.

5. Evolución diferencial. Algoritmo básico. Operadores de mutación y recombinación. Variantes avanzadas de evolución diferencial. Algoritmos híbridos. Ejemplos de aplicación.

6. Métodos metaheurísticos alternativos: colonias de hormigas, sistema inmune artificial, algoritmos meméticos, búsqueda tabú, simulated annealing.

7. Optimización evolutiva con restricciones. Región factible. Penalización. Reparación.

Al final de la unidad se espera que el estudiante demuestre que:

1. Comprenda los paradigmas de computación evolutiva.

2. Simule algoritmos evolutivos.

3. Aplique algoritmos evolutivos a problemas de diseño y optimización.

4. Evalúe el desempeño de algoritmos evolutivos aplicados a problemas de optimización y diseño.

[3] Cap. 7-9 [2] Cap. 1-2,4, 16 [4] Cap. 1-3, 6


258


2 Optimización multiobjetivo evolutiva 7 Semanas



1. Conceptos básicos. Problema de optimización multiobjetivo. Tipos de problemas. Optimalidad y frente de Pareto. Restricciones.

2. Optimización multiobjetivo mediante algoritmos evolutivos


1. Comprenda los fundamentos del enfoque evolutivo de optimización multiobjetivo.

2. Simule algoritmos evolutivos

[1] Cap. 1-7 [2] Cap. 1-2,4, 5-9 [4] Cap. 5

(MOEA). Técnicas a-priori y a- posteriori. Conjuntos de tests. Prueba y análisis de algoritmos MOEA. Elementos críticos. Métricas de comparación y desempeño. Indicadores de calidad. MOEA con restricciones. Algoritmo NSGA-II. Aplicaciones.

3. Técnicas de búsqueda local y coevolutivas. Algoritmos híbridos.

4. Teoría de MOEA. Funciones de adaptación. Ranking de Pareto. Convergencia, escalabilidad, estabilidad, robustez y complejidad.

5. Optimización multiobjetivo usando evolución diferencial, optimización por enjambre de partículas, y programación genética.

6. Aplicaciones de algoritmos evolutivos para optimización multiobjetivo.

para optimización multiobjetivo.

3. Utilice algoritmos evolutivos para resolver problemas de optimización multiobjetivo.

4. Evalúe el desempeño de algoritmos evolutivos de optimización multiobjetivos y compare resultados entre los distintos enfoques.


259

Bibliografía


[1] DEB, K., Multi-objective Optimization Using Evolutionary Algorithms, Wiley 2009. [2] COELLO, C.A.; LAMONT, G.B.; VAN VELDHUIZEN, D.A., Evolutionary Algorithms for Solving Multi-

Objective Problems, Second Edition, Springer 2007 [3] KENNEDY, J., EBERHART, R., Swarm Intelligence, Morgan-Kauffman, 2001. [4] PETROWSKI, A., BEN-HAMIDA, S., Evolutionary Algorithms, Wiley, 2017.


[5] BÄCK, T., FOGEL, D.B., MICHALEWICZ, T., Evolutionary Computation, IOP Press, 2000 [6] DE JONG, K., Evolutionary Computation. A Unified Approach, MIT Press, 2006. [7] KOZA, J.R., Genetic Programming, MIT-Press, 1992. [8] KOZA, J.R., Genetic Programming IV, Kluwer Academic Press, 2003. [9] MAN, K.F., TANG K.S., KWONG, S., Genetic Algorithms, Springer-Verlag, 1999. [10] MICHALEWICZ, Z., Genetic Algorithms + Data Structures = Evolution Programs, Springer-Verlag, 1994. [11] PRICE, K.V., STORN, R.M., LAMPINEN, J.A., Differential Evolution, Springer, 2005.

Vigencia desde: Marzo 2012, revisado 4 Enero 2019

Elaborado por: Pablo Estévez

Revisado por: Javier Ruiz del Solar, Claudio Perez, Martin Adams, Claudio Held

5. EL7014 – Diagnóstico y Pronóstico de Fallas

Código Nombre

EL7014 Diagnóstico y Pronóstico de Fallas

Nombre en Inglés

Fault Diagnosis and Failure Prognosis


Horas de Cátedra



6 10 3,5 1,0 5,5


EL4004 Fundamentos de Control de Sistemas. Optativo de la carrera ICE


Al final del curso se espera que el estudiante: 1. Evaluar distintas alternativas de implementación de sistemas de detección temprana, diagnóstico de fallas;

considerando tanto las características dinámicas que definen los procesos en estudio como aspectos teórico-prácticos de implementación.

2. Evaluar distintas alternativas de implementación de sistemas de pronóstico de vida útil remanente de equipos y subsistemas; considerando tanto las características dinámicas que definen los procesos en estudio como aspectos teórico-prácticos de implementación.


260



Cátedras expositivas.

Sesiones demostrativas.

Estudios de casos.


Controles.

Tareas.

El examen dará cuenta del resultado de aprendizaje del curso.

Unidades Temáticas


1 Detección y Estimación 7 Semanas



1. Aplicación del Filtro de Kalman en la estimación de parámetros. Tests de hipótesis. Detector/Estimador de máxima verosimilitud (ML).

2. Descomposición en valores singulares (SVD).

3. Transformada de Karhunen-Loève (PCA)

4. Proyección a estructuras latentes (PLS) 5. Detectores/Estimadores Bayesianos.

Estimador de máximo a posteriori. 6. Métodos secuenciales de Monte Carlo

(Filtros de Partículas).

Al final de la unidad, se espera que el estudiante:

1. Analice diferentes métodos de detección y estimación de estados en sistemas dinámicos no-lineales.

2. Implemente, usando herramientas computacionales, diferentes métodos de detección y estimación de estados.

3. Evalúe la utilidad de diferentes métodos de detección y estimación de estados, considerando las características dinámicas del proceso en estudio y aspectos teórico-prácticos de Implementación.

[1] Cap. 7, 10-13 [2] Cap. 4 [3] Cap. 2-7


261


2 Diagnóstico de Fallas 4 Semanas



1. Detección y aislamiento de fallas (FDI). Definición y alcances de la disciplina. Métodos de FDI.

2. Diagnóstico de Fallas (FDI e identificación de fallas). Métodos de diagnóstico de fallas. Implementación de módulos para diagnóstico de fallas.

3. Estudios de casos.

Al final de la unidad, se espera que el estudiante: 1. Reconozca los elementos

que conforman y la estructura básica de un sistema de detección, aislamiento e identificación de fallas.

2. Analice distintas alternativas de sistemas de detección temprana y diagnóstico de fallas.

3. Implemente, usando herramientas computacionales, sistemas de detección temprana y diagnóstico de fallas.

4. Evalúe sistemas de detección temprana y diagnóstico de fallas, considerando las características dinámicas del proceso en estudio y aspectos teórico-prácticos de

implementación.

[2] Cap. 1-12 [3] Cap. 7 [4] Cap. 3


262


3 Pronóstico de Fallas 4 Semanas



1. Pronóstico de eventos catastróficos. Definición y alcances de la disciplina.

2. Estudio de métodos de pronóstico de fallas: redes neuronales con horizontes de predicción (CPNN), métodos secuenciales de Monte Carlo en algoritmos de pronóstico.

3. Estudios de casos.

Al final de la unidad, se espera que el estudiante: 1. Reconozca los elementos

que conforman y la estructura básica de un sistema de pronóstico de fallas y eventos catastróficos.

2. Analice distintas alternativas de sistemas de pronóstico de fallas y eventos catastróficos.

3. Implemente, usando herramientas computacionales, sistemas de pronóstico de fallas y eventos catastróficos.

4. Evalúe sistemas de pronóstico de fallas y eventos catastróficos, considerando las características dinámicas del proceso en estudio y aspectos teórico-prácticos de la implementación.

[3] Cap. 1-7 [4] Cap. 1-6


263

Vigencia desde: 1 de Marzo 2010

Elaborado por: Marcos Orchard

Revisado por: Guillermo González - Marcos Orchard - Doris Sáez

6. EL7031 – Robótica, Sensores y Sistemas Autónomos

Código Nombre

EL7031 Robótica, Sensores y Sistemas Autónomos

Nombre en Inglés

Robotics, Sensing and Autonomous Systems


Horas de Cátedra



6 10 3.5 1.5 5.0


EL4003 Señales y Sistemas 2

Electivo


[1] MOON, T.K.; STIRLING, W.C., Mathematical Methods and Algorithms for Signal Processing. Prentice

Hall, 2000. [2] CHIANG, L.H.; RUSSELL, E.L.; BRAATZ, R.D.; Fault Detection and Diagnosis in Industrial Systems.

Springer, 2001 [3] Candy, J.V.; Bayesian Signal Processing. Classical, Modern, and Particle Filtering Methods. John

Wiley & Sons Inc., 2009. [4] ORCHARD, M.E.; On-line Fault Diagnosis and Failure Prognosis Using Particle Filters. Theoretical

Framework and Case Studies. VDM Verlag Dr. Müller Aktiengesellschaft & Co. KG, Saarbrücken,

2009.


[5] SALGADO M.E.; YUZ, J.I.; ROJAS, R.A.; Análisis de Sistemas Lineales. Prentice Hall, 2005. [6] LJUNG, L.; Modeling of Dynamics Systems. New Jersey. Prentice Hall, 1994. [7] NARENDRA, K.S.; ANNASWAMY, A.M., Stable Adaptive Systems. Prentice Hall, 1989. Dover 2005

(Re-impresión). [8] NGUYEN, H.; PRASAD N.; WALKER, C.; WALKER, E.; A First Course in Fuzzy and Neural Control.

CRC, 2002. [9] LYNCH, S.; Dynamical Systems with Applications using MATLAB. Primera Edición. Birkhäuser Boston,

2004.

Bibliografía


264


Al final del curso, el alumno comprenderá: 1) La funcionalidad de los sensores de medición de distancia en robótica. 2) La capacidad de derivar modelos de sensores y comprender la incertidumbre de los

sensores. 3) Modelos de sistemas cinemáticos y dinámicos. 4) La aplicación de estimación lineal y fusión de datos para robótica y seguimiento. 5) La aplicación de asociación probabilística de datos en robótica. 6) Métodos que implementan el teorema de Bayes en la fusión de sensores. 7) Uso y aplicación de filtros de Kalman “unscented” y filtros de particulas en robotica. 8) Mapeo robótico basado en grillas y basado puntos de referencia.


El curso utilizará los siguientes métodos de enseñanza:

1) Clases. 2) Ejercicios realizados en clase. 3) Proyectos de estudio, en los que los

estudiantes presentan trabajos de investigación en robótica*.

* a) Artículos de investigación y capítulos

seleccionados del libro "Probabilistic Robotics" [1].

b) Se requerirá que todos los estudiantes lean cada artículo / capítulo antes de la sesión de clase designada para ese artículo/capítulo.

c) Se requiere que cada estudiante seleccione un artículo o capítulo y que comprenda, compare y presente los contenidos. Esto se llevará a cabo en la forma de un "Grupo de discusión de lectura". El estudiante designado dirigirá la

discusión, con diapositivas, videos

Los estudiantes serán evaluados en base a los siguientes criterios:

1) Ejercicios (tutoriales) establecidos en clase, que entregarán.

2) Proyectos de estudio en los que

presentarán su interpretación de trabajos de investigación en robótica.


265

Unidades Temáticas


1 Sensores en aplicaciones de robótica 5

Contenidos Resultado de Aprendizaje de la Unidad


1. Cámaras: uso de la visión

en el seguimiento y la robótica (puntos conjugados, disparidad, fotogrametría, problema de correspondencia, correlación y métodos de coincidencia de bordes).

2. Sensores de triangulación

activos (ganancia de triangulación, precisión).

3. LADAR – Laser Detection

and Ranging sensors (detección coaxial, estimación de distancia por modulación de amplitud en onda continua (AMCW), análisis de ruido en AMCW.

4. RADAR – Radio

Detection and Ranging sensors (ecuación de radar, potencia recibida frente a interpretación de espectros de rango, estimación de rango por modulación de frecuencia en onda continua (FMCW), fuentes de ruido).

5. SONAR – Sound

Navigation and Ranging sensors (Reflexión de ondas - Especular y difusa, Detección del tiempo de vuelo (TOF), Interpretación de Sonar - Regiones de profundidad

constante (RCD)).

Al final de esta unidad, los estudiantes:

1) Comprenderán los principios físicos de trabajo de cada tipo de sensor.

2) Aprenderán a derivar y

usar modelos de sensores.

3) Aprenderán cómo el

ruido afecta a cada tipo de sensor y cómo estimar la incertidumbre del sensor.

[2], [5]


266


2 Fusión de datos probabilística y estimación en seguimiento y robótica

6



1. Breve reseña del teorema

de Bayes y notaciones utilizadas.

2. Seguimiento (Aplicación de

la estimación lineal al seguimiento de objetivos, rastreadores alfa-beta, modelos de objetivos dinámicos, implementaciones de software).

3. Supuestos de

independencia condicional necesarios para aplicar el teorema de Bayes en la fusión de datos (definición de estado para independencia condicional de mediciones de sensores).

4. Métodos Bayesianos no

paramétricos basados en los filtros de Kalman “Unscented” (UKF) y filtros de partículas basados en Monte Carlo.

5. Representar la

incertidumbre estadística (Elipsoides de incertidumbre y métodos de Monte Carlo).

6. Modelos cinemáticos del

sistema (velocidad constante, modelos de aceleración, sistemas discretos con aceleración


1) Entenderán el teorema de Bayes y serán capaces de aplicarlo a problemas de fusión de sensores discretos y continuos.

2) Comprenderán la

importancia de la independencia condicional en los sistemas de fusión de datos.

3) Comprenderán cómo

aplicar métodos de estimación lineales, no lineales y no paramétricos (por ejemplo, métodos de Monte Carlo) a los problemas de seguimiento.

4) Comprenderán el

significado de la incertidumbre estadística y serán capaces de representarlo de una manera significativa.

5) Comprenderán los

métodos y problemas de implementación de lo anterior en el software.

[3], [4], [5], [6].


267

de ruido blanco, digitalización de sistemas de tiempo continuo).


3 Navegación autónoma de robots 4



Artículos científicos que presentan avances recientes en:

1. Definiciones de estados completos e híbridos, y cinética y dinámica de transición de Markov.

2. Movimiento del robot

(modelos cinemáticos basados en odometría y velocidad, supuestos de Markov, fuentes de incertidumbre).

3. Modelos de medición de

sensores (definición de un modelo de sensor, modelos directos de sensor, detecciones aleatorias, incertidumbre de rango).

4. Localización de robots

(problemas algorítmicos en la implementación de los filtros de Kalman extendido (EKF) y métodos de Monte-Carlo).

5. Localización y mapeo

basados en grillas (conceptos de cuadrícula de incertidumbre, supuestos de independencia de celdas en la cuadrícula, modelos de medición inversa,


1. Aprenderán a aplicar técnicas probabilísticas a sistemas robóticos no lineales.

2. Aprenderán a derivar y

usar modelos de medición no lineales.

3. Aprenderán técnicas de

localización de robots basadas en el filtro de Kalman extendido (EKF) y los métodos de Monte- Carlo.

4. Aprenderán métodos de

localización y mapeo de robots basados en grillas.

5. Comprenderán el

concepto de estimación probabilística conjunta aplicado a la construcción de mapas y localización simultánea (SLAM).

6. Aprenderán métodos

basados en grafos para resolver el problema SLAM.

[1], [7], [8], [9], [10].


268

mapeo de grilla de ocupación con modelos de sensor directo).

6. Localización y mapeo

basado en grafos (GraphSLAM, “scan matching”, relacion con los sistemas de masa-resorte, estimación en el espacio de la información, factorización de las estimaciones posteriores).

7. Filtrado de partículas y

Rao- Blackwellización (Una solución factorizada al problema de SLAM, mapas de robot condicionalmente independientes, muestreo de importancia, máximo a- posteriori (MAP) y esperado a-posteriori (EAP)).

8. SLAM basado en conjuntos

aleatorios finitos (RFS) y métodos avanzados (Introducción a las estadísticas de conjuntos finitos (FISST) y las representaciones de incertidumbre de Bernoulli).

7. Aprenderán métodos de filtro de partículas y de Rao-Blackwellización para resolver SLAM.

8. Aprenderán nuevos

métodos de representaciones estadísticas basadas en la teoría de conjuntos.


269



[1] S. Thrun, W. Burgard & D. Fox, “Probabilistic Robotics”, MIT Press, 2006.

[2] M.D. Adams, “Sensor Modelling, Design & Data Processing for Autonomous Navigation”, World Scientific Publications 1999.

[3] Peter S. Maybeck, “Stochastic Models, Estimation and Control”, Volume 1, Academic Press, 2012.

[4] James V. Candy, “Bayesian Signal Processing - Classical, Modern and Particle Filtering Methods”, John Wiley & Sons, 2016.


[5] Mongi A. Abidi & Rafael C. Gonzales, “Data Fusion in Robotics & Machine Intelligence”, Academic Press 1992.

[6] Y. Bar-Shalom, X. Rong Li, T. Kirubarajan, “Estimation with Applications to Tracking and Navigation”, John Wiley & Sons, 2002.

[7] M.W.M.G. Dissanayake, P. Newman, S. Clark, H.F. Durrant-Whyte and M. Csorba, “A Solution to the Simultaneous Localistaion and Map Building (SLAM) Problem”, IEEE Transactions on Robotics and Automation, Vol. 17, No. 3, June 2001.

[8] M. Montemerlo, S. Thrun, D. Koller, and B. Wegbreit, “FastSLAM: A factored solution to the Simultaneous Localization and Mapping problem”, Proceedings of the AAAI National Conference on Artificial Intelligence, Edmonton, Canada, 2002.

[9] M. Montemerlo, S. Thrun, D. Koller, and B. Wegbreit, “FastSLAM 2.0: An Improved Particle Filtering Algorithm for Simultaneous Localization and Mapping that Provably Converges”, Proceedings of the 18th International Joint Conference on Artificial intelligence (IJCAI), Acapulco, Mexico, 2003. [10] J.S. Mullane, B.N. Vo, M.D. Adams, B.T. Vo, “Random Finite Sets for Robot Mapping and SLAM - New

Concepts in Autonomous Robotic Map Representations”, Springer Tracts in Advanced Robotics No. 72, May

2011.

Vigencia desde: 30.11.2018

Elaborado por: Martin Adams


270

7. EL7021 – Seminario de Robótica y Sistemas Autónomos

Código Nombre

EL 7021 Seminario de Robótica y Sistemas Autónomos

Nombre en Inglés

Robotics and Autonomous Systems Seminar


Horas de Cátedra Horas Docencia

Auxiliar Horas de Trabajo

Personal 6

10 4 2 4


EL4003 Electivo


Al final del curso se espera que el estudiante: 1. Comprenda principios organizativos de sistemas avanzados de robótica y sistemas autónomos.

2. Analice y evalúe el funcionamiento y el rendimiento de sistemas robóticos actuales y de sus sub-

sistemas principales.

3. Conozca las tecnologías utilizadas en los sistemas robóticos actuales.

Metodología Docente Evaluación General Se harán clases expositivas por parte del profesor

apoyadas por transparencias, diapositivas y

simulaciones computacionales. Se realizarán

ejercicios, trabajos de investigación y presentaciones

de los estudiantes.

El trabajo a ser desarrollado considerará de manera

importante el análisis crítico de artículos científicos y

el estudio personal de nuevas metodologías y

paradigmas en el ámbito de la robótica móvil y los

sistemas autónomos.

La evaluación será definida por el profesor del

curso cada vez que éste se dicte.


271

Unidades Temáticas


1 Tópicos Avanzados de Robótica y Sistemas Autónomos

15



Tópicos avanzados en el área de la

robótica y los sistemas autónomos,

que por lo reciente de su temática

no estén siendo cubiertos por los

cursos regulares con la profundidad

adecuada.

1. Comprende principios organizativos de sistemas avanzados de robótica y sistemas autónomos. 2. Analiza y evalúa el funcionamiento y el rendimiento de sistemas robóticos actuales y de sus sub-sistemas principales. 3.Conoce las tecnologías utilizadas en los sistemas robóticos actuales.

Artículos en revistas de robótica.


La bibliografía dependerá del tópico específico que se imparta. Dado lo novedoso de los tópicos, se usarán principalmente como material de consulta artículos publicados recientemente en revistas del área de robótica y sistemas autónomos, tales como: - IEEE Transactions On Robotics (IEEE Press) - IEEE Robotics And Automation Magazine (IEEE Press) - Intenational Journal Of Robotics Research (Sage Publications Ltd) - Journal Of Field Robotics (John Wiley & Sons Inc) - Robotics And Autonomous Systems (Elsevier) - International Journal Of Humanoid Robotics (World Scientific) - Autonomous Robots (Springer) - Robotica (Cambridge University Press) - Journal Of Intelligent And Robotics Systems (Springer) - Advanced Robotics (Brill Academic Publishers)

Vigencia desde: Julio de 2010

Elaborado por: Javier Ruiz del Solar

8. CC6204 - Deep Learning

Código Nombre

CC6204 Deep Learning

Nombre en Inglés

Deep Learning




Personal

6 10 3 0 7


272


CC3001 Electivo (pre y posgrado)


El objetivo del curso es introducir a los estudiantes al área de aprendizaje basado en redes neuronales profundas, comúnmente conocida como Deep Learning. Las técnicas utilizadas en esta área han resultado fundamentales en los últimos avances en Inteligencia Artificial en particular en tareas como procesamiento de lenguaje natural y visión computacional. Durante el curso el estudiante será expuesto a la teoría detrás de los modelos de Deep Learning, comprenderá su funcionamiento, los usos posibles, y será capaz de construir y entrenar modelos que permitan solucionar problemas reales.

Desde el punto de vista práctico, el curso pretende que los estudiantes sean capaces de implementar soluciones a problemas ingenieriles complejos que requieran conceptos de Inteligencia Artificial y Deep Learning, con foco en visión computacional y procesamiento de lenguaje natural. Desde el punto de vista teórico el curso busca que los estudiantes sean capaces de leer y comprender artículos científicos recientes del área y puedan así estar al día en los últimos avances en Deep Learning. Si bien la parte teórica es sumamente importante, el curso tendrá un claro sesgo práctico y la evaluación será en su gran parte basada en tareas de programación.

En específico, al finalizar el curso los estudiantes serán capaces de:

Concebir la solución a un problema real que se beneficie de las técnicas de Deep Learning, entendiendo claramente los pro y contras de una posible solución basada en esta tecnología, y las necesidades de datos, software, hardware y tiempo de computación.

Diseñar una red neuronal profunda para un problema en específico considerando las distintas arquitecturas de redes posibles, las especificidades del problema en cuestión y los datos disponibles para entrenamiento.

Implementar un modelo de red neuronal profunda usando librerías de software especializadas, y compararlo a otros modelos implementados según métricas objetivas de eficiencia y efectividad.

Operar y optimizar el funcionamiento de modelos de redes neuronales profundas, entendiendo cómo modificar (hiper)parámetros, cuándo se debe re-entrenar, cuándo se debe conseguir más datos, etc.

Saber cuándo y cómo se debe iterar sobre todos los puntos anteriores para mejorar la solución a un problema en cuestión, y, de ser necesario, consultar el estado del arte del área para implementar nuevas arquitecturas u optimizaciones.


La metodología consiste en clases teóricas, revisión y presentación de artículos del estado del arte, trabajos prácticos y un proyecto. Asimismo, se considera un examen de medio semestre y uno final.

El curso considera una parte teórica importante, pero tiene una tendencia altamente práctica a través de las tareas y proyectos.

Práctica ● 2 Tareas ● 1 Proyecto (o 2 tareas adicionales)

Teórica ● 1 control (mid-term) ● 1 examen

Participación ● Revisión y presentación de papers.


273

Nota Final: 40% Práctica, 40% Teórica y 20% Participación.

Unidades Temáticas


1 Fundamentos 4

Contenidos Resultados de Aprendizajes de la Unidad Referencias a la

Bibliografía

I introducción a redes neuronales modernas. Capítulos: I.2, I.3, II.6 [1]

Perceptrón, perceptrón multicapa, funciones de activación, no linealidad.

Redes neuronales, cómo computan, qué no pueden computar, representación tensorial.

Álgebra tensorial y cálculo tensorial.

Funciones de error/pérdida y entrenamiento por descenso de gradiente.

Grafos de computación y el algoritmo de BackPropagation.

II Algoritmos de aprendizaje,

regularización y optimización. Capítulos: II.7, II.8 [1]

- Descenso de gradiente estocástico.

- Inicialización de parámetros, normalización, normalización de paquetes.

- Aprendizaje adaptativo - Dropout - Penalización de parámetros

III Aspectos prácticos de

entrenamiento y aprendizaje.

El alumno es capaz de: - Entender en detalle los fundamentos de

redes neuronales profundas. - Implementar redes neuronales sin la

necesidad de paquetes especializados, incluyendo algoritmos de optimización avanzados.

- Analizar las bondades y deficiencias de un clasificador basado en redes neuronales profundas.

- Operar y optimizar el funcionamiento de un modelo basado en redes neuronales profundas.

- Organizar un proyecto simple de ingeniería basado en redes neuronales profundas considerando las necesidades de datos, software, hardware y tiempo de computación.

Cap. I.2-3, II.6-8, II.11 [1]


274

Capítulo: II.11 [1]

- Conceptos clásicos de aprendizaje de máquina.

- Métricas de eficiencia, baselines, overfitting, underfitting.

- Búsqueda y selección de hiperparámetros.

- Técnicas de debugging - Uso de GPUs en el entrenamiento - Organizando una solución basada

en Machine Learning y Deep Learning.


2 Redes Convolucionales y Aplicaciones 5


Bibliografía

Redes Neuronales convolucio-

- Entender y aplicar redes neuronales en problemas de visión por computadora.

- Entender y aplicar redes convolucionales.

- Entender y desarrollar aplicaciones de búsqueda por similitud basada en deep-learning.

- Utilizar herramientas como Caffe y TensorFlow para desarrollar modelos de deep-learning.

- Entender y desarrollar aplicaciones de detección y etiquetado de imágenes utilizando modelos convolucionales.

- Entender y desarrollar aplicaciones de segmentación de imágenes utilizando modelos de deep-learning.

- Entender los conceptos de convolución y deconvolución en CNN.

[1] Cap. II.9,

nales Relación de CNN con el modelo

II.12. [2] Cap 4, paper

biológico Estudio de arquitecturas CNN del

científicos.

estado del arte. Caffe y TensorFlow

Visualización de modelos CNN.

Búsqueda por Similitud usando

Deep Features. Hashing de vectores de

características usando Deep

Learning. Class Activation Mapping.

Modelos de Deep Learning para

Detección de Objetos (imágenes) Modelos de Deep Learning para

Segmentación de imágenes


275


4 Tópicos Avanzados 3


Bibliografía

Se elegirán algunos de los siguientes contenidos:

- Introducción a los Modelos

Generativos. - Autoencoders - Autoencoder Variacionales - Generative Adversarial Networks - Neural Turing Machine

(NeuralTM). - Computación Neuronal Derivable

(DNC). - CapsNet.

El estudiante será capaz de enfrentarse exitosamente a literatura científica del área, y entender los conceptos del estado del arte. Algunos de los resultados específicos serán:

- Entender y aplicar autoencoders

variacionales (VAEs). - Entender y aplicar modelos generativos

usando Generative Adversarial Nets (GANs).

- Identificar el contexto de aplicación de cada uno de los diferentes modelos deep analizados en el curso.

- Conocer avances en el áreas (e.g.

Cap. III.14, III.20 [1] papers científicos

Referencias Bibliográficas:

[1] Deep Learning. Ian Goodfellow , Yoshua Bengio , Aaron Courville . 2016. ISBN : 9780262035613. http://www.deeplearningbook.org/

[2] Deep Learning: A practitioner’s Approach. Josh Patterson, Adam Gibson. O’Reilly, 2017.

Papers Científicos:

Artículos de Conferencias tipo CVPR, ICCV, ICML, ECCV, NIPS, ICLR, EMNLP. Artículos de Revistas tipo IJCV, PAMI.

Librerías de código:

Caffe, http://caffe.berkeleyvision.org/ TensorFlow, https://www.tensorflow.org/ Pytorch, http://pytorch.org/

Theano, http://deeplearning.net/software/theano/

Keras, https://keras.io/

Bibliografía


276


Elaborado por: Jorge Pérez y José Manuel Saavedra

9. CC5212 - Procesamiento Masivo de Datos

Código Nombre

CC5212 Procesamiento Masivo de Datos

Nombre en Inglés

Massive Data Processing




Personal

6 10 3 1,5 5,5


CC3201 Bases de Datos Electivo


Al finalizar el curso el alumno entenderá los fundamentos del procesamiento masivo de datos, enfocado a la forma en que esto es realizado por grandes empresas como Google, Facebook, Twitter, Amazon, o grandes laboratorios de investigación como CERN.

The goal of the course will be to provide a solid foundation in the traditional design aspects relating to Distributed Computing and Distributed Databases, showing how they have influenced modern developments in cloud computing, including distributed data storage (e.g., NoSQL storage techniques) and data processing abstractions (e.g., MapReduce/Hadoop, Pregel/Giraph).

Practical assignments will reinforce course material and provide introductory hands-on programming experience developing distributed applications for handling massive data.


Clases expositivas de 90 minutos cada una y

sesiones prácticas de 90 minutos.

La evaluación contemplará Controles, Examen y

Actividades Complementarias.


277

Unidades Temáticas


1 Distribución y Paralelismo 3



Bibliografía

Course Introduction/Motivation

Understand the fundamental design

[TS06, cap. 1,2] for handling massive data.

Introduction to Distributed principles of Distributed Systems (fault tolerance, performance, horizontal

[KDF11, cap. 1,2]

Systems.

Goals of a Distributed System

Fundamentals of parallel

scale, economy). See why parallel processing and distributed storage are key to handling massive data.

processing and distributed

computing. Traditional distributed computing

Learn about the different types of Distributed Systems: learn about

architectures. Modern distributed computing

traditional abstractions (P2P, client- server, grid, OSI layers), and see how

instantiations. they influence modern instantiations

(Bittorrent, Internet, Web, cloud

computing, Google, etc.).


2 Modelamiento de Procesamiento Distribuido 4



Bibliografía

Traditional distributed

Learn basics of distributed

[TS06, cap. 2]

communication methods communication (RPC/MPI): gain [W12]

(RPC/MPI) Modern distributed processing

hands-on experience of communicating between machines

[MABDHLC10] [OV11, cap. 18]

abstractions, focusing on through introductory Java RMI

MapReduce with introduction to assignment (intermediate Java skills a

others (including Graph) Course assignments using Java

prerequisite).

RMI for introductory distributed Learn modern distributed (cloud)

communication methods Course assignments using Hadoop

computation abstractions, including MapReduce and Pregel (as used by

(MapReduce) to parallelize and Google et al.): gain hands-on

solve a basic distributed experience with introductory

computing task programming assignments using

Hadoop and Giraph (intermediate Java

skills a prerequisite).


278


3 Conceptos de Manejo de Datos Distribuidos 4



Bibliografía

Introduction to Distributed Databases

Goals of distributed databases

Data-placement strategies: sharding (partitioning), replication, duplication

Fundamentals of distributed query processing and optimization

Programming assignment to build a basic distributed database using Java RMI and on-disk files

Learn the fundamentals of Distributed Databases, including the trade-offs between fault-tolerance, scalability, performance and economy.

Learn the different ways in which data can be spread out and managed over multiple machines, so as to enable efficient and reliable querying over massive data.

Understand the different types of guarantees a distributed database can make, and their formal limitations.

Build a basic distributed database with hash-based sharding and replication: assignment will use Java RMI (intermediate Java skills a prerequisite).

[TS06, cap. 6,7]

[OV11]


4 Modelos de Almacenamiento Escalable 4



Bibliografía

Introduction to modern NoSQL

Cover the taxonomy of current NoSQL

[SF12] stores

Taxonomy of different NoSQL stores commonly used for large-scale data management in cluster/cloud

data models: key-value stores, computing environments.

column stores, document stores,

graph stores, relational/tabular Compare and contrast the strengths

stores, triple stores, inverted and weaknesses of different data

indexes.

Brief introduction to modern models employed by stores.

NoSQL query and imperative Learn about the different query

languages. languages employed by different

stores.

279

Programming assignment com-

Hands-on assignment will combine a

bining MapReduce (Hadoop) and NoSQL store and MapReduce to solve

a NoSQL store (TBD) for a a distributed processing task, bringing

distributed processing task. together aspects of the different modules (intermediate Java skills a

prerequisite).


Elaborado por: Pablo Barcelo / Aidan Hogan

[TS06] A. S. Tanenbaum, M. Van Steen. Distributed Systems: Principles and Paradigms (2nd Edition). Prentice Hall, 2006.

[MABDHLC10] G. Malewicz, M. H. Austern, A. J. C. Bik, J. C. Dehnert, I. Horn, N. Leiser, G. Czajkowski. Pregel: a system for large-scale graph processing. SIGMOD Conference 2010: 135- 146.

[KDF11] K. Hwang, J. Dongarra, G. C. Fox. Distributed and Cloud Computing: From Parallel Processing to the Internet of Things (1st Edition). Morgan Kaufmann, 2011.

[OV11] M. T. Özsu, P. Valduriez. Principles of Distributed Database Systems. Springer, 2011.

[W12] T. White. Hadoop: The Definitive Guide. O’Reilly, 2012.

[SF12] P. J. Sadalage, M. Fowler. NoSQL Distilled: A Brief Guide to the Emerging World of Polyglot Persistence. Addison-Wesley Professional, 2012.

Bibliografía

280

10. CC5213 - Recuperación de Información Multimedia

Código Nombre

CC5213 Recuperación de Información Multimedia

Nombre en Inglés

Multimedia Information Retrieval




Personal

6 10 3 0 7


CC5206 Introducción a la Minería de Datos ó EL4106 Inteligencia Computacional ó CC4102 Diseño y Análisis de algoritmos

Electivo Ingeniería Civil en Computación


La Recuperación de Información Multimedia estudia el problema de buscar archivos multimedia en una colección y ordenarlos de acuerdo al grado de relevancia con respecto a la consulta del usuario.

En los sistemas de recuperación de información multimedia destacan dos fases principales:

1. Representación de contenido multimedia, donde se extrae información relevante del contenido de cada documento calculando descriptores de contenido multimedia.

2. Búsqueda por similitud, donde se analizan y comparan descriptores de contenido multimedia con el objetivo de buscar y ordenar los documentos relevantes a la consulta.

Este curso estudia ambas fases, esto es, se estudian técnicas para representación de contenido multimedia (específicamente audio, imagen, video y texto) y algoritmos de búsqueda eficientes y efectivos para grandes cantidades de datos.

Al finalizar el curso el estudiante será capaz de:

- Conocer e implementar métodos de análisis y descripción de contenido multimedia.

- Conocer e implementar algoritmos eficientes de búsqueda de contenido multimedia.

- Evaluar la efectividad y eficiencia de sistemas de recuperación multimedia.

- Desarrollar aplicaciones innovadoras para sistemas de recuperación multimedia.

281


El curso se desarrolla por medio de clases expositivas de 90 minutos, sesiones de discusión de trabajos científicos y trabajo personal.

El curso se divide en tres unidades: La primera unidad estudia técnicas clásicas de análisis y descripción de bajo nivel de contenido multimedia. La segunda unidad estudia técnicas de búsqueda e indexamiento clásicas según los enfoques multidimensional y métrico, y la tercera unidad estudia métodos avanzados tanto para descripción del contenido como para búsqueda e indexamiento y aplicaciones.

Se considera el desarrollo de una tarea práctica por unidad, una sesión de presentación de publicaciones al finalizar las unidades dos y tres, y el desarrollo de un proyecto de síntesis del curso en un problema a elección del alumno.

La evaluación se compone de las siguientes instancias para medir el progreso en el aprendizaje:

Mini-Controles (NC)

Tareas (NT)

Presentaciones de lecturas (NL)

Proyecto de síntesis (NP)

Los mini-controles escritos tienen una duración de 15 a 20 minutos al inicio de una clase. Se consideran 7 mini-controles en un semestre.

Las tareas consisten en la implementación de alguna técnica vista en clases. Se consideran 3 tareas en un semestre.

Las presentaciones de lecturas consisten en la exposición oral de 20 a 30 minutos de una lectura elegida por el alumno dentro de opciones dadas por el profesor. Se consideran 2 presentaciones por alumno en un semestre. Durante el semestre el alumno debe desarrollar un proyecto que aplique los contenidos del curso para resolver un problema a su elección. Se considera una presentación oral de los resultados obtenidos al finalizar el semestre.

Para aprobar el curso, el alumno debe cumplir la siguiente condición: NC ≥ 4.0 NT ≥ 4.0 NL ≥ 4.0 NP ≥ 4.0

En caso de no cumplirse esta condición la nota de reprobación es el mínimo entre NC, NT, NL y NP. En caso de cumplirse el cálculo de la nota de aprobación es: Nota Final = (NC + NT + NL + NP) / 4

282

Unidades Temáticas


1 Descriptores de Contenido Multimedia 5


Bibliografía

1. Descriptores de bajo nivel de contenido visual.

2. Descriptores de bajo nivel de contenido acústico.

3. Descriptores de bajo nivel de de texto.

4. Descripción espacio-temporal para videos.

El estudiante:

- Conoce e implementa diferentes técnicas de descripción de bajo nivel de contenido multimedia.

[1] cap 4 y 5 [2] cap 3 y 14 [3] cap 4, 5 y 7


2 Búsqueda por Similitud e Indexamiento 5


Bibliografía

1. Algoritmos de Búsqueda por Similitud.

2. Funciones de Distancias 3. Árboles Multidimensionales 4. Índices Métricos 5. Evaluación de Efectividad

El estudiante:

- Conoce e implementa algoritmos de búsqueda de descriptores de contenido.

- Conoce e implementa diferentes funciones para comparar descriptores de contenido.

- Conoce e implementa diferentes métodos de búsqueda por similitud.

- Evalúa la efectividad y eficiencia de sistemas de recuperación multimedia.

[2] cap 9 [4] cap 3 [7] cap 2 [11]

283


3 Métodos Avanzados y Aplicaciones 5


Bibliografía

1. Descriptores de nivel medio: BOVW, LSI, FV.

2. Otros índices: LSH, VQ, Filling Curves, Índices No-Métricos

3. Deep Learning: Deep Features, Metric Learning

El estudiante: - Conoce métodos de descripción de

contenido de nivel medio. - Conoce métodos avanzados para

búsqueda eficiente de descriptores de contenido.

- Conoce técnicas de Deep Learning para la descripción de contenido y búsqueda por similitud.

[3] cap 3 [4] cap 13 [6] cap 3 y 11 [10] [5] cap 9

Bibliografía

Bibliografía Principal:

[1] H. Eidenberger. "Handbook of Multimedia Information Retrieval". Atpress, 2012.

[2] R. Baeza-Yates and B. Ribeiro-Neto. "Modern Information Retrieval. Second Edition". Addison- Wesley Professional, 2011.

[3] H. Blanken, A. de Vries, H. Blok. "Multimedia Retrieval". Springer-Verlag Berlin Heidelberg, 2007.

[4] C. Aggarwal. "Data Mining: The Textbook". Springer, 2015.

Bibliografía Complementaria:

[5] I. Goodfellow, Y.Bengio, and A. Courville. "Deep Learning". MIT Press, 2016.

[6] J. Leskovec, A. Rajaraman, J. Ullman. "Mining of Massive Datasets, Second Edition". Cambridge University Press, 2014.

[7] P. Zezula, G. Amato, V. Dohnal, and M. Batko. "Similarity Search: The Metric Space Approach". Springer, 2006.

[8] M. Nixon, A. Aguado. "Feature Extraction & Image Processing for Computer Vision, Third Edition". Elsevier, 2012.

[9] H. Samet. "Foundations of Multidimensional and Metric Data Structures". Morgan Kaufmann, 2006.

[10] H. Jegou, M. Douze, C. Schmid. "Product Quantization for Nearest Neighbor Search". Transactions on Pattern Analysis and Machine Intelligence. 2011.

[11] M. Muja and D. Lowe. "Scalable Nearest Neighbor Algorithms for High Dimensional Data". IEEE Transactions on Pattern Analysis and Machine Intelligence, 2014.

Vigencia desde: Mayo 2017

Elaborado por: Juan Manuel Barrios

284

11. CC7220 - La Web de Datos

Código Nombre

CC7220 La Web de Datos

Nombre en Inglés

Linked Data


Horas de Cátedra



6 10 3 - 7


CC3201 Electivo


El curso tiene como objetivo estudiar los fundamentos de la revolución en la creación, manejo y procesamiento y consumo de datos que se ha comenzado a producir producto de la existencia de la Web y los avances en la capacidad física de procesamiento, comunicación y almacenamiento de datos. Asimismo, se espera que entienda el rol que estos datos juegan en el sistema de información actual, y los desafíos que esto significa para la CS.

Al finalizar el curso, se espera que el estudiante:

Conozca y entienda los desarrollos de datos en la Web, particularmente aquellos que dicen relación con datos enlazados, que conozca también los modelos de datos básicos propuestos para conceptualizar la Web de datos y sus facetas.

El alumno que maneje las técnicas básicas usadas para desarrollar en la Web de datos, y sea capaz de desarrollar por sí mismo nuevas facetas de esos modelos o nuevas aplicaciones novedosas.


El curso se desarrollará con clases presenciales, lecturas, presentaciones de alumnos y desarrollo de un proyecto de investigación (ya sea individual o grupal).

La evaluación constara de: 1. Lecturas 2. Informes escritos 3. Presentaciones 4. Proyecto final

285

Unidades Temáticas


1 El Diluvio de Datos 2



Bibliografía

1. Tendencias en la generación, procesamiento, transformación, uso y archivo de datos.

2. Casos de estudio: gobierno, datos científicos.

El alumno deberá entender: * La revolución que se ha generado a

comienzos de siglo XX en la producción de datos.

* El rol que los datos juegan en el sistema de información actual (en la Web de datos).

* Los desafíos que estos niveles de datos generan para la ciencia de la computación.

[1], [2]


2 Técnicas y Modelos 4



Bibliografía

1. Modelos 2. Técnicas

El alumno deberá conocer:

* Los modelos de datos básicos propuestos para conceptualizar la Web de datos y sus facetas.

* El alumno deberá manejar las técnicas básicas usadas para desarrollar en la Web de datos

[3], [4]

286


3 Áreas Particulares 9



Bibliografía

Elegir un tema o área particular y desarrollar resultados teóricos o aplicativos.

El alumno deberá ser capaz de trabajar, en una de las dos áreas:

* Teórica: Ser capaz de entender modelos, de desarrollar funcionalidades, de detectar problemas de la Web de datos.

* Aplicación: Ser capaz de diseñar (y si el tiempo permite, desarrollar) una aplicación que responda y resuelva problemas de la Web de datos detectados.

Bibliografía recomendada

Bibliografía

BASICA

[1] S. Abiteboul, P. Buneman, D. Suciu, Data on the Web. From Relations to Semistructured Data

and XML, Morgan Kaufmann Publ. California, 2000.

[2] Abadi et al. The Beckman Report on Database Research, 2013.

[3] Ch. Bizer, T. Heath, T. Berners-Lee, Linked Data - The Story So Far, International Journal on

Semantic Web and Information Systems, 3 (2009), pp. 1-22.

[4] P. Buneman, Semistructured data, ACM PODS, 1997.

RECOMENDADA:

[1] R. Angles, C. Gutierrez, Survey of Graph Database Models, ACM Computing Surveys, Vol. 40,

No. 1, February 2008.

[2] M. Hausenblas, M. Karnstedt, Understanding Linked Open Data as a Web-Scale Database, 1st

Internat. Conf. on Advances in Databases, pp. 56-61, 2010.

[3] S. Abiteboul, V. Vianu, Queries and Computation on the Web, Theor. Comput. Sci. 239(2):

231-255 (2000).

[4] L. G. Alex Sung, N. Ahmed, R. Blanco, H. Li, M. Ali Soliman, D. Hadaller, A Survey of Data

Management in Peer-to-Peer Systems}, Web Data Management, 2005.

287

Bibliografía

[5] R. Kumar, P. Raghavan, S. Rajagopalan, D. Sivakumar, A. Tompkins, E. Upfal, The Web as a

Graph, PODS 2000, pp. 1-10.

[6] Tim Berners-Lee, Design Issues/Linked Data,

http://www.w3.org/DesignIssues/LinkedData.html

[7] P. A. Bernstein, F. Giunchiglia, A. Kementsietsidis, J. Mylopoulos, L. Serafini, I. Zaihrayeu,

Data Management for Peer-to-Peer Computing: A Vision, WebDB, Workshop on Databases

and the Web, 2002.

[8] G. Bell, J. Gray, A. Szalay, Petascale Computational Systems: Balanced CyberInfrastructure in a

Data-Centric World, Computer, Volume 39, Issue 1 (January 2006), 110 - 112.

[9] Th. Lee, Attribution Principles for Data Integration: Technology and Policy Perspectives,

Thesis (Ph. D.)--Massachusetts Institute of Technology, Engineering Systems Division,

Technology, Management, and Policy Program, 2002.

[10] LinkedData Project, http://www.linkeddata.org

[11] DATA.gov project, http://www.data.gov/

[12] T. Green, V. Tannen, Models for Incomplete and Probabilistic Information, EDBT

Workshops, Munich, Germany, March 2006.

[13] S. Gribble, A .Halevy, Z. Ives, M. Rodrig, D. Suciu, What Can Databases Do for Peer-to-Peer?,

WebDB, Workshop on Databases and the Web, 2001.

[14] Alon Y. Halevy, M. J. Franklin, D. Maier, Principles of dataspace systems, PODS 2006: 1-9.

288

Bibliografía

[19] A. O. Mendelzon, The Web is not a Database, Workshop on Web Information and Data

Management 1998.

[20] A. O. Mendelzon, T. Milo, Formal Models of Web Queries, PODS 1997: 134-143.

[21] A. O. Mendelzon, T. Milo, Formal Models of Web Queries, Inf. Syst. 23(8): 615-637 (1998).

[24] M. Spielmann, J. Tyszkiewicz, J. Van den Bussche, Distributed computation of web queries

using automata, PODS 2002, pp. 97-108.

[25] M. Stonebraker, S. Madden, D. J. Abadi, S. Harizopoulos, N. Hachem, and P. Helland, The

end of an architectural era: (it's time for a complete rewrite), VLDB '07, 2007, pp. 1150-

1160.

[26] Tim O'Reilly, What Is Web 2.0}, http://oreilly.com/web2/archive/what-is-web-20.html

Vigencia desde: Ultima revisión Primavera 2016

Elaborado por Claudio Gutiérrez

289

12. CC5208 - Visualización de Información

Código Nombre

CC5208 Visualización de Información

Nombre en Inglés

Information Visualization


Horas de Cátedra



6 10 3.0 0.0 7.0


CC3201 Bases de Datos Electivo


Al finalizar el curso el estudiante demuestra que:

- Entiende los principios de la visualización de información. - Es capaz de pre-procesar, analizar y visualizar grandes volúmenes de datos desconocidos. - Es capaz de analizar sistemas de visualización de información existentes con respecto a su

eficacia y expresividad, y es capaz de diseñar sistemas de visualización de información para nuevas áreas de aplicación.


El curso está orientado a enseñar los conceptos básicos de la Visualización de Información. El objetivo es que los alumnos aprendan algunas herramientas para visualizar datos, en particular datos espaciales en 1-D, 2-D y 3-D, datos multidimensionales, grafos y datos jerárquicos.

Se utilizarán las estrategias:

1. Clase expositiva 2. Trabajo personal

La evaluación contará con las siguientes instancias que permitirán medir el progreso en el aprendizaje:

Controles

Proyecto semestral

Examen final

290

Unidades Temáticas


1 Fundamentos de los datos 2.5



1. Introducción (qué es la visualización, historia, el proceso de visualización, scatterplots).

2. Fundamentos de los datos (tipos de

datos, pre-procesamiento de datos).

El estudiante:

- Conoce el proceso de visuali- zación.

- Utiliza scatterplots para realizar visualizaciones simples.

- Conoce los distintos tipos de datos.

- Aplica técnicas de preprocesamiento de datos.

[1] Caps. 1 y 2


2 Fundamentos de visualización 3



1. Percepción humana y procesamiento de la información (qué es percepción, fisiología, procesamiento de la percepción, percepción en visualización).

2. Fundamentos de visualización

(proceso de visualización, semiología de símbolos gráficos, variables visuales, perspectiva histórica, taxonomía).

El estudiante:

- Conoce la fisiología de la visión humana y las distintas etapas del procesamiento de la percepción.

- Entiende los conceptos de percepción en visualización.

- Comprende el proceso de visualización.

- Reconoce las ocho variables visuales y sus efectos.

[1] Caps. 3 y 4

291


3 Técnicas de Visualización 5.5



1. Técnicas de visualización para

datos espaciales (1-D, 2-D, 3-D y multi-dimensional).

2. Técnicas de visualización para

árboles, grafos y redes.

3. Técnicas avanzadas de visuali-

zación.

El estudiante:

- Conoce y aplica técnicas de

visualización para datos espaciales y multi-dimensionales.

- Conoce y aplica técnicas de visualización para estructuras jerárquicas y para grafos.

- Conoce y aplica técnicas avanzadas de visualización para datos espaciales, jerárquicos y redes.

[1] Caps. 5, 7 y

8


4 Visualización de datos complejos 4



1. Visualización de datos

geoespaciales.

2. Visualización de datos temporales.

3. Visualización de datos textuales.

El estudiante:

- Conoce y aplica técnicas de

visualización para datos geoespaciales.

- Conoce y aplica técnicas de visualización para datos temporales.

- Conoce y aplica técnicas de visualización para datos textuales.

[1] Caps. 6 y 9

292


Elaborado por: Benjamín Bustos

293

13. CC5113 - Aprendizaje Automático Bayesiano

Código Nombre

CC5113 Aprendizaje Automático Bayesiano

Nombre en Inglés

Bayesian Machine Learning

SCT Unidades Docentes Horas de Cátedra



6 10 3 1,5 5,5


MA3403, CC3301 Electivo para la ICC


Al término del curso, el alumno demuestra que identifica las problemáticas principales en el ámbito del aprendizaje automático. Es capaz de identificar problemas de aprendizaje supervisado, no supervisado, o reforzado, así como plantear soluciones para ellos con los métodos existentes. En particular, puede resolver problemas de regresión, clasificación, clustering, identificación de procesos, y agentes que aprenden. Finalmente, comprende los desafíos teóricos y computacionales de las distintas metodologías mencionadas, así como de los métodos de optimización utilizados dentro de ellas.


Clases expositivas y tareas personales de programación en distintos ambientes robóticos simulados.

La evaluación se basa en trabajos grupales en clases y 5 ó 6 tareas de programación y un proyecto final.

Se sigue la ponderación siguiente:

NTG= (NTG1+…+NTGn)/n

NT = (NT1+NT2+…+NTm)/m

NF = 0,4*NTG + 0,4*NT + 0,2*NP

294

Unidades Temáticas


1 Introducción 2


Bibliografía

1. Definición del problema de aprendizaje automático.

2. Tipos de aprendizaje automático

3. Ejemplos de aplicaciones exitosas

4. Vectores de Características

5. Modelos Gráficos

Al término de la unidad se espera que el alumno:

Identifique los tipos de aprendizaje automático relevantes y conozca ejemplos de aplicaciones.

Entienda el concepto de vectores de características.

Construya un vector de características apropiado en casos relevantes.

Interprete un modelo gráfico en términos de las dependencias entre variables aleatorias involucradas en un problema.

Pueda sintetizar las probabilidades conjuntas a partir de un modelo gráfico.


2 Aprendizaje Supervisado 3


Bibliografía

1. Regresión lineal y no lineal (basada en kernels)

2. Clasificación usando MLP, Naive Bayes, SVM Lineal y Regresión Logística.


Comprenda los problemas de regresión y clasificación.

Identifique los casos en que dichos problemas son aplicables.

Entienda los fundamentos y características de métodos de regresión lineal y no lineal y sea capaz de aplicarlos.

Entienda los fundamentos y características de los métodos clasificación vistos y sea capaz de aplicarlos.

295


3 Inferencia Bayesiana 2


Bibliografía

1. Funciones de densidad de probabilidad (pdf): a priori, a posteriori, verosimilitud.

2. Estimadores de máxima verosimilitud (MLE) y máxima probabilidad a posteriori (MAP).

3. Sobre-ajuste y Bajo-ajuste

4. Regularización


Comprenda los conceptos de pdf a priori, a posteriori, y verosimilitud.

Entienda los estimadores MLE y MAP y sea capaz de calcularlos.

Entienda los fenómenos de sobreajuste y bajo-ajuste y sea capaz de identificar su aparición así como de

prevenirlos y corregirlos.

Entienda el mecanismo de regularización y sea capaz de aplicarlo.


4 Aprendizaje no-supervisado 2


Bibliografía

1. Algoritmos de Clustering: K-Means, DBSCAN


Comprenda el concepto de clustering.

Sea capaz de aplicar los algoritmos de clustering vistos.

296


5 Aspectos Avanzados 4


Bibliografía

2. Procesos Gaussianos para regresión.

3. Combinaciones de Gaussianas (GMM) y Expectation- Maximization (EM).

4. SVM con kernels

5. Descenso estocástico del gradiente

6. Redes Bayesianas


Aplique Procesos Gaussianos para regresión e interpretar la varianza predicha por el método.

Aplique el método de GMM para estimar una pdf multimodal.

Comprenda el mecanismo de EM y poder aplicarlo para la resolución de GMM.

Aplique kernels en los clasificadores SVM.


6 Aprendizaje Reforzado 2


Bibliografía

1. Problema de Aprendizaje Reforzado.

2. Explotación – Exploración

3. Métodos de Diferencia Temporal

4. Aprendizaje Reforzado Basado en Modelos.


Entienda el problema del Aprendizaje Reforzado así como su importancia y complejidad.

Sea capaz de aplicar distintas estrategias para resolver el dilema de explotación – exploración.

Entienda los fundamentos de los métodos de diferencia temporal y sea capaz de aplicar algunos de ellos. (Q- Learning, SARSA)

Entienda los fundamentos del aprendizaje reforzado basado en modelos.

297

298

14. CC5615 - Business Analytics

Código Nombre

CC5615 Bussiness Analytics

Nombre en Inglés

Business Intelligence


Horas de Cátedra



3 5 1,5 3,5


CC3201 Bases de Datos Electivo para ICC Equivalente al CC5608


Al finalizar el curso el alumno estará familiarizado con:

- Teoría de la Inteligencia de Negocios

- Aplicaciones de la Inteligencia de Negocios en diferentes industrias

- Diseño de modelos de gestión

- Modelamiento multidimensional

- Construcción de Datawarehouses y Datamarts

- Técnicas de ETL

- Diseño de soluciones de Business Analytics


Clases teórico prácticas aplicadas totalmente a problemas reales.

1 control

1 trabajo

1 examen

299

Unidades Temáticas


1 Business Intelligence, conceptos y aplicaciones 4



Introducción a la Inteligencia de Negocios, explicación de conceptos.

Comprensión de la motivación a implementar soluciones de Business Intelligence, cuándo se usa, para qué, quiénes, cómo, etc.

- Introducción a Bussiness

Analytics - Algunos conceptos asociados:

o Business Intelligence o OLAP o Cubos o Data Mining o Data Warehouse o Data Mart o KPI o Dashboards o Big Data

- Por qué utilizar BI, típicos problemas en empresas e instituciones que requieren Inteligencia de Negocios.

- Diferencia entre ambiente de análisis y ambiente transaccional.

- Aplicaciones prácticas y sus beneficios.

- Data Mining - Big Data - Modelamiento

multidimensional.

- Entendimiento de la teoría de BI.

- Entender los problemas de la falta de información para la gestión y para la toma de decisiones en las empresas.

- Entender el valor estratégico de contar con BI.

- Modelamiento multidimensional.

300


2 Diseño de soluciones de Business Intelligence 3



- Identificación de necesidades

de gestión. - Arquitectura general de

soluciones de BI. - Identificación de fuentes de

datos. - Diseño de modelo de solución - Diseño de rutinas ETL - Diseño de Data Warehouse y

Datamart. - Diseño de cubos, reportes y

Dashboards.

- Identificación de

necesidades y diseño de una solución de BI acorde con ellas.


3 Implementación de soluciones de Business Intelligence

8



- Presentación de Pentaho,

herramiento de BI Open Source comercial.

- Introducción a los diferentes módulos.

- Construcción de DW - Implementación de rutinas de

ETL. - Implementación de cubos

OLAP. - Implementación de reportes - Implementación de

Dashboards.

- Construcción de una

solución de BI completa en base a datos simulados.

301

Bibliografía

Data Mining: Concepts and Techniques, Jiawei Han and Micheline Kamber

The Data Warehouse Toolkit, Ralph Kimball


Elaborado por: Marcela Calderón Corail

302

15. CC5509 - Reconocimiento de Patrones

Código Nombre

CC5509 Reconocimiento de Patrones

Nombre en Inglés

Pattern Recognition




Personal

6 10 3 7


CC3002, CC3301. Electivo ICC


Reconocimiento de Patrones es una disciplina científica cuyo objetivo es extraer eficientemente información relevante de objetos de interés (patrones) para establecer un conjunto de propiedades. Dependiendo de la aplicación, estos objetos pueden ser imágenes, videos, texto, audio, entre otros. La capacidad de procesamiento actual, ha hecho que esta disciplina se convierta en un elemento clave en el desarrollo de nuevas tecnologías. Algunos ejemplos lo vemos en los sistemas de seguridad por biometría, sistemas de control de calidad, Facebook con el etiquetado automático, Google con proyectos como la conducción autónoma de autos, entre muchos otros.

En este ramo se analizan los métodos del estado del arte en representación y clasificación de patrones enfocándonos, principalmente, en aplicaciones relacionadas con visión de máquina.

Este ramo está orientado tanto a estudiantes de pregrado como de posgrado e intenta cubrir las siguientes capacidades:

Conocer los fundamentos de reconocimiento de patrones.

Entender y aplicar apropiadamente algoritmos para describir imágenes.

Entender y aplicar estrategias para reducir la dimensión del espacio de características.

Entender y aplicar estrategias de reconocimiento de patrones basadas aprendizaje supervisado

y no supervisado.

Evaluar algoritmos de reconocimiento de patrones.

Desarrollar aplicaciones novedosas en esta área.

303


La metodología docente consiste en clases teóricas, tipo exposición, dadas por el docente en sala de clases. Además, durante el semestre, los estudiantes deberán presentar obligatoriamente el análisis de un paper relacionado. Asimismo, se realizarán discusiones grupales de diversos papers técnicos.

Para el mejor desarrollo de las clases, el alumno contará con material docente (diapositivas, papers, referencias biblio- gráficas), que estará disponible en la página del curso o a través de u-cursos.

% Trabajos Prácticos (50 %)

◦ 3 Tareas (T) (50%) (individual)

◦ 1 Proyecto (P) (50%) (hasta 2 estudiante) % Análisis de Lectura (20%)

◦ 1 Presentación de Paper (A) (60%)

◦ Lectura y discusión grupal de papers (L) (40%) % Controles/Examen (30%)

◦ 1 Control de medio semestre (C) (50%)

◦ 1 Examen (E)

El estudiante quedará eximido de rendir el examen si promedio de nota T >= 5.0 y nota C >=5.5 y nota A >=5.0

Unidades Temáticas


1 Extracción y Espacio de Características 5



Bibliografía

Introducción.

Extracción de características: forma y

Entender y aplicar algoritmos de extracción de caracterís- ticas visuales de forma, color y textura.

Entender y aplicar algoritmos de extracción de caracterís- ticas de ámbito local.

Definir y extraer características apropiadas a problemas específicos.

Entender y aplicar algoritmos de selección de características.

Entender y aplicar algoritmos de reducción de la dimensión del espacio de características.

Evaluar métodos de reconocimiento de patrones.

[Theodoridis] Cap. 1, Cap. 7.

color. Caso de estudio: Reconocimiento de

[González]

dígitos manuscritos. Un simple clasificador: KNN, Funciones

Cap. 11 y Cap. 12.

de distancia. Extracción de características de textura

(LBP, Gabor, textons). Extracción de características basada en

gradientes (SIFT, SHELO, HOG, DAYSI). División Espacial, Normalización.

Métricas de Evaluación: Recall-Presicion,

ROC, Detection-Error Tradeoff. Selección de Características.

Reducción de la dimensión: PCA, LDA,

ICA, LLE, Isomap.

Caso: Reconocimiento de Caras con

Eigenfaces y Fisherfaces.

304


2 Clasificación y Clustering 6



Bibliografía

Introducción: Normalización, Overfitting, Entender y aplicar estrategias de reconocimiento de patrones basadas en aprendizaje supervisado y no supervisado.

Entender las ventajas y desventajas de los diversos métodos de clasificación y clustering.

[Theodoridis],

dimensionalidad. Clasificación: Regresión Logística,

[Bishop],

Clasificadores Basados en Bayes.

Clasificadores Lineales.

Support Vector Machine.

Clasificadores no Lineales. Árboles de

[Marsland],

[Abe], [Webb]

Decisión. Redes Neuronales. Caso de Estudio: Clasificación de

imágenes. Clustering: Conceptos Básicos,

Algoritmos Secuenciales. Clustering: Modelos Generativos GMM.

Clustering: Algoritmos Basados en

Optimización. Clustering: Mapas Auto-organizativos.

Casos: Bag of Visual Words, VLAD, Fisher

Vectors. Herramientas de exploración de datos.


3 Codificación Sparse y Deep Learning 4



Bibliografía

Codificación Sparse (Aplicación en el reconocimiento de caras).

Redes Neuronales Convolucionales (Aplicación a reconocimiento de imágenes y recuperación de imágenes).

Hidden Markov Models.

Entender y aplicar el modelo de codificación sparse para la representación y clasificación de imágenes.

Entender y aplicar redes neuronales convolucionales en problemas de clasificación de imágenes y recuperación por similitud.

Entender y aplicar modelos de Markov para el reconocimiento de patrones secuenciales.

[Wright] [Goodfellow], [Murphy]

305

Bibliografía

[Bishop] Christopher M. Bishop, “Pattern Recognition and Machine Learning”, Springer Verlag Gmbh, 2010, ISBN 978-0-387-31073-2.

[Theodoridis] S. Theodoridis and K. Koutroumbas, “Pattern Recognition”, 4th Ed, Elsevier Ltd, 2008, ISBN: 978-1597492720.

[Murphy] Kevin P. Murphy, “Machine Learning: A Probabilistic Perspective”, MIT Press, 2012, ISBN: 9780262018029.

[Marslan] S. Marsland, “Machine Learning. An Algorithmic Perspective”, Chapman and Hall/CRC, 2011,ISBN-13: 978-1420067187.

[Abe] S. Abe, “Support Vector Machine for Pattern Classification”, 2n Ed. Springer, 2012,ISBN-13: 978- 1447125488.

[Webb] A. Webb and Keith Copsey, “Statistical Pattern Recognition”, John Wiley & Son, 2011. ISBN- 13: 978-0470682272.

[Gonzalez] R. Gonzalez and R. Woods, “Digital Image Processing”, 3rd Ed, Prentice Hall, 2008.

[Wright] Robust Face Recognition via Sparse

Representation. PAMI. 2009. [Goodfellow] Deep

Learning. http://www.deeplearningbook.org/


[Szeliski], R. Szeliski, “Computer Vision, Algorithms and Applications”, Springer, 2011.


Elaborado por: José M. Saavedra y Mauricio Cerda

306

16. CC6205 - Procesamiento de Lenguaje Natural A. Antecedentes generales del curso:

Departamento Ciencias de la Computación

Nombre del curso

Procesamiento de Lenguaje Natural

Nombre del curso en inglés

Natural Language Processing

Código CC6205 Créditos 6

Horas semanales

Docencia 3,0 Auxiliares 0 Trabajo personal

7,0

Carácter del curso

Obligatorio 0 Electivo de Especialización

X

Requisitos CC3001 Algoritmos y Estructuras de Datos o MA3403 Probabilidades y Estadística

B. Propósito del curso:

El propósito del curso Procesamiento de Lenguaje Natural es introducir a los estudiantes a la disciplina del procesamiento de lenguaje natural (PLN). El estudiante utilizará este método para resolver tareas (task), con soluciones delimitadas respecto a su pertinencia y tamaño. Esta disciplina estudia el diseño de métodos y algoritmos que reciben como entrada y/o producen como salida datos en forma de lenguaje natural (e.g., texto, voz). El curso se centra en el procesamiento de texto, aunque se mencionan aplicaciones en procesamiento de voz.

PLN abarca varias tareas (tasks) como, por ejemplo: la traducción automática de documentos, el análisis de sentimientos, la detección de entidades y el parsing de árboles sintácticos. Cada tarea (task) se resuelve y se evalúa mediante técnicas y métricas que son propias a esta. El grueso de estas técnicas involucra el uso de algoritmos, métodos estadísticos y redes neuronales artificiales.

Durante el desarrollo del curso el estudiante se verá expuesto a las tareas más relevantes en PLN y reconocerá el funcionamiento detrás de las técnicas más efectivas para solucionar estas tareas como la forma de evaluar cuantitativamente la calidad de una solución. Es importante mencionar que PLN está fuertemente relacionado a la lingüística computacional. Por lo tanto, varios métodos de PLN serán motivados introduciendo conceptos lingüísticos.

El contexto del desarrollo de habilidades de aplicación metodológica será a través del planteamiento de tareas en PLN, con soluciones bien delimitadas respecto a su alcance y tamaño. Desde el punto de vista teórico, el curso busca que los estudiantes sean capaces de leer artículos científicos en inglés con avances recientes en el área. Desde el punto de vista práctico, se apunta a que los estudiantes sean capaces de implementar soluciones a tareas de PLN utilizando la programación.

En resumen, se espera que los estudiantes desarrollen una metodología de trabajo que los lleve resolver problemas en PLN en base al razonamiento algorítmico, lingüístico y estadístico.

Las competencias específicas (CE) y genéricas (CG) a las que tributa el curso son:

307

CE1: Analizar problemas computacionales, construir modelos, expresándolos en representaciones y lenguajes formales adecuados.

CE4: Extraer información relevante, utilizando el proceso de descubrimiento de conocimiento de datos.

CG1: Comunicación académica y profesional

Comunicar en español de forma estratégica, clara y eficaz, tanto en modalidad oral como escrita,

puntos de vista, propuestas de proyectos y resultados de investigación fundamentados, en

situaciones de comunicación compleja, en ambientes sociales, académicos y profesionales.

CG2: Comunicación en inglés

Leer y escuchar de manera comprensiva en inglés variados tipos de textos e informaciones sobre temas concretos o abstractos, comunicando experiencias y opiniones, adecuándose a diferentes contextos de acuerdo a las características de la audiencia.

CG3: Compromiso ético

Actuar de manera responsable y honesta, dando cuenta en forma crítica de sus propias acciones y sus consecuencias, en el marco del respeto hacia la dignidad de las personas y el cuidado del medio social, cultural y natural.

CG4: Trabajo en equipo

Ejecutar con su equipo, de forma estratégica, diversas actividades formativas propuestas, considerando la autogestión de sí mismo y la relación con el otro, asumiendo diversos roles: de líder, colaborador u otros, según requerimientos y objetivos, sin discriminar por género u otra razón.

C. Resultados de aprendizaje:

Competencias específicas

Resultados de aprendizaje

CE1

RA1: Reconoce, analíticamente, los componentes principales de una tarea (tasks) en PLN, deduciendo sus datos de entrada y salida, con el fin de descomponer, de forma irreductible, dicha tarea.

CE1

RA2: Plantea y explica un modelo de solución, delimitado respecto a su alcance y tamaño, para una tarea (task), mediante la identificación de componentes principales con el fin de procesar la entrada y generar la salida deseada, usando técnicas y algoritmos específicos de PNL.

CE4

RA3: Implementa y ejecuta, a nivel básico, un programa computacional, según la tarea de PLN a resolver y el modelo propuesto, con el fin de obtener una solución ejecutable de dicho modelo.

CE4

RA4: Evalúa la solución implementada, delimitada según alcance y tamaño, usando métricas de evaluación con el fin de validar y/o rectificar el modelo propuesto para la tarea.

308

Competencias genéricas

Resultados de aprendizaje

CG1, CG4 RA6: Presenta de manera oral y escrita propuestas de solución a problemas en PLN, a fin de explicar, de manera sintética y precisa, las soluciones propuestas y su pertinencia.

CG2 RA7: Lee en inglés, de manera analítica y comprensiva, artículos científicos del estado del arte en PLN, a fin de relacionar dicha información y generar nuevos conocimientos atingentes y aplicables a temas de procesamiento de Lenguaje Natural.

CG3, CG4 RA8: Realiza, con su equipo, las actividades comprometidas, de manera responsable y honesta, en los plazos comprometidos, citando fuentes y referencias de donde se extrae la información, a fin de elaborar propuestas propias sin incurrir en plagio.

D. Unidades temáticas:

Número RA al que tributa Nombre de la

unidad Duración en semanas

1 RA1-RA2-RA3-RA4-RA5-RA6-RA7 Fundamentos 4 semanas

Contenidos Indicador de logro

309

1. Modelo vectorial de texto. 2. Preprocesamiento: stemming y borrado de stopwords. 3. Naive Bayes para clasificación de documentos.

3.1. Aplicación: Análisis de sentimientos. 4. Modelos lineales para clasificación de documentos.

4.1. N-gramas de palabras y caracteres. 4.2. Funciones de pérdida. 4.3. Entrenamiento basado en gradiente.

5. Redes neuronales

5.1. Grafo Computational. 5.2. Backpropagation. 5.3. Derivación Automática.

6. Vectores de palabra (word embeddings).

6.1. Matrices palabra-contexto. 6.2. Modelo Skip-gram. 6.3. Modelo Continuos Bag of Words. 6.4. Negative Sampling. 6.5. Glove. 6.6. FastText.

7. Modelos de Lenguaje (language models)

7.1. Procesos de Markov. 7.2. Modelo de unigramas, bigramas y trigramas. 7.3. Evaluación de modelos de lenguaje: perplejidad. 7.4. Interpolación de modelos de lenguaje. 7.5. Katz Back-Off Models. 7.6. Modelo de lenguaje neuronales.

El estudiante:

1. Reconoce de forma analítica, una

tarea (task) de clasificación de texto.

2. Extrae características a partir de

texto, usando modelos vectoriales.

3. Resuelve tareas (tasks) de

clasificación de texto usando Naive

Bayes, modelos lineales y redes

neuronales.

4. Compara diversos modelos,

considerando sus ventajas y

desventajas para la clasificación de

texto.

5. Implementa modelos de clasificación

de texto usando Scikitlearn, NLTK y

Pytorch.

6. Extrae vectores de palabra, usando

matrices palabra-contexto y redes

neuronales a partir de un corpus de

documentos.

7. Implementa y evalúa vectores de

palabra, usando la librería Gensim.

8. Explica la tarea (task) de

modelamiento de lenguaje,

considerando su definición formal y

sus propiedades.

9. Determina el funcionamiento de

modelos de lenguaje basados en n-

gramas y redes neuronales.

10. Lee de manera comprensiva diversos

textos y artículos en inglés sobre

procesamiento de lenguaje natural,

determinando sus ideas principales.

11. Cumple obligaciones y acuerdos,

respetando los compromisos

adquiridos en sus actividades

académicas.

310

12. Planifica y presenta sus trabajos,

basándose en sus capacidades, sin

incurrir en plagio, copia, suplantación

de identidad.

13. Respeta las ideas y opiniones de otros

para definir acuerdos comunes,

compartiendo ideas para dar

cumplimiento a la meta.

14. Compone su texto, considerando las

diferentes audiencias posibles

(especializada, no especializada,

pares, académicos, entre otros) para

una adecuada recepción del mensaje

y cumplimiento del propósito

comunicativo.

311

Bibliografía de la unidad

[1] Capítulo 4.

[2] Capítulos 1-11.

[3] Capítulos 2 y 4.

Número RA al que tributa Nombre de la unidad Duración en semanas

2 RA1-RA2-RA3-RA4-RA7 Etiquetado de Secuencias 2 semanas


1. Problemas de Etiquetado. 1.1. POS tagging. 1.2. Reconocimiento de entidades nombradas.

2. Cadenas de Markov Ocultas. 2.1 Algoritmo de Viterbi.

3. Etiquetado con modelo lineales. 3.1. Conditional random fields.

El estudiante:

1. Reconoce de forma analítica, una tarea (task) de

etiquetado de secuencias

2. Identifica aplicaciones del etiquetado de

secuencias a problemas de PLN.

3. Explica el funcionamiento de las cadenas de

Markov ocultas y de modelos lineales para el

problema de etiquetado de secuencias,

identificando las ventajas y desventajas de estos

métodos.

4. Resuelve problemas de etiquetado de secuencia

usando las librerías computacionales NLTK y

SpaCy.

5. Cumple obligaciones y acuerdos, respetando los

compromisos adquiridos en sus actividades

académicas.

6. Planifica y presenta sus trabajos, basándose en

sus capacidades, sin incurrir en plagio, copia,

suplantación de identidad.

7. Plantea a su equipo, de manera clara, precisa y

constructiva, su posición acerca de un tema para

cumplir de forma efectiva la tarea emprendida.

8. Relaciona, jerarquiza e integra en sus escritos

información proveniente de múltiples fuentes.


[1] Capítulo 5 y 6.

[3] Capítulo 3.

312


3 RA1-RA2-RA3-RA4-RA5-

RA6-RA7 Arquitecturas Especializadas de

Redes Neuronales 5 semanas


1. Redes Neuronales Convolucionales para la detección de n-gramas.

1.1. Operación convolución. 1.2. Operación de pooling.

2. Redes Neuronales Recurrentes.

2.1. Aplicaciones: clasificación, etiquetado y modelos de lenguaje. 2.2. Redes recurrentes bidireccionales. 2.3. Arquitecturas recurrentes con compuertas: LSTM y GRU.

3. Modelos Secuencia-Secuencia. 3.1. Arquitectura codificador-decodificador. 3.2. Capas de atención. 3.3. Decodificación aproximada usando Beam search. 3.4. Aplicaciones: Generación de resúmenes, traducción automática. 3.5. Transformer.

4. Transferencia de aprendizaje usando modelos de lenguaje neuronales.

4.1. ELMO. 4.2. BERT.

El estudiante:

1. Reconoce tareas (tasks) de PLN donde es

conveniente usar redes neuronales

convolucionales.

2. Explica el funcionamiento de las redes

convolucionales para problemas de clasificación

de texto.

3. Implementa redes neuronales convolucionales

para clasificación de texto, usando Pytorch.

4. Reconoce dominios de aplicación en el PLN,

adecuados para el uso de redes neuronales

recurrentes.

5. Explica el funcionamiento de las redes

neuronales recurrentes.

6. Implementa redes neuronales recurrentes para

clasificación de texto y etiquetado de secuencias

usando Pytorch.

7. Explica el funcionamiento de modelos

secuencia-secuencia usando redes recurrentes y

redes de atención para codificar la entrada y

decodificar la salida.

8. Reconoce problemas de PLN adecuados para

abordar usando arquitecturas secuencia-

secuencia.

9. Implementa arquitecturas secuencia-secuencia

usando AllenNLP.

10. Explica el concepto de transferencia de

aprendizaje y el funcionamiento de

arquitecturas modernas en ese ámbito como

ELMO y BERT.

313

11. Cumple obligaciones y acuerdos, respetando los

compromisos adquiridos en sus actividades

académicas.

12. Plantea a su equipo, de manera clara, precisa y

constructiva, su posición acerca de un tema para

cumplir de forma efectiva la tarea emprendida.

13. Planifica y presenta sus trabajos, basándose en

sus capacidades, sin incurrir en plagio, copia,

suplantación de identidad.

14. Relaciona, jerarquiza e integra en sus escritos

información proveniente de múltiples fuentes.

15. Utiliza de manera pertinente los recursos

verbales y no verbales para guiar a la audiencia

en la interpretación y en los aspectos clave de su

propuesta.

16. Plantea soluciones e ideas de forma clara,

precisa y coherente, a través de una

argumentación oral consistente.

Bibliografía de la unidad [2] Capítulos 13-17.

314


4 RA1-RA2-RA3-RA4-RA5-RA6-

RA7 Parsing y Gramáticas 4 semanas


1. Introducción al problema de parsing: extracción de estructura sintáctica. 2. Árboles de Parsing y Treebanks. 3. Gramáticas libre de contexto. 4. Una gramática simplificada del inglés. 5. Gramáticas libre de contexto probabilísticas. 6. Algoritmo CYK para parsing. 7. Gramáticas libre de contexto lexicalizadas. 8. Parsing de dependencias. 9. Parsing usando redes neuronales.

El estudiante:

1. Reconoce problemas de análisis sintáctico en

PLN

2. Describe la estructura de un árbol sintáctico

lingüístico.

3. Explica una gramática libre de contexto

probabilística.

4. Extrae estructuras sintácticas a partir de un

TreeBank, usando algoritmos de PLN

específicos para la tarea (task).

5. Reconoce las limitaciones de las gramáticas

libre de contexto probabilísticas, en la tarea

(task) de Parsing.

6. Analiza el funcionamiento de gramáticas libre

de contexto lexicalizadas.

7. Identifica la tarea (task)de parsing de

dependencias.

8. Explica el funcionamiento de arquitecturas

basadas en redes neuronales para parsing.

9. Implementa modelos de parsing, usando

AllenNLP.

10. Cumple obligaciones y acuerdos, respetando

los compromisos adquiridos en sus

actividades académicas.

11. Plantea a su equipo, de manera clara, precisa

y constructiva, su posición acerca de un tema

para cumplir de forma efectiva la tarea

emprendida.

12. Planifica y presenta sus trabajos, basándose

en sus capacidades, sin incurrir en plagio,

copia, suplantación de identidad.

315

13. Utiliza de manera pertinente los recursos

verbales y no verbales para guiar a la

audiencia en la interpretación y en los

aspectos clave de su propuesta.

14. Plantea soluciones e ideas de forma clara,

precisa y coherente, a través de una

argumentación oral consistente.


[2] Capítulos 12-14.

[3] Capítulo 3.

E. Estrategias de enseñanza:

La metodología de enseñanza y aprendizaje fomenta la participación del estudiante en el aula, las clases son principalmente:

● Clase expositiva, en donde el estudiante identifica los problemas fundamentales en PLN así

como modelos y técnicas para abordarlos.

● Resolución de problemas. En cada unidad el estudiante es expuesto a librerías de

programación que permiten implementar modelos de solución a problemas en PLN.

A lo anterior se le suman dos tareas individuales que deben ser desarrolladas con el computador y enviadas a través de u-cursos, además de un proyecto grupal donde se desarrollará una solución a un problema de PLN.

F. Estrategias de evaluación:

El curso tiene las siguientes instancias de evaluación: Práctica:

● 2 tareas individuales de programación:

○ Tarea 1: clasificación de texto.

○ Tarea 2: etiquetado de secuencias.

En esta actividad se evalúan los resultados de aprendizaje RA3 y RA4.

● 1 proyecto grupal:

316

○ En el proyecto cada grupo escogerá una tarea (task) en PLN de este sitio:

http://nlpprogress.com/, y deberá desarrollarlo en dos hitos. Los

problemas deben ser distintos a los estudiados en las tareas.

■ Hito 1: presentar al curso la task, las soluciones del estado del arte,

las métricas de evaluación y los datasets existentes. Se evalúa el

resultado de aprendizaje RA1 y RA6

■ Hito 2: presentar al curso una implementación computacional

propia de una solución al problema. Se evalúan los resultados de

aprendizaje RA1, RA2, RA3, RA4, RA5, RA6 y RA7.

○ La nota de proyecto se calcula así: 30% nota hito 1 y 70% nota hito 2.

Teórica ● 5 ejercicios cortos de 15 minutos de duración que serán tomados al principio de la clase.

Se eliminará el ejercicio con peor nota.

La nota final se calcula así: 30% para la nota tareas (nota promedio de las dos tareas), 30% para la nota proyecto (calculado como 30% nota hito 1 y 70% nota hito 2) y 40% para la nota de ejercicios (nota promedio de los 4 mejores ejercicios). Para aprobar el curso se debe tener una nota final igual o superior a 4.0.

G. Recursos bibliográficos:

Bibliografía obligatoria:

[1] Dan Jurasfky and James H, Martin. Speech and Language Processing, (2nd Edition). Pearson, 2014. [2] Joav Goldberg. Neural Network Methods for Natural Language Processing, Synthesis Lectures on Human Language Technologies. Morgan & Claypool, 2017. [3] Christopher Manning and Hinrich Schütze. Foundations of Statistical Natural Language Processing. MIT press, 1999.


● Apuntes de clases de Michael Collins: http://www.cs.columbia.edu/~mcollins/

● Borrador de la Tercera Edicion de [1]: https://web.stanford.edu/~jurafsky/slp3/

● Notas sobre PLN de Jacob Eisenstein: https://github.com/jacobeisenstein/gt-nlp-

class/blob/master/notes/eisenstein-nlp-notes.pdf

317

H. Datos generales sobre elaboración y vigencia del programa de curso:


Elaborado por: Felipe Bravo

Validado por: Jorge Pérez

Revisado por: Área de Gestión Curricular

17. CC5508 - Procesamiento y Análisis de Imágenes

Código Nombre

CC5508 Procesamiento y Análisis de Imágenes

Nombre en Inglés

Image Processing and Analysis

SCT Unidades

Docentes Horas de Cátedra

Horas Docencia

Auxiliar

Horas de Trabajo

Personal

6 10 3 - 7


CC3001 Algoritmos y Estructuras de Datos Electivo para Ingeniería Civil en

Computación.


Procesamiento y Análisis de Imágenes (PAI) representa una desafiante y dinámica área en ciencias

de la computación. Luego de una explosión de interés durante los 70's y los 80's, los últimos años

fueron caracterizados por un significativo crecimiento de aplicaciones reales en áreas como:

teleanálisis, análisis biomédico, diagnóstico médico, control de seguridad, reconocimiento óptico

de texto, detección y reconocimiento de objetos.

Considerando la gran importancia que ha cobrado hoy en día el procesamiento y análisis de

imágenes, en este curso se brinda una introducción a los aspectos fundamentales de esta área así

como se discuten aplicaciones reales; y se motiva al estudiante a proponer innovadoras

aplicaciones en este contexto.

Los resultados de aprendizaje esperados son:

Conocer los fundamentos del procesamiento y análisis de imágenes.

Entender y aplicar algoritmos de PAI en la solución de problemas reales.

Entender, evaluar y decidir qué algoritmos son más apropiados en problemas específicos.

Entender y aplicar algoritmos de segmentación de imágenes.

Entender y aplicar algoritmos para la representación y reconocimiento de objetos visuales.

318


La metodología docente consiste en clases

teóricas, tipo exposición, dadas por el

docente en sala de clases. Además, se

motiva y valora la dinámica participación del

alumno.

Para el mejor desarrollo de las clases, el

alumno contará con material docente (slides,

papers, referencias bibliográficas), los que

estarán disponibles en la página del curso.

2 Controles (40%)

4 Tareas computacionales (60%)

Unidades Temáticas


1 Fundamentos de Procesamiento de Imágenes 5


Unidad

Referencias a la

Bibliografía

Motivación, visión computacional

y procesamiento de imágenes.

Digitalización de señales, teoría

del muestreo Nyquist, dominio de

Fourier y convolución.

La imagen: representación y sus

propiedades.

Acercamiento a Matlab

Operaciones de Punto

Detectores de Borde

Filtros Lineales y no lineales

Operadores Morfológicos y

aplicaciones (skeleton).

Espacios de Color.

Conocer y entender los

fundamentos de PAI.

Determinar potenciales

aplicaciones de PAI.

Conocer Matlab, como

herramienta para el desarrollo de

aplicaciones basadas en PAI.

Conocer y aplicar operaciones

elementales en PAI en problemas

de moderada complejidad.

[Sonka] Caps. 1,

2 y 13.

[González] Caps

1, 2, 10.1.

[Parker] Caps. 1,

2, 3 y 6.

[Bradski]

[Laganiere]

319


2 Segmentación 5


Unidad

Referencias a la

Bibliografía

Binarización (Thresholding).

Aplicaciones en OCR.

Segmentación basada en

Regiones: Crecimiento de

regiones, división y mezcla,

watershed.

Segmentación basada en

clustering: K-Means, Mean-Shift.

Modelos de contornos activos y

level sets.

Segmentación basada en grafos:

Graph cut, Grab cut.

Entender el problema de la

segmentación de imágenes.

Conocer y aplicar técnicas basada

en regiones, modelos activos y

grafos para segmentar imágenes.

Conocer diversos contextos en los

que la segmentación de imágenes

es crítica (Ej. bioanálisis).

[Sonka] Caps 6 y

7.

[Nixon] Cap 6.

[González] Cap

10.

[Parker] Cap 4.


3 Detección de Características en Imágenes y Videos 5


Unidad

Referencias a la

Bibliografía

Transformada de Hough:

Detección de líneas, círculos,

elipses.

Representación basada en color,

forma y textura.

Detección de Puntos de Interés.

Descriptores de forma

(momentos) y topología

(skeletons).

Tracking en videos basados en

características.

Filtros de Kalman

Flujo óptico y sus aplicaciones.

Conocer y entender algoritmos

para detectar información

relevante en una imagen, que

permita una representación de

alto nivel.

Entender los algoritmos para

seguir objetos (tracking) y

describir campos de

movimiento/deformación en

videos (flujo óptico).

[Nixon] Caps. 4,

5, 7 y 8

[Parker] Caps. 5,

8 y 9.

[González] Caps.

11, 12.

[Sonka] Caps. 8,

9 y 10.

[Szeliski] Caps. 7,

8.

320


Elaborado por: José M. Saavedra – Mauricio Cerda

18. CC5701 - Informática Médica

Código Nombre

CC5701 Informática Médica

Nombre en Inglés

Medical Informatics

SCT Unidades

Docentes

Horas de

Cátedra

Horas Docencia

Auxiliar

Horas de Trabajo

Personal

3 5 1.5 0 3.5


CC3201 Base de Datos Electivo de ICC


Conocimientos del Sistema de Salud y funcionamiento de esta área con sus principales

características y dificultades que lo diferencian de otras áreas de implementación de software.

Conocimiento de los estándares informáticos específicos para el área de salud.

Conocimiento de consideraciones éticas para el informático en salud.

Habilidades para comunicarse efectivamente con el usuario intermedio y final del área de

salud.

Bibliografía

[González] R. González and R. Woods, “Digital Image Processing”, 3rd Ed, Prentice

Hall, 2008.

[Sonka] M. Sonka, V. Hlavac, R. Boyle, “Image Processing, Analysis and Machine

Vision”, 3rd. Ed., Thomson, 2008.

[Nixon] M. Nixon and A. Aguado, “Feature Extraction & Image Processing”, 2nd

Ed, Academic Press, 2008.

[Parker] J. R. Parker, “Algorithms for Image Processing and Computer Vision” 2nd Ed,

Wiley Publishing Inc. 2011.

[Szeliski], R. Szeliski, “Computer Vision, {Algorithms and Applications”, Springer,

2011.


[Bradski] G. Bradski, A. Kaehler, “Learning OpenCV: Computer Vision with the

OpenCV Library”, O'Reilly Media, 2008.

[Laganiere] R. Laganiere, “OpenCV 2 Computer Vision Application Programming”,

Packt Publishing, 2011.

321


Trabajo interactivo en clases, búsqueda

dirigida en internet, clases expositivas, charlas

de especialistas (clase abierta a la

comunidad). Trabajo de investigación.

Seminarios bibliográficos.

Se considera la participación en eventos

chilenos relacionados, o en forma virtual en

eventos extranjeros. Visita a algún centro de

salud que tenga elementos de los estudiados

(ficha clínica, PACS, centros de telemedicina,

etc.)

Trabajo de investigación: 40%

Controles de lectura: 20%

Trabajos en clases: 20%

Control de fin de semestre: 20%

Unidades Temáticas


1 Introducción a la Informática Médica 4


Unidad

Referencias a

la Bibliografía

Descripción general de las diferentes

áreas de la informática médica,

historia.

Proceso de diagnóstico de problemas

de salud.

Actores de la salud.

Sistema de Salud Chileno,

Sistemas de salud de otros países

Comprender el concepto de

Informática Médica y las áreas que

la componen.

Comprender el flujo de

información en el proceso de

diagnóstico médico.

Conocer los diferentes niveles de

atención en salud, proveedores de atención en salud, previsión de

salud, personal que atiende en

salud.

Conocer las principales

características del Sistema de Salud

Chileno y utilizar adecuadamente

el vocabulario organizacional del

Sistema de Salud.

322


2 Ética en salud y en Informática 2


Unidad

Referencias a

la Bibliografía

Etica del profesional de la salud.

Etica en investigación con seres vivos

y con datos sensibles.

Etica en ingeniería, código de ética de

IEEE.

Etica del Informático en salud.

Comités de ética en instituciones de

salud.

Conocimiento de los códigos de

ética de las distintas profesiones

con las que interactúa el

informático médico y comités de

ética existentes en las instituciones

de salud para investigación y toma

de decisiones.

Conductas de acuerdo a la ética

ante situaciones complejas de

manejo de información en salud.


3 Vocabularios y Clasificaciones en Informática Médica 2


Unidad

Referencias a

la Bibliografía

Clasificación de vocabularios,

estructuración de datos en salud

Terminologías, nomenclaturas,

clasificaciones, agrupamientos

Conocer las distintas maneras de

estructurar la información en salud

y las clasificaciones y

agrupamientos utilizados en Chile.


4 Gestión en Salud y Registro Médico Electrónico 4


Unidad

Referencias a

la Bibliografía

Registros clínicos: historia,

características, tipos de RCE.

Sistemas de Información

Hospitalarios. Componentes e

Interacciones.

Estándares de comunicación de datos

en salud.

Reconocer la información que se

registra en las diferentes fichas de

salud y cómo ésta se organiza.

Identificar las diferentes tipos de

registro clínico electrónico.

Conocer la estructura de un

Sistema de Información

323

Gestión de proyectos en salud.

Gestión del cambio.

Hospitalario y las interacciones

entre sus componentes.

Identificar las diferencias entre las

estructuras clásicas de

organizaciones y las de salud.

Identificar las fases en el proceso

de cambio.

Reconocer la importancia de una

buena planificación y ejecución del

proceso de cambio


5 Uso de Tecnología especializada en comunicaciones

en salud

2


Unidad

Referencias a

la Bibliografía

Conocimiento de principios básicos de telemedicina.

· Telemedicina Identificar usos de telemedicina en

· Internet y medicina diferentes especialidades médicas.

· Dispositivos móviles en medicina Uso de dispositivos móviles en

· telemedicina. Ejemplos de aplicaciones en Chile y en otros países. Formatos, Protocolos y estándares utilizados en telemedicina. Uso de internet por el profesional de la salud Uso de internet por el paciente. Riesgos y beneficios.


6 Uso de tecnología especializada en sistemas de

diagnóstico y tratamiento. Investigación aplicada a

salud.

1


Unidad

Referencias a

la Bibliografía

Análisis de bioseñales, un ejemplo

práctico en neurofisiología.

Automatización de la detección de

patrones y su aplicación al EKG, EEG,

EOG, EMG y polisomnograma.

· Investigación en Informática Médica

en Chile

· Desarrollo de equipos y software

para diagnóstico en salud.

Experiencias chilenas.

Identificar algunas alternativas de

investigación en computación para

mejorar procesos de diagnóstico y

descubrimientos en salud.

324

Bibliografía

1. Michelle A. Green & Mary JO Bowie. Essentials of Health Information

Management: Principies and Practices. Thomson Delmar Learning, 2004.

2. Edward H. Shortliffe & James J. Cimino (Eds.) Biomedicallnformatics: Computer

Applications in Health Care and Biomedicine. Health Informatics Series. Springer; 3ra

edición, 2006.

3. James M. Walker, Eric J. Bieber & Frank Richards (Eds.) Implementing an

Electronic Health Record System. Health Informatics Series. Springer, 2006.

4. Enrico Coiera. Guide to Health Informatics. Hodder Arnold Publication, 2da edición,

2003.

5. J.H. Van Bemmel, M.A. Musen y otros, Handbook of Medical Informatics,

Springer-Verlag. 2da edición, 2000.

6. IMIA Code of Ethics for Health Information Professionals, version en español:

http://www.imia.org/pubdocs/Spanish_Translation.pdf

7. Agenda Digital del Ministerio de Salud, Gobierno de Chile, El libro azul. LOM

ediciones, Marzo 2006.

Vigencia desde: Marzo 2012

Elaborado por: Sandra de la Fuente

325

19. CC3001 - Algoritmos y Estructuras de Datos

Código Nombre

CC3001 Algoritmos y Estructuras de Datos

Nombre en Inglés

Algorithms and Data Structures

SCT Unidades

Docentes

Horas de

Cátedra

Horas Docencia

Auxiliar

Horas de Trabajo

Personal

6 10 3 2 5


MA1101 Introducción al Algebra,

(CC1001 Computación I / CC1002 Introducción a la

Programación)

Obligatorio para Ingeniería Civil en

Computación.


Al término del curso se espera que el estudiante conozca, aplique y analice las estructuras de

datos y los algoritmos más importantes. Diseñe e implemente aplicaciones utilizando estas

estructuras de datos y algoritmos.


Clases de cátedra, trabajo en grupo en clases

auxiliares, tareas.

Controles

Examen

Tareas

Unidades Temáticas


1 Repaso de programación 1


Unidad

Referencias a

la Bibliografía

1. Conceptos básicos de

programación orientada a objetos.

2. Correctitud de programas,

invariantes. Ejemplo: algoritmos

elementales de ordenación.

Al término de la Unidad, el alumno

escribe programas con el enfoque

de orientación a objetos y razona

sobre su correctitud.

326


2 Diseño y análisis de algoritmos 2


Unidad

Referencias a

la Bibliografía

1. Conceptos matemáticos

2. Notación “O”

3. Análisis de algoritmos sencillos

4. Inducción simple y reforzada

5. Recursividad, dividir para reinar

6. Programación dinámica

7. Algoritmos avaros ( greedy) y su

complejidad.

8. Casos de estudios: subsecuencia

de suma máxima, subsecuencia

común más larga, multiplicación

de matrices.


identifica y aplica técnica de diseño

de algoritmos eficientes y efectúa

análisis matemáticos de algoritmos

sencillos.

1 cap. 2 y 5

2 cap. 2 y 10


3 Estructuras de datos elementales 1


Unidad

Referencias a

la Bibliografía

1. Datos elementales

2. Arreglos

3. Punteros y listas enlazadas

4. Arboles


identifica y utiliza las técnicas

básicas de estructuras de datos.

1 cap. 3


4 Tipos de datos abstractos 2


Unidad

Referencias a

la Bibliografía

1. TDAs

2. Pilas

3. Colas

4. Colas de Prioridad


implementa y aplica los tipos de

datos abstractos básicos.

1 cap. 4

2 cap. 3

327


5 Diccionarios 3.5


Unidad

Referencias a

la Bibliografía

1. Búsqueda secuencial

2. Búsqueda binaria

3. Árboles de búsqueda binaria

4. Árboles balanceados

5. Skip Lists

6. Hashing

7. Árboles digitales

Al término de la unidad, el alumno

analiza y aplica los principales

métodos de búsqueda en memoria

central y nociones de búsqueda en

memoria secundaria.

1 cap. 12 – 16

2 cap. 4 - 5


6 Ordenación 2


Unidad

Referencias a

la Bibliografía

1. Quicksort, Quickselect, select lineal

2. Heapsort

3. Mergesort

4. Radix sort


analiza y aplica los principales

algoritmos de ordenación.

1 cap. 7 – 10

2 cap. 7


7 Búsqueda en Texto 1.5


Unidad

Referencias a

la Bibliografía

1. Knuth- Morris-Pratt

2. Boyer-Moore


discrimina y aplica los algoritmos

básicos de búsqueda en texto.

328


8 Algoritmos para grafos 2


Unidad

Referencias a

la Bibliografía

1. Representación de grafos

2. Búsqueda en profundidad

3. Árbol cobertor mínimo:

Kruskal, Prim.

4. Distancias mínimas:

Dijkstra, Floyd. Cerradura

transitiva: Warshall.


identifica y aplica los principales

algoritmos para grafos.

1 cap. 17 - 21


Elaborado por: Patricio Poblete

20. CC4102 - Diseño y Análisis de Algoritmos

Código Nombre

CC4102 Diseño y Análisis de Algoritmos

Nombre en Inglés

Design and Analysis of Algorithms


Horas de Cátedra



6 10 3 1.5 5.5

Requisitos

Carácter del Curso

FI2003, (CC3102/ MA5201/ Autor), (MA3403/MA3401)

Obligatorio para la ICC


Bibliografía

1. Sedgewick, R., “Algorithms in Java”, “Parts 1-4: Fundamentals, Data

Structures, Sorting, Searching”, y “Part 5: Graph Algorithms”, Addison-Wesley.

2. Weiss. M.A., “Data Structures and Algorithms Analysis in Java”, Addison-Wesley.

329

El alumno que apruebe el curso habrá demostrado:

Comprender el concepto de complejidad de un problema como cota inferior, y

conocer técnicas elementales para demostrar cotas inferiores.

Comprender las técnicas de diseño de algoritmos y estructuras de datos para

memoria secundaria.

Comprender el concepto de algoritmo avaro (greedy). Ser capaz de diseñar

algoritmos de este tipo y de demostrar que obtienen el óptimo.

Comprender el concepto de análisis amortizado de algoritmos. Ser capaz de

diseñar algoritmos y estructuras de datos considerando costo amortizado, y ser

capaz de analizar este costo.

Ser capaz de diseñar algoritmos eficientes usando la finitud del dominio. Poder

distinguir estas situaciones.

Comprender el concepto de algoritmos en línea y competitividad. Ser capaz de

diseñar algoritmos en línea y analizar su competitividad.

Comprender el concepto de algoritmos aleatorizados y probabilísticos, y cuándo

son relevantes. Ser capaz de diseñar y analizar algoritmos de este tipo.

Comprender el concepto de algoritmos aproximados, y cuándo son relevantes. Ser

capaz de diseñar y analizar algoritmos de este tipo.

Comprender el concepto de paralelización en algoritmos. Ser capaz de diseñar y

analizar algoritmos paralelos.

Conocer un conjunto significativo de algoritmos y estructuras de datos de

mediana complejidad para solución de problemas básicos.

330


Clases expositivas del profesor de

cátedra, buscando la participación

de los alumnos en pequeños

problemas que se van

proponiendo durante la

exposición.

Clases auxiliares dedicadas a

explicar ejemplos más extensos,

resolver ejercicios propuestos, y

preparación pre y post controles.

Exposición de las mejores tareas

de los alumnos, como casos de

estudio de implementación y

experimentación.

Se realizan tres controles para evaluar si se

han cumplido los objetivos. El primero

evalúa las unidades 1 y 2, el segundo la

unidad 3 y el tercero la unidad 4. El examen

evalúa todas las unidades, en particular la

parte de la 4 que no llega a evaluarse

completamente en el control. Tanto los

controles como el examen se enfocan con

igual peso a evaluar que el alumno haya

comprendido los conceptos como los casos

de estudio más significativos utilizados para

ilustrarlos, pues éstos tienen valor intrínseco

en la formación.

La Nota de Control se calcula de la

siguiente manera: Promedio ponderado del

examen (40%) y del promedio de los

controles (60%)

Se realizan asimismo tres tareas a lo largo del

curso. Las tareas consisten generalmente en

implementar algoritmos o estructuras de datos

alternativos para resolver un cierto

problema, comparando las soluciones

básicas con las que se introducen en el curso.

Las tareas buscan fundamentalmente que el

alumno comprenda la diferencia entre teoría

y práctica, que implemente soluciones de

mediana complejidad vistas sólo en la

pizarra, y que se enfrente al problema de

diseñar e interpretar experimentos. Las

tareas se realizan en grupos de 1 o 2 personas

y se promedian a partes iguales para formar la

nota de tareas. Se elegirán las mejores

tareas para que sus autores las vayan

exponiendo a lo largo del semestre, de forma

de entregar experiencias directas de casos

331

de estudio a sus compañeros y recibir

preguntas y retroalimentación de éstos.

Controles y tareas se aprueban por

separado y deben ser iguales o superiores a

4.0. La nota final es 2/3 de la nota de

controles y 1/3 de la nota de tareas.

Unidades Temáticas

Númer

o Nombre de la Unidad Duración en

Semanas 1 Conceptos básicos y complejidad 3

Contenidos

Resultados de Aprendizajes de la

Unidad


1. Repaso del proceso de

diseño y análisis de un

algoritmo. Metodología de

experimentación.

2. Técnicas para demostrar

cotas inferiores: adversario,

teoría de la información,

reducción.

3. Principales casos de estudio

(o similares): caso promedio

del quicksort, cota inferior

para mínimo y máximo de un

arreglo, cota inferior para

búsqueda en un arreglo con

distintas probabilidades de

acceso.

Adquirir nociones básicas de

experimentación en

algoritmos. Comprender el

concepto de complejidad de

un problema como cota

inferior, y conocer técnicas

elementales para demostrar

cotas inferiores. Conocer

algunos casos de estudio

relevantes.

[1] Cap 1-

4. [3] Cap

2, 10.

[4] Cap 1, 4.

[5] Cap 2.

[6] Cap 1-2, 10.

[7] Cap 6.

[9] Cap 8-9.

[10] Cap 1,2.

332

Número Nombre de la Unidad Duración en

Semanas

2 Algoritmos y Estructuras de Datos para Memoria

Secundaria

3


de la Unidad


1. Modelo de computación en

memoria secundaria.

Accesos secuenciales y

aleatorios

2. Ordenamiento en

memoria secundaria:

Mergesort. Cota inferior.

3. Colas de prioridad en

memoria secundaria.

Cotas inferiores.

4. Diccionarios en memoria

secundaria: árboles B,

hashing lineal y extendible.

Comprender el modelo de

costo de memoria

secundaria. Conocer

algoritmos y estructuras de

datos básicos que son

eficientes en memoria

secundaria, y el análisis de

su desempeño.

[1] Cap 18.

[5] Cap

4.7, 7.11.

[7] Cap 13, 18.

[9] Cap 11.

[10] Cap 5.7,

6.3.


3 Técnicas avanzadas de diseño y análisis de algoritmos

4


de la Unidad


333

1. Análisis amortizado de


datos: análisis completo,

contabilidad de costos, función

potencial.

2. Uso de dominios discretos y

finitos en el diseño de

algoritmos.

3. Algoritmos en

línea.

Competitividad.


(o similares): estructuras para

union- find, colas binomiales,

splay trees, búsqueda por

interpolación, radix sort,

árboles de van Emde Boas,

árboles de sufijos, técnica de

los cuatro rusos,

paginamiento, búsqueda no acotada.

Comprender las técnicas de

algoritmos de costo

amortizado, uso de finitud, y

algoritmos competitivos. Ser

capaz de diseñar y analizar


datos basados en estos

principios. Conocer algunos

casos de estudio relevantes.

[1] Cap 8, 17,

19, 21.

[2] Cap 4.

[3] Cap 6.

[5] Cap 4-6, 8,

11.

[7] Cap 17.

[8] Cap 9.

[9] Cap 5.

[10] Cap 3.3.


Semanas 4 Algoritmos no convencionales 5


de la Unidad


1. Algoritmos aleatorizados y

probabilísticos. Ejemplos en que

Comprender el concepto de [1] Cap 5, 31.8,

no hay otra alternativa.

Relación con la NP-

completitud.

algoritmos aleatorizados, probabilísticos, aproximados, y paralelos, y cuándo son relevantes.

32.2, 35.

[3] Cap 6, 11,

12.

2. Algoritmos tipo Monte Carlo y

Las Vegas.

Ser capaz de diseñar y analizar algoritmos de estos tipos. Conocer algunos casos de estudio

[4] Cap 6.

[5] Cap 10.

[6] Cap 8.

3. Aleatorización de la entrada.

Independencia de la

distribución de la entrada.

relevantes. [7] Cap 35, 40,

44.

[8] Cap 1, 7,

334

Estructuras de 8, 12, 14.

datos aleatorizadas. [10] Cap 4, 12.

4. Solución de problemas NP-

completos: búsqueda exhaustiva.

Concepto de algoritmos

aproximados.

5. Nociones de

aproximabilidad.

Problemas que son o no

aproximables.

6. Algoritmos paralelos y

distribuidos. Medidas de

complejidad. Técnicas de

diseño.


(o similares): primalidad, Karp-

Rabin para búsqueda en

strings, número mayoritario,

árboles binarios de

búsqueda aleatorizados,

quicksort, hashing universal

y perfecto, aproximaciones

para recubrimiento de

vértices, vendedor viajero,

mochila. Ordenamiento

paralelo, parallel- prefix.

335


Elaborado por: Gonzalo Navarro

Bibliografía

[1] T. Cormen, C. Leiserson, R. Rivest, C. Stein. Introduction to Algorithms, 2nd

edition. MIT Press, 2001.

[2] A. Aho, J. Hopcroft, J. Ullman. The Design and Analysis of Computer

Algorithms. Addison- Wesley, 1974. [3] U. Manber. Introduction to Algorithms. Addison-Wesley, 1989.

[4] G. Rawlins. Compared to what? Computer Science Press, 1992.

[5] M. Weiss. Data Structures and Algorithm Analysis, 2nd edition. Benjamin

Cummings, 1995.

[6] G. Brassard, P. Bratley. Algorithmics. Theory and Practice. Prentice-

Hall, 1988.[7] R. Sedgewick. Algorithms in C++. Addison-Wesley,

1992. [8] R. Motwani, P. Raghavan. Randomized Algorithms. Cambridge, 1995.

[9] A. Aho, J. Hopcroft, J. Ullman. Data Structures and Algorithms. Addison-Wesley,

1983.

[10] K. Mehlhorn and P. Sanders. Algorithms and Data Structures. Springer, 2008.

336

21. CC5101 - Análisis Avanzado de Algoritmos

Código Nombre

CC5101 Análisis Avanzado de Algoritmos

Nombre en Inglés

Advanced Analysis of Algorithms


Horas de Cátedra


Horas de Trabajo

Personal 6 10 3,0 7,0

Requisitos

Carácter del Curso

CC3001,(MA3403/AUTOR) Electivo Ing. Civil en Computación


Al final del curso los alumnos serán capaces de analizar el comportamiento de una

variedad de algoritmos y de estructuras de datos frente a entradas aleatorias usando

métodos basados en funciones generatrices.


Las cátedras hacen uso intensivo de un

sistema de álgebra computacional

(Maple) para realizar análisis de

algoritmos de manera interactiva.

La evaluación se realiza

exclusivamente en base a tareas en

que los estudiantes deben aplicar los

métodos vistos en clases. Se enfatiza

el trabajo con un sistema de álgebra

computacional y la capacidad de

presentar el trabajo por escrito de

manera profesional.

337

Unidades Temáticas

Número

Nombre de la Unidad Duración en Semanas

1 Métodos Matemáticos 5

Contenidos


Unidad


1. Funciones generatrices

2. Probabilidad discreta

Modelar estructuras

combinatorias usando

funciones generatrices.

Aplicar estos métodos para el

análisis de su comportamiento

probabilístico.

1, 2

Númer

o Nombre de la Unidad Duración en

Semanas 2 Aplicaciones a Algoritmos y Estructuras de

Datos 10

Contenidos


Unidad


1. Hashing: random probing,

uniform probing.

Heurísticas de inserción:

FCFS, LCFS, Robin

Hood.

2. Árboles de búsqueda:

heurísticas de balance

local, árboles digitales.

3. Skip lists

Analizar el comportamiento

probabilístico de algoritmos y

estructuras de datos, con

énfasis en la obtención no

solo de la media, sino también

de la varianza y el estudio de la

distribución.

2, 3


Elaborado por: Patricio Poblete

Bibliografía

Graham, R.L., Knuth, D.E., Patashnik, O.: Concrete Mathematics, A

Foundation for Computer Science, Addison-Wesley, 1994.

Flajolet, F. Sedgewick, R.: Analytic Combinatorics, Cambridge University

Press, 2009.

Papers sobre los temas del curso.

338

22. CC5114 - Redes Neuronales y Programación Genética

Código Nombre

CC5114 Redes Neuronales y Programación Genética

ombre en Inglés

Neural Networks and Genetic Programming

SCT Unidades

Docentes Horas de Cátedra

Horas Docencia

Auxiliar Horas de Trabajo Personal

6 10 3 0 7


CC3002 Electivo para la ICC


Este curso entrega los fundamentos necesarios para entender, desarrollar y aplicar técnicas de

redes neuronales (RN) y programación genética (PG), dos técnicas del campo de inteligencia

artificial:

Una red neuronal es un sistema que permite a un computador aprender desde un conjunto

de observaciones

La programación genética es una colección de técnicas de computación evolución que

permite a un computador solucionar problemas automáticamente.

Un largo rango de problemas, solucionables con técnicas de RN y PG, son detallados y estudiados a

lo largo del semestre.

Este curso balancea un contenido teórico con aplicaciones prácticas. Se requiere implementar y

desarrollar soluciones a problemas concretos. Los problemas considerados van a ser escogidos en

clase.

Al final de este curso el alumno será capaz de:

• Identificar el rol de las redes neuronales y la programación genética en el campo de la

inteligencia artificial.

• Aplicar los conceptos relacionados con las redes neuronales (perceptron, sigmoid neurón,

redes).

• Desarrollar una red neuronal.

• Aplicar redes neuronales para reconocer patrones en datos (handwritting, traducción de

documentos escritos).

• Aplicar programación genética para solucionar problemas de optimización y de búsqueda de

programas (buscar ecuaciones, optimización).

• Proponer una implementación eficiente de red neuronal y de programación genética.

339


Clases de cátedra y trabajo individual.

Cada alumno será evaluado con 4 tareas, 2 por cada

tema (RN & PG).

Unidades Temáticas


1 Presentación general 1


Bibliografía

• Revisión del programa del curso

• Breve introducción al tema de

inteligencia artificial.

• Presentación de redes neuronales

y programación genética.

Contrastar las diferentes técnicas

usadas en el campo de la inteligencia

artificial.

Identificar técnicas estocásticas

(p.e., redes neuronales y

programación genética) a

solucionar problemas.

Contrastar técnicas clásicas de

inteligencia artificial y técnicas

estocásticas.

[1]


2 Red neuronal 4


Bibliografía

• Concepto de red neuronal

• Perceptrón, Sigmoid neurón

• Backward propagación

Visión práctica de las técnicas de

aprendizaje de red neuronal basada

en propagation backward.

Presentar técnicas de implemen-

tación de red neuronal.

Usar una red neuronal para

representar expresiones booleanas.

[2], [4]

340


3 Red neuronal Avanzado 3


Bibliografía

• Reconocer escritura humana

• Descripción de deep learning

• Aprendizaje de red deep

learning

Usar una red neuronal para reconocer

escritura humana.

Presentar desafíos de aprendizaje de

“deep” red neuronal y ver tecnicas de

aprendizaje.

[2], [4]


4 Programación genética 4


Bibliografía

• Conceptos básicos de

progra- mación genética

(PG): programas, llamada

popula- tion, que

evolucionan.

• Evolución de programas:

técnicas de mutación y

combinación de pares que

producen “offsprings”.

En esta unidad se ve los detalles de la

programación genética.

Se requiere diseñar e implementar un

sistema de programación genética que

sea eficiente.

Uso del sistema de programación

genética a resolver un problema

concreto, elegido durante la clase.

[3],[4]

341


5 Programación genética Avanzada 3


Unidad

Referencias a la

Bibliografía

• Técnicas avanzadas de PG:

evolución de código de máquina,

programación paralela, uso de

gramática

• Multi-objective Genetic Pro-

gramming: optimización simultá-

neamente considerando múlti-

ples objetivos y funciones

fitness.

• Strongly Typed Autoconstructive

GP using PushGP.

Ejecutar GP en hardware parallel

El tamaño y la forma de las

soluciones son sujeto al sistema

de evolución.

PushGP es un lenguaje fuerte-

mente tipeado con árboles que no

lleva restricciones. El uso de

PushGP permite a programas de

ser particularizado con opera-

ciones de evolución.

[3],[4]


Elaborado por: Alexandre Bergel

El curso es auto contenido y no requiere bibliografía de apoyo si se asiste a clases.

[1] Artificial Intelligence: A Modern Approach (Third Edition), Russell, Stuart

Norvig, Peter, 2009.

[2] Neural Networks and Deep Learning, Michael

Nielsen, 2017.

http://neuralnetworksanddeeplearning.com

[3] A field Guide to Genetic Programming, Ricardo Poli, William B. Langdon,

Nicholas

F. McPhee, 2008, http://www.gp-field-guide.org.uk.

[4] The Nature of Code, Daniel Shiffman, 2012, http://natureofcode.com.

Bibliografia

342

23. CC5301 - Introducción a la Criptografía Moderna

Código Nombre

CC5301 Introducción a la Criptografía Moderna

Nombre en Inglés




Personal 6 10 3 1,5 5,5


CC3001, CC3102, (MA3403 / MA4701/ Autor). Electivo


Al finalizar el curso el alumno será capaz de:

Razonar matemáticamente acerca de la seguridad algoritmos criptográficos tanto del tipo simétrico (clave privada) como del tipo asimétrico (clave púbica).

Modelar y analizar formalmente algoritmos criptográficos basados en cifradores de bloque, funciones de hash y primitivas basadas en teoría de números, entre otros.

Diseñar y evaluar soluciones criptográficas para problemas prácticos (confidencialidad, autentificación) presentes en redes de computadores.


Clases teóricas y tareas La evaluación se basa en un control, un proyecto y un examen (sin apuntes) más varis (entre 4 y 5) tareas cortas.

El proyecto es desarrollado durante el semestre. Posibles alternativas para el proyecto incluyen:

El desarrollo de un software de seguridad/criptográfico.

Un artículo corto tipo “Estado de Arte” o de investigación en algún tema de curso.

Cualquier tema o posible forma de proyecto queda a criterio del profesor.

Las tareas consistirán en demostraciones y resolución de problemas, tanto teóricos como relativos a implementaciones en software.

Se sigue la ponderación que se plantea a continuación:

NC = (C1+NProyecto + EX)/3 NT = (NT1+…+NTn)/n NF = 0,7*NC + 0,3*NT

El examen no reemplazará la nota de control (C1). Para aprobar el curso se requiere:

NC>4.0

NProyecto >=4.0 NT >= 4.0

343

Unidades Temáticas


1 Elementos Básicos 1 Semana



Bibliografía

1. Introducción 2. Conceptos Básicos: objetivos de seguridad (privacidad, autentificación), adversarios, recursos. Seguridad demostrable. 3. Criptografía Clásica (cifrados de sustitución y variantes, ataques)

Entender los fundamentos conceptuales y teóricos presentes al utilizar y analizar algoritmos criptográficos en el contexto de seguridad computacional. Entender funcionamiento y limitaciones de esquemas de ciframiento clásico.

[Bellare, cap. 1-2] [Stinson, cap. 1]


2 Criptografía Simétrica (Clave Privada) Parte I 2 Semanas



Bibliografía

1. Cifradores de Bloque: Mdelos, ejemplos (DES, AES) 2. Funciones Pseudo-aleatorias 3. Encriptación Simétrica: Modelos de seguridad, construcción basadas en cifradores de bloque

Entender, utilizar y analizar algoritmos para encriptación simétrica.



3 Criptografía Simétrica, Parte II 2 semanas



Bibliografía

1. Funciones unidireccionales y resistentes a colisiones: (MD5, SHA-1, SHA-256, otros), modelos de seguridad, el ataque de los cumpleaños.

2. Autentificación de Mensajes: modelos y ejemplos

Entender y utilizar herramientas del tipo funciones de hash. Entender, modelar y evaluar esquemas de autentificación de mensajes.



4 Criptografía Asimétrica (Clave Pública), Parte I 4 Semanas



Bibliografía

1. Teoría de números Computacional 2. Primitivas basadas en teoría de números 3. Encriptación Asimétricas 4. Firmas Digitales

Entender los fundamentos matemáticos de primitivas criptográficas basadas en teoría de números. Diseñar, modelar, evaluar y utilizar herramientas de clave pública para privacidad y autentificación.

[Bellare, cap. 9-12] [Stinson, cap. 5-7] [Goldreich2, cap. 5-6]

344


5 Criptografía en la Práctica 3 semanas



Bibliografía

1. Infraestructura de Clave Pública (PKI) 2. Autentificación y Acuerdos de claves

Autentificación e identificación (passwords), vía terceras partes confiables (Needham-Schroeder, Kerberos)

Diffie-Hellman y intercambios de claves autenticado (AKE)

Canales seguros (SSL y Encriptación Autenticada)

3. Problemas al implementar algoritmos criptográficos.

Resolver problemas prácticos (autentificación, canales seguros) usando herramientas criptográficas. Identificar y evitar potenciales dificultades.

[Bellare, cap. 8] [HAC, cap. 10, 12-14] [PHS, cap. 11, 13]

Bibliografía

[Bellare] Mihir Bellare y Phil Rogaway, “Introduction to Cryptography, Lecture Notes”, University of California San Diego, 2006. http://www.cse.ucsd.edu/users/mihir/cse107/classnotes.html

[Stinson], Douglas Stinson, “Cryptography, Theory and Practice”, Second edition, editorial Cgapman and Hall/CRC, 2002.

[Goldreich1] Oded Goldreich, “Foundations of Cryptography, Basic Tools”, Cambridge University Press, 2001.

[Goldreich2] Oded Goldreich, “Foundations of Cryptography, Basic Applications”, Cambridge University Press, 2004.

[HAC] Alfred J. Menezes Paul C. van Oorschot, Scott A. Vanstone, “ Handbook of Applied Cryptography”, CRC press, 1997.

[PHS] Josef Pieprzyk, Thomas Hardjono, Jennifer Seberry, “ Foundamentals of Computer Security”, Springer, 2003.


Elaborado por: Alejandro Hevia

345

24. CC7515 – Computación en GPU

Código Nombre

CC7515 Computación en GPU

Nombre en Inglés

Gpu Computing

SCT Unidades

Docentes

Horas de

Cátedra

Horas Docencia

Auxiliar

Horas de Trabajo

Personal

6 10 3 0 7


CC3301,CC3501/AUTOR Electivo


Las tarjetas de procesamiento gráfico, conocidas como GPU, fueron desarrolladas originalmente para

acelerar el proceso de rendering gráfico, motivadas principalmente por los videojuegos. Sin embargo,

hoy en día, GPUs son intensamente usadas por aplicaciones de propósito general que requieren alto

poder de cálculo. Las GPUS se han transformado en una alternativa eficiente, y más económica que

los clusters de CPUs, para los algoritmos en que el procesamiento de grandes bloques de información

se puede hacer en paralelo.

El propósito de este curso es que las y los alumnos aprendan a: detectar qué problemas son

paralelizables en la GPU, cómo diseñar y programar una solución paralela, conocer y aplicar técnicas

de optimización, y evaluar el desempeño de sus soluciones paralelas. El ámbito de problemas a

resolver es, tanto problemas que surgen de la computación gráfica, computación en general y de

aplicaciones científicas e ingenieriles. En resumen, al final de este curso, las y los alumnos serán

capaces de:

Entender las arquitecturas de las GPUs

Detectar si un problema puede ser paralelizable en la GPU

Diseñar soluciones paralelas

Programar soluciones paralelas (para aplicaciones gráficas y de propósito general)

Implementar soluciones para resolver problemas que clásicamente han sido resueltos en

supercomputadores

Evaluar el desempeño de soluciones paralelas

Enfrentar y resolver problemas científicamente interesantes

Conocer aplicaciones paralelizables en GPU en distintos ámbitos

Conocer los desafíos existentes en computación en GPU.

346


El curso consiste en clases de cátedra tradicionales

y en clases usando la metodología de aprendizaje

basado en problemas. Las y los alumnos deberán

desarrollar 3 tareas, una en cada uno de los

siguientes modelos de programación: Cuda,

OpenCl y shaders (GLSL). Cada alumno debe

desarrollar un proyecto computacional

identificando un problema desafiante, que tenga

una solución eficiente al programarlo en la GPU. El

problema a resolver en el proyecto puede ser

propuesto por el estudiante. El curso también

requiere leer artículos científicos/capítulos de libro

en inglés.

El curso posee tres controles de lectura (cuyo

promedio es el control C1), dos evaluaciones

grupales (2 o tres personas) y una presentación

oral de algún tema de interés relacionado al

curso, cuyo promedio es el control C2, 3 tareas

de programación (NT) y proyecto

computacional (NPC).

La nota final (NF) se calcula como sigue:

NC = (C1+C2)/2. El examen (NE) consistirá en

una presentación oral del proyecto abordado

en donde al alumno presentará el problema, la

solución y una discusión crítica de lo realizado.

NP= 60%NC + 40%NE

NF = 40% NP + 20% NPC + 40%NT

NP, NPC y MT deben >= 4.0

independientemente.

Unidades Temáticas


1 Introducción 2


Unidad

Referencias a la

Bibliografía

Motivación

Evolución e historia

Conceptos Básicos

Medidas de Desempeño

Aplicaciones: videojuegos, ciencia e

ingeniería.

Repaso de aspectos avanzados de

programación en c/c++

Conocer la motivación y

contexto de desarrollo de la

computación en gpu.

Aprender medidas de

desempeño.

Conocer las aplicaciones en

donde usa computación en

gpu.

Programar en c++

[1,3,5]

347


2 Modelos de computación y programación

paralela

1


Unidad

Referencias a la

Bibliograf

Modelos de computación paralela:

PRAM, PMH, BSP, etc.

Modelos de programación paralela:

memoria compartida traspaso de

mensajes, implícito.

Ejemplos

Aprender los modelos de

computación y programación

paralela.

Conocer el alcance de estos

modelos.

[3,4]


3 Arquitecturas 1


Unidad

Referencias a la

Bibliografía

Detalles técnicos de CPUs y GPUS

Modernas.

Diferencias fundamentales entre

GPUs yCPUs.

Conocer las características de

las GPU y sus diferencias con

las CPU.

[3,6,7]


4 Resolviendo problemas en la GPU 3


la Unidad

Referencias a la

Bibliografía

Estrategia para diseñar algoritmos

paralelos: (Particionamiento,

Comunicación, Aglomeración y

Mapping).

El modelo de programación de

paralelismo masivo.

Manejo de Threads y concurrencia

Consideraciones técnicas para una

implementación en GPU.

Ejemplos

Aprender a resolver

problemas usando la gpu.

Conocer los conceptos y las

consideraciones técnicas

para el diseño e

implementación de

soluciones paralelas.

[3,6,7]

348


5 Modelos de programación de GPU actuales para

cómputo general

4


la Unidad

Referencias a la

Bibliografía

Modelo de programación en Cuda

Modelo de programación en OpenCl

Ventajas/desventajas de ambos

modelos.

Ejemplos de programas clásicos en

ambos modelos.

Caso de estudio: Generación de

triangulaciones de Delaunay

Aprender a programar

usando Cuda y OpenCl.

Analizar y evaluar

implementaciones

existentes.

Identificar las ventajas

desventajas de usar uno u

otro modelo.

[1,5,6,7,10]


6 Programación de la GPU para aplicaciones gráficas 3


la Unidad

Referencias a la

Bibliografía

Pipeline gráfico:

- Vertex shaders

- Fragment shaders

- Geometry shaders

- Tessellation shaders

Algoritmos y aplicaciones

- OpenGl+GLSL y Vulkan

- Motores gráficos y shaders (unity

y unreal)

Caso de estudio: visualizador Camarón.

Aprender a enfrentar y

resolver problemas

desafiantes en el área de la

computación gráfica y video

juegos.

Aprender a programar

usando shaders.

Analizar y evaluar algoritmos

programados en gpu.

[1,2,5,9]

349


7 Últimos avances y problemas abiertos en GPU 1


la Unidad

Referencias a la

Bibliografía

Problemas de mapeo

Evolución de tarjetas gráficas

Desafíos científicos, en general

Aprender los desafíos

existentes relacionados a la

etapa de mapeo.

Conocer problemas

científicamente interesantes

que están siendo

abordados.

Problemas no resueltos.

[1,3,8]

Bibliografía

[1] Hubert Nguyen. NVIDIA corporation. GPUGems 3. Addison Wesley. 2008

[2] Hearn, Baker, Carithers. Computer graphics with OpenGl. Fourth edition. 2011.

[3] Cristobal Navarrro, Nancy Hitschfeld-Kahler, Luis Mateu, A Survey on Parallel Computing and

its Applications in Data-Parallel Problems Using GPU Architectures, Communications in

Computational Physics, 15:285-329, 2014.

[4] Jaja, Joseph, An introduction to Parallel Algorithms, 1992. Pearson.

[5] Bjarne Stroustrup. The c++ programming language (c++11). Fourth Edition. Addison

ritherWesley. 2013.

[6] Tutorial Cuda. https://developer.nvidia.com/cuda-education-training

[7] Tutorial OpenCl: http://developer.amd.com/tools-and-sdks/opencl-zone/opencl-

resources/introductory-tutorial-to-opencl/

[8] Cristobal A. Navarro, Nancy Hitschfeld, GPU maps for the space of computation in triangular

domain problems Proceedings of the 11th IEEE International Conference on High

Performance Computing and Communications (HPCC 2014), Paris, France. August 20-22

2014, pp:375-382.

350


Elaborado por: Nancy Hitschfeld Kahler

Casos de estudio:

[9] Aldo Canepa, Gonzalo Infante, Nancy Hitschfeld-Kahler, Claudio Lobos, Camaron: An

open- source visualization tool for the quality in-spection of polygonal and polyhedral

meshes. Proceedings of the 11th International Conference on Computer Graphics Theory

and Applica- tions (GRAPP 2016). Roma, Italia, February 2016. pp:128-135.

[10] Cristobal A. Navarro, Nancy Hitschfeld-Kahler, Eliana Scheihing: Quasi-Delaunay

Triangulations Using GPU-Based Edge-Flips, Computer Vision, Imaging and

Computer Graphics: Theory and Applications, pp 36-49, vol. 458 of Comm. in

Computer and Information Science, Springer, 2014.

351

25. MA5309 - Aprendizaje de máquinas avanzado

Código Nombre

MA5309 Aprendizaje de Máquinas Avanzado

Nombre en Inglés

Advanced Machine Learning

SCT Créditos Horas de Cátedra



6 6 2 0 8

Requisitos

Carácter del Curso

MA5203 (o equivalente) y autorización Electivo de magister y doctorado


Este curso enseña técnicas avanzadas de aprendizaje de máquinas, relacionadas con

computación científica, modelos no paramétricos e inferencia aproximada. El

enfoque teórico del curso es basado probabilidades y optimización, mientras que el

aspecto práctico considera programación en Python.

Al final del curso, el alumno deberá conocer el estado del arte en aprendizaje de

máquinas y deberá ser capaz de aplicar las herramientas aprendidas a un problema

real de la industria o su propia investigación.


La metodología del curso comprenderá los

siguientes ítems:

Asignación de artículos y temas

de estudio por parte del

instructor

Clases expositivas dictadas por

los alumnos, donde se

presentará la teoría estudiada e

implementaciones de los mismos

métodos

Discusión de los temas expuestos

por parte de los alumnos, cuerpo

docente e invitados

Realización de un proyecto

teórico o aplicado

La evaluación será en aspectos tanto

teóricos como prácticos durante el

desarrollo del curso e incluirá:

Presentaciones:

teoría e

implementación.

Asistencia y participación en

presentaciones de otros

alumnos

Participación en discusión de

las técnicas y discusiones

grupales en base a material de

grupo de lectura

Proyecto final del curso:

aplicación práctica, incorporación

a las temáticas de investigación

del propio alumno, o bien

desarrollo de nueva teoría.

352

Unidades Temáticas

Número Nombre de la Unidad Duración

en Semanas

1 Advanced scientific computing 2


la Unidad

Referencias

a la

Bibliografía

a) PyTorch

-Numpy, Scipy, Pandas, Scikit-Learn

- Fundamentals: tensors

- Variables and gradients

- Regression examples

- CNN, RNNs and LSTMs

b) Pyro

- Models and distributions

- Inference - examples

[PyTorch]

[Pyro]


Semanas 2 Graphical models 1


de la Unidad


- Structured representations

- Directed and undirected graphs

- Inference and marginalisation

- Learning

- Bayesian networks - Applications

[grph. mod.]

[prob.]


Semanas 3 Bayesian nonparametrics 3

Contenidos


Unidad


- Motivation

- Dirichlet process

- Stick-breaking construction

- Chinese restaurant process

- Indian buffet process

- Infinite hidden Markov model - Hierarchical BNP

[bnp]

353


Semanas 4 Approximate inference I: Monte

Carlo 2


de la Unidad


- Sampling techniques [murphy] - MCMC: Metropolis and Gibbs [mcmc] - Transdimensional MCMC [mackay] - Hybrid MC [bishop] - Slice sampling

- Particle filters


Semanas 5 Approximate inference II: Variational

Inference 2


de la Unidad


- Problem statement [murphy] - Laplace & Expectation [vi] Maximisation [mackay] - Evidence lower bound [bishop] - The mean-field variational family

- Coordinate ascent VI

- Example: Bayesian mixture of

Gaussians

- VI with exponential families

- Stochastic VI

- Black-box VI


Semanas 6 Computational Optimal Transport 2


de la Unidad


- Theoretical foundations

- Algorithmics

- Wasserstein PCA

- Entropic regularisation: Sinkhorn

- Empirical Barycentres - Applications

To become familiar with the Al

final de la unidad se espera

que el estudiante comprenda

las ventajas y desventajas de la

formulación multicapa en

redes neuronales y sus distintas arquitecturas

[ot]

354

Número

Nombre de la Unidad Duración en

Semanas 7 Gaussian Processes 4


de la Unidad


- Constructions: Kolmogorov,

RBFs and NNs

- Sparse GPs: SOR, FITC, PITC, VI - Kernel design

To understand the theory of

modern implementations and

approximations of GP

models regarding

computational

[gp]

- Multioutput GPs

- GP latent variable model

- Deep GPs - Bayesian spectral estimation

efficiency, multi-

input/multioutput models,

and their relationship to

spectral estimation.

Número


Semanas 8 Bayesian Optimisation 2

Contenidos


Unidad


- Motivation and problem statement

- Acquisition functions - Applications

[bayesopt]

Número


Semanas 9 Bayesian Deep Learning 1

Contenidos


Unidad


- Bayesian neural networks

- Stochastic regularisation - Applications

[bayesdl]

355


Semanas 10 Natural Language Processing 1

Contenidos


Unidad


- Language modelling

- Classification and clustering

- Part-of-speech tagging

- Sentiment analysis

- Summarisation

Al final de la unidad se espera

que el estudiante comprenda

las ventajas y desventajas de la

formulación multicapa en redes

neuronales y sus distintas arquitecturas

[nlp]

Bibliografía

General [PyTorch] https://www.udemy.com/practical-deep-learning-with-

pytorch/ [Pyro] http://pyro.ai/examples/

[grph. mod. 1] http://ai.stanford.edu/~paskin/gm-short-course/

[grph. mod. 2] https://www.cs.ubc.ca/~murphyk/Papers/intro_gm.pdf

[prob.] D. Bertsekas and J. Tsitsiklis (2002). Introduction to Probability. Athena

Scientific, Belmont, Mass.

[bnp. 1] https://papers.nips.cc/paper/1956-the-infinite-hidden-markov-model.pdf

[bnp. 2] http://www.tamarabroderick.com/tutorials.html

[bnp. 3] http://stat.columbia.edu/~porbanz/talks/nipstutorial.pdf

[bnp. 4] https://www.stats.ox.ac.uk/~teh/npbayes.html

[bnp. 5] S. Gersham and D. Blei. A tutorial on Bayesian nonparametric models [vi. 1]

https://arxiv.org/pdf/1601.00670.pdf

[mcmc. 1] http://vcla.stat.ucla.edu/old/MCMC/MCMC_tutorial.htm

[mcmc. 2] http://www.cs.ubc.ca/~arnaud/andrieu_defreitas_doucet_jordan_intromontecarlomachinel

earning.pdf

[mcmc. 3] https://www.stat.fi/isi99/proceedings/arkisto/varasto/gree0167.pdf

[mcmc. 4] https://twiecki.github.io/blog/2015/11/10/mcmc-sampling/

[smc. 1] A. Doucet, N. de Freitas and N. Gordon. Sequential Monte Carlo Methods in Practice.

Springer, 2001.

[ot.1] https://arxiv.org/abs/1803.00567

[ot.2] https://papers.nips.cc/paper/4927-sinkhorn-distances-lightspeed-computation-of-

optimal-transport

[bayesopt.0] https://arxiv.org/pdf/1012.2599.pdf [bayesopt.1]

https://arxiv.org/abs/1807.02811 [bayesopt.2]

http://pyro.ai/examples/bo.html

[nlp.0] https://cs.nyu.edu/courses/fall11/CSCI-GA.3033-001/

356

[nlp.1] https://www.amazon.com/Language-Processing-Prentice-Artificial-

Intelligence/dp/0131873210

[nlp.1] foundations-of-statistical-natural-language-processing

[murphy] K. Murphy. Machine Learning: A Probabilistic Perspective. MIT Press, 2012. [mackay] D.

Mackay. Information Theory, Inference, and Learning Algorithms. Cambridge University Press. 2003.

[bishop] C. Bishop. Pattern Recognition and Machine Learning. Springer, 2006.

[gp.1] C. Rasmussen and C. Williams, Gaussian Processes for Machine Learning. MIT Press 2006.

[gp.2] http://www.jmlr.org/papers/v6/quinonero-candela05a.html

[gp.3] https://papers.nips.cc/paper/2540-gaussian-process-latent-variable-models-for-

visualisation-of-high-dimensional-data.pdf

[gp.4] http://www2.aueb.gr/users/mtitsias/papers/aistats_varGP.pdf [BJR] G. Box, G. Jenkins and G. Reinsel. Times Series Analysis: Forecasting and Control. Wiley, 2008. [B] Y. Bengio, Deep Architectures for AI.

Vigencia desde: Primavera 2018 Elaborado por: Felipe Tobar Revisado por:

26. MA6201 - Computación científica

Código Nombre

MA6201 Computación Científica

Nombre en Inglés

Scientific Computing

SCT

Créditos Horas de Cátedra


Horas de Trabajo

Personal 6 6


CC1000, CC1001 Electivo Alumnos de la

Carrera, Magister y

Doctorado.


Al finalizar el curso, el estudiante:

Contará con el conocimiento y dominio de variados recursos computacionales existentes para análisis de datos

Identificará qué herramienta computacional utilizar para cada problema de análisis de datos y cómo adaptarla para el problema en cuestión

Será capaz de diseñar nuevas herramientas computacionales para resolver problemas de análisis de datos en caso de ser necesario


357

Este curso tiene es de carácter teórico, expositivo y práctico. Está compuesto por cátedras y demostraciones del uso de las herramientas de programación, además, cuenta con trabajo práctico en base a las herramientas aprendidas durante el curso

El curso se evalúa a partir de tareas que permiten a los estudiantes aplicar y ejercitar las diferentes técnicas aprendidas en el curso. El cálculo de esas notas se efectúa de la siguiente forma:

NT = Promedio de las notas parciales (∑ wi*Pi)/n, donde Pi son las notas de las tareas y wi la ponderación que tiene cada una de ellas.

El examen (EX) consistirá en un proyecto donde cada alumno pondrá a prueba lo aprendido durante la realización del curso. La nota final está dada por: NF = NT*0,6+EX*0,4

La condición para aprobar el curso es NF >= 4.0

Unidades Temáticas


1 Introducción a la computación científica en Python 3


la Unidad


1.1) Elementos básicos de programación en Python

1.2) Programación sin librerías, funcional y orientada a objetos

1.3) Paquetes para programación científica: Numpy, Scipy, Matplotlib

Los estudiantes se familiarizan con el lenguaje de programación Python, sus métodos generales y la programación orientada a objetos. Luego, los estudiantes aprenden a utilizar los paquetes básicos para la computación científica.

[1]- [3]


2 Herramientas avanzadas para computación científica 4


Unidad

Referencias a la

Bibliografía

358

2.1) Manipulación, visualización y análisis de datos: Pandas, Scikit- Learn, Bokeh

2.2) Eficiencia Computacional: Profiling, Multiprocessing, Numba

2.3) Programación simbólica: pyTorch, Pyro.

Los estudiantes son capaces de manejar, analizar y visualizar datos, además de evaluar y mejorar la eficiencia computacional utilizando técnicas de paralelización y vectorización. Finalmente, los estudiantes aprenderán los paradigmas de programación probabilista y simbólica.

[1]- [5]


3 Introducción a la computación de alto rendimiento 3



3.1) Arquitectura de procesadores y multiprocesadores

3.2) Uso de un supercomputador: Leftraru

Los estudiantes adquieren conocimientos acerca de las tendencias actuales de las arquitecturas multiprocesador, teniendo una visión de las interdependencias entre la evolución de la tecnología y la arquitectura de estos procesadores. Además, los

[6]-[7]

3.3) Introducción a programación en C

estudiantes son capaces de producir programas básicos en el lenguaje C.


4 Computación paralela de alto rendimiento 4


la Unidad Referencias a la Bibliografía

4.1) Programación paralela en memoria compartida: OpenMP

4.2) Programación paralela en memoria distribuida: MPI

4.3) Programación paralela híbrida: MPI-OpenMP

Los estudiantes conocen distintos enfoques de la programación paralela, distinguiendo claramente entre programación en memoria compartida y en memoria distribuida. Además, son capaces de elegir y combinar dichos modelos de programación en problemas reales de análisis de datos.

[8]-[11]

359


[1] Joel Grus, Data Science from Scratch, First Principles with Python, O’Reilly, 2015 [2] Wes McKinney, Python for Data Analysis, Data Wrangling with Pandas, NumPy, and IPython, O’Reilly, 2012

[3] Jake VanderPlas, Python Data Science Handbook Essential Tools for Working with Data, O’Reilly, 2016

[4] Cameron Davidson-Pilon, Bayesian Methods for Hackers, Probabilistic Programming and Bayesian Inference, Addison-Wesley, 2016

[5] Sebastian Raschka, Python Machine Learning, Packt, 2016

[6] J. L. Hennessy and D. A. Patterson, Computer Architecture: A Quantitative Approach, 2012.

[7] K.N. King, C Programming: A Modern Approach, W. W. Norton & Company. 2008 [8] B. Chapman and G. Jost and R. van der Pas, Using OpenMP: Portable Shared Memory Parallel Programming, 2007.

[9] P.S. Pacheco, An Introduction to Parallel Programming. Burlington. MA: Elsevier. 2011.

[10] G.E. Karniadakis, R.M. Kirby, Parallel Scientific Computing in C++ and MPI: A Seamless Approach to Parallel Algorithms and their Implementation, Cambridge University Press. 2003.


Elaborado por: Ginés Guerrero, Gonzalo Ríos y Felipe Tobar

Revisado por:

[11] M. Snir, S.W. Otto, S. Huss-Lederman, D.W. Walker, J. Dongarra, MPI: The

Complete Reference, MIT Press. 1995.

360

27. MA5406 - Probabilidades y estadística para el análisis de datos

Código Nombre

MA5406 Probabilidad y Estadística en el Análisis de Datos

Nombre en Inglés

Probability and Statistics in the Analysis of Data


Horas de Cátedra


Horas de Trabajo

Personal

10.0 3.0 1.5 5.5


MA3403 Probabilidad y

Estadística O

MA3401 Probabilidades

Electivo de Carrera

Obligatorio de Magister


Se quiere que el estudiante conozca las técnicas principales probabilísticas de clusterización y clasificación de datos de distintos tipos, en particular en los datos de texto libre, que pueda adaptarse a las diferentes técnicas y escenarios que aparezcan en problemas de datos, y sea capaz de aplicarlos en un problema real con gran número de objetos y varias variables de tipos variados y complejos.


Clases expositivas Aprendizaje basado en problema Laboratorio

Exposiciones Trabajo personal Tareas. Trabajo con base de datos con complejidad

361

Unidades Temáticas


1 Tipos de datos 1



Referencias a la

Bibliografía

Categóricos/ordinales/intervalos/razones. Vectores de características

Que conoce los distintos tipos de datos, cuando y como usarlos para representar características en el mundo real.

Capítulo 2 de IV.


2 Datos de texto libre 2



Referencias a la

Bibliografí

Datos de Texto libre Disciplinas en que aparece texto libre, dificultades en su tratamiento. Preprocesamiento Básico de Texto.

Estructura probabilística en el lenguaje. Aplicaciones en correctores de lenguaje.

Representación vectorial de texto. Reducción de dimensionalidad. Word to vec.

Capítulo 1 de V.

Capítulo 11 de VI.

VII.

362


3 Clusterización 3



(a) Analisis en componentes principales (ACP)

(b) k-medias - Algoritmo estandar: algoritmo de Lloyd - Inicialización: Forgy, muestras aleatorias, k-medias++ - Relación a otros métodos estadísticos (ACP, etc.)

(c) Clusterización jerárquica - Distancias: Euclideana, Manhattan, máxima, Mahalanobis, Hamming, etc. - linkage: single (mínimo), promedio (media), completo (máximo), centroide, etc. - Métodos: aglomerativos, divisivos

Conocimiento de métricas tipo Euclideana, conocimiento de algoritmos y sus rendimientos, capaz de aplicar métodos de clusterización a conjuntos reales de datos

Capítulo 9 de III.

363


4 Clasificación de datos 3



(a) Objetivos de clasificación. Errores de clasificación y medidas de precisión: Sensibilidad, especificidad, precisión, tasa de mal clasificación.

(b) Clasificadores basados en distancias (k-vecinos más próximos)

(c) Clasificación por Máxima verosimilitud y naïve Bayes.

(d) Análisis discriminante: lineal/cuadrática/Fisher

(e) Validación cruzada. Leave-one-out validación, k veces validación cruzada, conjunto de entrenamiento, conjunto de validación.

Entender clasificación como manera de separar el espacio de características en conjuntos disjuntos por hiperplanos lineales o no lineales; saber cómo entrenar en validar un clasificador usando conjuntos de entrenamiento y validación y luego como aplicar el clasificador resultante a datos nuevos.

Capítulos 3, 4 de II; Capítulos 2, 3 de III, IV; Capítulo 5 de IV.

364


5 Árboles de Clasificación y Regresión 4



(a) Árboles, Particiones, cadenas de particiones. Probabilidades en conjuntos finitos (hojas de un árbol).

(b) Funciones de Impureza: entropía de Shannon, Impureza de Gini. Propiedades: Divergencia de Kullback-Leibler e Información Mutua.

(c) Clasificación por árboles. (d) Poda de árboles. Costos, función de pérdida,

(e) Arboles de Regresión. (f) Bosques aleatorios/boosting

Entender la estructura de árboles en general, creación de preguntas por división de nodos, el mecanismo de reducción de impureza, el por qué se debe podar, las ventajas y debilidades de árboles de decisión. Ser capaz de aplicar árboles de decisión a conjuntos de datos complejo (por ejemplo, en bioinformática).

Capítulos 2, 3, 4, 8, 10 de I; Capítulo 2 de II; Capítulo 7 de III; Capítulo 12 de IV.


6 Clasificación de Texto 1



Aplicaciones en reconocimiento de texto

Reconocimiento de SPAM

Análisis de opinión

Capítulo 13 VI.


7 Hacia dónde va la Ciencia de los Datos 1



Analisis del estado actual y desafíos en ciencia de los datos

50 años de ciencia de los datos

Procesamiento de lenguaje de texto

Capítulo 13 VI. VIII y IX

365


I. Breiman, Friedamn, Olshen y Stone. Classification and regression trees. Chapman & Hall, 1984.

II. Murphy, K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012. III. Ripley, B.D. Pattern Recognition and Neural Networks. Cambridge University Press, 1996.

IV. Witten, I.H., Frank, E. and Hall, M.A. Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann Publishers Inc., 2005.

V. C. Manning, H. Schutze, Foundations of Statistical Natural Processing. MIT Press, 1999.

VI. C. Manning, P. Raghavan, H. Schutze. An Introduction to Information Retrieval. Cambridge University Press, 2019.

VII. C. Manning. Natural Language Processing. Stanford Coursera course. VIII. L. Breiman. Statistical Modeling: Thetwo cultures. Statistical Science Vol. 16, No. 3, 199-231, 2001.

IX. D. Donoho. 50 years od data science. J. of Computational and Graphical Statistics. Vol 26, No. 4, 745-766, 2017.


Elaborado por: Jocelyn Dunstan, Andrew Hart y Servet Martínez

Revisado por:

366

28. MA4402 - Simulación estocástica: Teoría y Laboratorio

Código Nombre

MA4402 Simulación Estocástica: Teoría y Laboratorio

Nombre en Inglés Stochastic Simulation: Theory and Laboratory

SCT Unidades

Docentes

Horas de Cátedra Horas

Docencia

Auxiliar y Laboratori

o

Horas de

Trabajo

Personal

6 10 1,5 3,0 5,5 Requisitos Carácter del Curso

Procesos de Markov Obligatorio


EL objetivo del curso es presentar los fundamentos teóricos y algorítmicos que permiten

construir y simular computacionalmente diferentes tipos de modelos estocásticos

relevantes, y resolver numéricamente mediante simulación estocástica diversos

problemas de interés en ingeniería y ciencias. Al final del curso, el alumno conoce

una serie de modelos estocásticos, es capaz de utilizarlos en problemas de

modelamiento estocástico en distintos ámbitos, entiende cómo justificar rigurosamente

la aproximación de dichos modelos mediante objetos simulables

computacionalmente, y es capaz implementar numéricamente tanto los modelos en sí

como algunos algoritmos que permiten su uso en la resolución de problemas de

ingeniería y ciencias.


‐ Clases presenciales dictadas

por el profesor (15 hrs)

‐ Laboratorio numérico (20 hrs)

‐ Auxiliares (10 hrs)

Tareas con partes computacionales y

teóricas, y presentaciones orales de los

resultados de las tareas.

UNIDADES TEMÁTICAS Nombre de la

Unidad 1. Convergencia en ley de variables aleatorias y procesos (2 semanas)

Contenidos

‐ Convergencia en ley en espacios métricos y tensión

‐ Aplicación: función característica y convergencia en ley de variables aleatorias en Rd.

‐ Ejemplos numéricos: LGN débil, TCL, convergencia estable, métodos de

Monte Carlo, convergencia de procesos empíricos.

‐ Distancias en entre leyes y coupling.

367

Nombre de la Unidad

2. Sampling y Markov Chain Monte Carlo (5 semanas) Contenidos

‐ Simulación de variables aleatorias en Rd: inversión de función de distribución,

simulación eficiente de v.a. clásicas en Rd, método de aceptación‐rechazo.

Reducción de varianza, simulación de eventos raros.

‐ Simulación de cadenas de Markov en tiempo discreto y contínuo, convergencia al

equilibrio, TCL.

‐ Markov Chain Monte Carlo, simulación perfecta y exacta, Gibbs sampling y Metropolis.

‐ Aplicaciones y ejemplos escogidos entre: sampling de grafos aleatorios, simulación de colas y

límite fluido, procesos de renovación, procesos de ramificación, genómica, modelos discretos en finanzas.

Nombre de la Unidad

4. Movimiento Browniano, procesos de difusión y aplicaciones (5 semanas)

Contenidos

‐ Introducción al cálculo estocástico: Movimiento Browniano, martingales, integral y

cálculo de Itô.

‐ Ecuaciones diferenciales estocásticas, discretización y simulación.

‐ Aplicaciones en EDP: fórmula de Feyman‐Kac, resolución numérica por método

de Monte‐ Carlo.

‐ Aplicación en finanzas: introducción a la teoría de opciones, fórmula de Black‐Scholes y cálculo numérico de precio de opciones.

Nombre de la Unidad

3. Estimación, filtraje y modelos Markovianos ocultos (3 semanas) Contenidos

‐ Introducción a series de tiempo: modelos ARMA y GARCH. Estimación numérica de parámetros.

‐ Cadenas de Markov ocultas, aplicaciones en genómica y otras.

‐ Filtraje lineal de Kalman y extensiones, aplicaciones en ingeniería y estadística

‐ Problema de filtraje general, filtro de partículas y Monte Carlo secuencial, aplicaciones en ingeniería

368


‐ E.Pardoux “Processus de Markov et applications: Algorithmes, résaux, genome et

finances” Dunod, 2007.

‐ O. Häggström “Finite Markov Chains and Algorithmic Applications”, London

Mathematical Society Student Texts, 2002.

‐ J.R. Norris “Markov Chains”, Cambridge Series in Statistical and Probabilistic Mathematics, 1997.

‐ D. Lamberton, B.Lapeyre. “Introduction au Calcul Stochastique Appliqué en

Finances” Ellipses, 1997

‐ P.Glassermann “Monte‐Carlo methods in financial engineering”, Applications of

Mathematics, Stochastic Modelling and Applied Probability, Springer, 2000.

‐ R. Durrett “Probability Models for DNA Sequence Evolution”, 2nd Edition,

Probability and its Applications Springer, 2008.

‐ P.Del Moral “Feyman‐Kac formulae. Genealogical and interacting particle

systems with applications” Probability and its Applications, Springer, 2004.

‐D.Levin, Y.Peres, E.L.Wilmer “Markov chains and mixing times”, American Mathematical

Society, 2008.

‐S.Shreve “Stochastic calculus for finace, Vol I & II”, Springer Finance, 2010.

Vigencia desde:

Primavera 2013

Elaborado por: J.Fontbona, D.Remenik

369

29. MA5705 - Optimización para el análisis de datos

Código Nombre

MA5705 Optimización para el análisis de datos

Nombre en Inglés

Optimization for data science

SCT Horas de Cátedra Horas Docencia

Auxiliar Horas de Trabajo Personal

6 4 0 6


MA3711 o MA3701 Electivo de carrera, magister y

doctorado


Este curso es de carácter introductorio, presentando lo esencial sobre optimización convexa

y métodos numéricos con el objetivo de entender, aplicar y adaptar las principales técnicas

de aprendizaje estadístico. Asimismo, se estudiará como las técnicas de aprendizaje han

permitido mejorar herramientas en optimización y en investigación de operaciones.

El enfoque teórico del curso es basado principalmente en optimización convexa, mientras

que el aspecto práctico considera programación en Python.

Al final del curso, el alumno conocerá el estado del arte en cuanto a los métodos de

optimización utilizados para entrenar algoritmos de aprendizaje de máquinas, y será capaz

de aplicar estos conocimientos al utilizar algoritmos presentes en librerías como también

entender o proponer nuevos métodos.


2 clases semanales dictadas por el profesor.

Se entregarán tareas que permitan conectar

la teoría con la práctica.

La evaluación será en aspectos tanto teóricos

como prácticos durante el desarrollo del

curso e incluirá:

Presentaciones:

Asistencia y participación en

presentaciones de otros alumnos

Participación en discusión de las

técnicas y discusiones grupales en

base a material de grupo de lectura

Tareas computacionales

370

Unidades Temáticas


1 Nociones básicas del análisis convexo y dualidad 3


Bibliografía

- Funciones convexas; sus

principales propiedades

- El Subdiferencial de una función

convexa

- Conjugada de Fenchel

- Dualidad de Fenchel-Rockafellar

- Dualidad Lagrangeana

- Operadores proximales

- Ejemplos en regresión,

clasificación y análisis de datos

en general

Se introducen las nociones básicas

del análisis convexo en dimensión

finita como funciones y conjuntos

convexos, conjuntos de recesión,

subdiferenciales, etc.

El alumno sabrá calcular tanto el dual

convexo como el de perturbaciones

(Fenchel-Rockafellar) de un

problema convexo.

El alumno sabrá aplicar estos

conocimientos a ejemplos concretos

que se usan en análisis de datos.

1, 2, 3 y 7


2 Algoritmos de optimización de primer orden 4


Bibliografía

Riesgo empírico y riesgo

esperado

Algoritmos de descenso

El método del gradiente y su

complejidad

Métodos acelerados y de

quasi-Newton

Algoritmos para modelos

regularizados no-

diferenciables

o Algoritmo Proximal

o ISTA y variantes

Se revisan contenidos de métodos de

primer orden con énfasis en puntos

relevantes para las aplicaciones, como

tasas de convergencia,

condicionamiento y búsqueda lineal

Se introducen variantes recientes de los

métodos de primer orden básicos

El alumno entiende la importancia de la

regularización de problemas de

aprendizaje y conoce los algoritmos

especializados para este tipo de

problemas

7, 8, 11, 12, 15


3 Algoritmos estocásticos: SGD y variantes 3


Bibliografía

Se estudian variantes estocásticas

del método del gradiente, entre las

cuales:

Coordinate descent

Stochastic Gradient Descent

Mini-batch Gradient Descent

Adagrad

El alumno comprende cuales son las

motivaciones y los beneficios de introducir

estocasticidad en los problemas de

optimización en aprendizaje

El alumno conoce las distintas variantes de

los métodos estocásticos, su deducción y

los problemas que busca solucionar

9, 16,18, 19

371

Así como algunas técnicas para

mejorar su desempeño en

problemas de Machine Learning

El alumno comprende y sabe identificar el

comportamiento característico de cada uno

de ellos, y sus principales propiedades

teóricas


4 Métodos de Optimización en Deep Learning 3

Contenidos Resultados de Aprendizajes de la Unidad Referencias

a la Bibliografía

Se estudian los aspectos específicos al

problema de minimización que

interviene en el entrenamiento de

redes neuronales. Los siguientes

conceptos son vistos en detalle

El método de

‘Backpropagation’

El problema de los ‘vanishing

gradients’ y algunos remedios

Learning rates: su importancia

y estrategias de ajuste

Mínimos locales y globales en

redes neuronales

Se repasa brevemente la formulación

matemática de una red neuronal

Se formula el método de

backpropagation como un algoritmo de

descenso

En base a sus conocimientos de

algoritmos de descenso tanto

deterministas como estocásticos, el

alumno es capaz de entender en

profundidad el método de

backpropagation, así como el origen de

sus dificultades más frecuentes

Al final de la unidad, el alumno está en

condiciones de continuar

autónomamente su exploración del

estado del arte en el área, incluyendo las

innovaciones más recientes

12,18


5 Optimización paralela y distribuida 2


Bibliografía

Se estudian variantes

paralelas y distribuidas de

algoritmos presentados en

unidades anteriores

Se estudian en mayor detalle

los algoritmos más utilizados

en ambientes paralelos y

distribuidos, como los

algoritmos ADMM y SDCA

El alumno domina conceptos básicos

de optimización paralela y

distribuida, como sincronismo y

asincronismo

El alumno conoce las variantes

paralelas de los algoritmos más

utilizados en ML, y es capaz de

deducir paralelizaciones efectivas de

algoritmos similares

5, 6, 14

372


Elaborado por: Salvador Flores, Héctor Ramírez

Bibliografía

1) Borwein, Jonathan M., and Lewis, Adrian S., Convex Analysis and Non Lineal Optimization, Springer,

NY, 2000.

2) Hiriart Urruty, Jean-Baptiste, and Lemarechal, Claude, Fundamentals of Convex Analysis, Springer

Science & Business Media, 2004.

3) Rockafellar, R. Tyrrell, Convex Analysis, Princeton Mathematical Series, 1997.

4) Bach, Francis, et al. "Optimization with sparsity-inducing penalties." Foundations and Trends in

Machine Learning 4.1 (2012): 1-106.

5) Bertsekas, Dimitri P., and John N. Tsitsiklis. Parallel and distributed computation: numerical methods.

Vol. 23. Englewood Cliffs, NJ: Prentice hall, 1989.

6) Boyd, Stephen, et al. "Distributed optimization and statistical learning via the alternating direction

method of multipliers." Foundations and Trends in Machine Learning 3.1 (2011): 1-122.

7) Boyd, Stephen, and Vandenberghe, Lieven, Convex Optimization, Cambridge Universi Press, 2004.

8) Combettes, Patrick L., and Valérie R. Wajs. "Signal recovery by proximal forward-backward splitting."

Multiscale Modeling & Simulation 4.4 (2005): 1168-1200.

9) Fercoq, Olivier, and Peter Richtárik. "Accelerated, parallel, and proximal coordinate descent." SIAM

Journal on Optimization 25.4 (2015): 1997-2023.

10) Nesterov, Yu. "Gradient methods for minimizing composite functions." Mathematical Programming

140.1 (2013): 125-161.

11) Parikh, Neal, and Stephen Boyd. "Proximal algorithms." Foundations and Trends in Optimization 1.3

(2014): 127-239.

12) Sra, Suvrit, et al., Optimization for Machine Learning, The MIT Press, 2012.

13) Takác, Martin, et al. "Mini-Batch Primal and Dual Methods for SVMs." ICML (3). 2013.

14) Takác, Martin, Jakub Marecek, and Peter Richtárik. "Distributed Coordinate Descent for Big Data

Optimization."

15) Tibshirani, Robert. "Regression shrinkage and selection via the lasso." Journal of the Royal Statistical

Society. Series B (Methodological) (1996): 267-288.

16) Bottou, Leon, Curtis, Frank E., and Nocedal, Jorge, “Optimization Methods for Large-Scale Machine

Learning”, Siam Reviews, 60(2):223-311, 2018.

17) Ruder, Sebastian. "An overview of gradient descent optimization algorithms." arXiv preprint

arXiv:1609.04747 (2016).

18) Montavon, G., Orr, G.B., Müller, K.-R. (eds.) NN: Tricks of the Trade, 2nd edn. LNCS, vol. 7700, pp. 437–

478. Springer, Heidelberg (2012).

373

30. IN5530 – Taller de Visualización de Datos

Código Nombre

IN 5530 Taller de Visualización de Datos

Nombre en Inglés

Data Visualization Workshop

Créditos (SCT) Unidades Docentes



Personal

6 10 3,0 1,5 5,5


IN3501 Tecnologías de Información y Comunicaciones para la Gestión y IN3401 Estadística para la Economía y Gestión o AUTOR

Electivo de la carrera Ingeniería Civil Industrial

Competencias a la que tributa el curso

Competencias de Egreso Concebir soluciones a los problemas que surgen en las organizaciones, utilizando los

conocimientos provenientes de estadísticas y las tecnologías de información y comunicaciones.

Comunicar ideas y resultados de trabajos profesionales o de investigación, en forma escrita y oral.

Gestionar su auto-aprendizaje en el desarrollo del conocimiento de su profesión, adaptándose a los cambios del entorno.

Propósito del Curso

Hoy en día, se cuenta con distintas fuentes de datos, y tipos de estos, ante esto, se buscan distintas formas de representar la data, luego de sus respectivos tratamientos, para que se entiendan de una manera óptima para un cliente o audiencia. Los alumnos de ingeniería industrial adquirirán los conocimientos teóricos y prácticos para que logren dar soluciones a problemas que puedan surgir en todo tipo de organizaciones respecto a la visualización de datos. Para llevar a cabo lo anterior, el cuerpo docente impartirá tanto clases teóricas como prácticas, además de diversas actividades que realizarán los estudiantes durante el curso haciéndolos agentes activos durante la realización del curso.


Al finalizar el curso, el estudiante es capaz de: 1. Entender la visualización de datos como parte de un proceso de análisis de datos. 2. Consultar a bases de datos por medio de una API implementada como webservice. 3. Tener una intuición sobre distintos casos de uso de las distintas maneras lo relevante que

es la forma correcta de mostrar análisis de datos por medio de la visualización. 4. Usar herramientas de visualización de datos en profundidad, particularmente D3.js.

374


Este curso tiene una connotación teórico-práctica, por lo que, la metodología de trabajo consiste en:

Clases de Cátedra.

Desafíos semanales.

U-Test.

Desarrollo de Tareas Grupales.

Presentaciones Orales.

Lecturas y Análisis de Casos.

El curso consta de 2 notas: tareas (NT) y controles (NC).

El cálculo de esas notas se efectúa de la siguiente forma:

𝐶𝑁 = ∑𝑖 𝐶𝑖 𝑁𝑇 =

∑𝑖(𝑤𝑖∗ 𝑃𝑖)

3 𝑛

Donde 𝐶𝑖 es la nota del control i, 𝑃𝑖 es la nota de la tarea

i y 𝑤𝑖, la ponderación que tiene cada una de ellas.

Las tareas son grupales y la nota 𝑃𝑖 se calcula en base

a una coevaluación:

Si R es la nota obtenida en la tarea y el grupo es de

m personas, cada integrante debe dar una nota a

cada uno de sus compañeros, incluyéndose a sí

mismo, sin superar 𝑅 ∗ 𝑚 puntos en total.

𝑃 = ∑𝑗 𝛼𝑗𝑘

Entonces, si se denota 𝛼 a la nota que el 𝑖 𝑚 𝑗𝑘

integrante j le da al integrante k, la nota de la tarea i

para el integrante k está dada por:

∑ 𝛼𝑗𝑘 = 𝑅 ∗ 𝑚

𝑗

Sujeto a:

El alumno puede eximirse de dar el examen si

𝑁𝑇 ≥ 5.5 𝑦 𝑁𝐶 ≥ 5.5

En este caso, la nota final (NF) corresponde al

promedio simple entre NC y NT.

Al final del curso, se puede aplicar un factor α ∈

(1,1.03] sobre NF cuando la participación del

alumno es excepcional.

En caso de que el alumno rinda el examen, la nota

final se calcula de la siguiente forma.

((0,6 ∗ 𝑁𝐶) + (0,4 ∗ 𝐸𝑋)) ∗ 0,5 + (𝑁𝑇 ∗ 0,5)

• La condición para aprobar el curso es:

𝑁𝑇 ≥ 4.0 𝑦 𝑁𝐶 ≥ 4.0

375

UNIDADES TEMÁTICAS


1 INTRODUCCIÓN A VISUALIZACIÓN DE DATOS 1

Contenidos Indicador de Logro Referencias a la

Bibliografía

1. Introducción a visualización

de datos.

2. Análisis de datos como parte

de un proceso de toma de

decisiones.

Aprendizaje de que la Visualización de datos va más allá de la implementación, es también parte de un proceso de análisis que permitirá la posterior toma de decisiones.

3 , 5


2 FUENTES DE DATOS 2


Bibliografía

1. Fuentes de Datos

2. Bases de Datos

a. Sistema Operacional.

b. Sistema

Informacional.

3. Scrapping

4. Data Format

a. XML

b. JSON

5. API

6. Web Service

a. REST API

b. Spring Boot

Aprendizaje de existencia de diversas fuentes de datos, como acceder a ella, los formatos que se pueden encontrar, y como se puede disponer de los datos para posibles análisis posteriores.

1,3


2 HERRAMIENTAS DE VISUALIZACIÓN DE DATOS 3


Bibliografía

1. Power BI

2. Tableau

Aprendizaje de herramientas que se están usando hoy en día el mundo laboral para visualizar datos.

7,8

376


3 FUNDAMENTOS DE D3.js 3


Bibliografía

1. Introducción a D3.js.

2. Flujo de datos de visualización

de la información.

3. Diseño e interacción basados

en datos.

Aprendizaje sobre la vinculación de datos, cargando datos y creando elementos gráficos a partir de datos de diferentes maneras. También se ocupa se ven las escalas, el color y otros aspectos importantes de la visualización de datos. Algunas de las principales tecnologías utilizadas por D3, como JavaScript, CSS y SVG, se deben entender.

1,2,3


4 LOS PILARES DE LA VISUALIZACIÓN DE LA INFORMACIÓN 2


Bibliografía

1. Componentes gráficos

2. Layouts

3. Visualización de redes

4. Visualización de información

geoespacial

5. Manipulación DOM

tradicional con D3

Aprendizaje sobre cómo crear gráficos simples a partir de datos, como gráficos de líneas, ejes y bloques. También como ofrecer una exploración en profundidad de varios diseños de visualización de datos tradicionales como gráficos circulares, diseños de árboles y nubes de palabras. Luego se ve visualización de redes. En la parte final de esta unidad se logra el aprendizaje de las capacidades de mapeo en D3, e incluye el aprovechamiento de JSON para hacer una manipulación de geo datos interesante en el navegador; junto con manipular elementos HTML tradicionales, como párrafos y listas.

1,2,4

377


5 TÉCNICAS AVANZADAS 2


Bibliografía

1. Composición de aplicaciones

interactivas

2. Escribiendo layouts y

componentes.

3. Visualizando grandes

cantidades de datos.

Aprendizaje sobre temas que pueden considerarse como profundos en D3, que son parte importante en la práctica. Esto incluye principios para generar un panel de datos, crear componentes propios en D3, optimizar la visualización de datos para grandes conjuntos de datos y escribir la visualización de datos para dispositivos móviles.

1,2,5


6 REPORTES Y ANÁLISIS 2


Bibliografía

1. Herramientas de Reportes.

2. Análisis de datos.

Aprendizaje sobre herramientas que se existen disponibles para generar reportes y análisis de datos.

3, 6,7


1. Corey L. Lanum “Visualizing Graph Data” 2016 2. Elijah Meeks “D3.js” 2015 3. Andy Kirk “Data Visualisation: A Handbook for Data Driven Design” 2016 4. Kyrian Dale “Data Visualization with Python and JavaScript: Scrape, Clean, Explore &

Transform Your Data” 2016 5. Stephanie D. H. Evergreen “Effective Data Visualization: The Right Chart for the Right

Data” 2016 6. Cole Nussbaumer Knaflic “Storytelling with Data: A Data Visualization Guide for Business

Professionals” 2015 7. Alberto Ferrari & Marco Russo “Analyzing Data with Power BI and Power Pivot for Excel

(Business Skills)” 2017 8. Joshua N. Milligan “Learning Tableau 10 - Second Edition” 2016


Elaborado por: Héctor Álvarez y Felipe Vildoso

Validado por: Comisión de Docencia

Revisado por: Unidad de Gestión Curricular, SGD

378

31. Deep Learning para la Gestión

Código Nombre

IN5533 Deep Learning para la Gestión

Nombre en Inglés

Deep Learning For Management

SCT Unidades Docentes Horas de Cátedra Horas Docencia


Personal

3 5 3 1.5 5.5


IN3501, IN3401 Electivo de la carrera Ingeniería Civil Industrial


Competencias Específicas CE2: Concebir y diseñar soluciones que crean valor para resolver problemas de las organizaciones, utilizando los conocimientos provenientes de la gestión de operaciones, tecnologías de información y comunicaciones, finanzas, economía y marketing. CE3: Modelar, simular y evaluar problemas de gestión, para encontrar soluciones óptimas, a necesidades de la ingeniería industrial. CE4: Emplear y aplicar los conocimientos de las distintas disciplinas constitutivas de la ingeniería industrial: gestión de operaciones, tecnologías de información y comunicaciones, finanzas, economía y marketing, en las respectivas áreas funcionales de las organizaciones.

Competencias Genéricas CG3: Actuar de manera responsable y honesta, dando cuenta en forma crítica de sus propias acciones y sus consecuencias, en el marco del respeto hacia la dignidad de las personas y el cuidado del medio social, cultural y natural. CG4: Ejecutar con su equipo, de forma estratégica, diversas actividades formativas propuestas, considerando la autogestión de sí mismo y la relación con el otro, asumiendo diversos roles: de líder, colaborador u otros, según requerimientos y objetivos, sin discriminar por género u otra razón. CG6: Concebir ideas viables y novedosas para resolver problemas o necesidades, materializadas en productos, servicios o en mejoras a procesos, considerando el contexto sociocultural, económico y los beneficios para el usuario.

379


Este curso tiene como propósito introducir a los y las estudiantes al área del deep learning. El curso tiene un sesgo intencionado hacia la aplicación práctica de las técnicas del deep learning en los negocios y la gestión. Para ello los y las estudiantes realizarán tareas de programación para cada tópico teórico visto en clases.

El proceso proporcionará a los y las estudiantes la capacidad de aplicar el deep learning en problemas relacionados con gestión de operaciones, finanzas, marketing y otros en diferentes sectores de la industria, como salud, retail, seguridad, transporte o manufactura. Por ejemplo, se realizarán aplicaciones en sistemas de recomendación para e-commerce, detección de fraude, predicción en series de tiempo (demanda, estados cognitivos y emocionales del consumidor, etc.), predicción de fallas, predicción de crimen en la ciudad, riesgo crediticio, entre otras. Al mismo tiempo, entregará las bases para el aprendizaje autodidacta en las áreas y tendencias futuras del deep learning. En particular, la y el estudiante entenderá el funcionamiento y los posibles usos de modelos de aprendizaje basado en redes neuronales profundas, pudiendo llevar a cabo su construcción y entrenamiento para la solución de problemas reales.

Se espera que la y el estudiante adquiera una serie de nuevas herramientas que le permitan solucionar problemas de manera más eficaz y/o eficiente y, al mismo tiempo, le permita la adquisición de conocimientos a un área en constante expansión y adelantos científicos como es el deep learning.

El curso será evaluado desde una perspectiva práctica por el desarrollo de tareas de programación llevadas a cabo en python con el uso de las librerías de redes neuronales de Keras y Tensorflow y análisis de modelos, y desde una perspectiva teórica, a través de un control. Las tareas se realizarán en grupo, permitiendo el aprendizaje colaborativo y contribuyendo a las habilidades de trabajo en equipo y creativo en tareas de programación.


RA1: Entender y aplicar modelos de aprendizaje basado en redes neuronales profundas a problemas relacionados con la industria en áreas de marketing, gestión de operaciones, finanzas u otros.

CE2–CE4–CG6

RA2: Diseñar redes neuronales profundas para problemas específicos, considerando las distintas arquitecturas de redes posibles y los datos disponibles para entrenamiento.

CE3 – CG3 – CG4 – CG6

RA3: Implementar modelos de deep learning usando librerías de software basadas en el lenguaje de programación Python, utilizando Tensorflow y Keras

CE3

RA4: Consultar el estado del arte del área para implementar nuevas arquitecturas u optimizaciones.

380


La metodología consiste en clases teóricas expositivas y auxiliares basadas en programación, y tareas a realizarse en grupos de 3 personas.

Se considera un control. Tanto los controles como las tareas consideran la revisión de literatura académica sobre el tema.

El curso se evaluará mediante: Perspectiva práctica: 2 tareas, la primera pondera

40% y la segunda un 60%.

Perspectiva teórica: Un control

Nota final: 60% práctica, 40% teórica. Tanto la perspectiva práctica como teórica deben ser aprobadas por separado.

UNIDADES TEMÁTICAS

N° Nombre de la Unidad Duración en Semanas

1 Introducción a Deep Learning 1

Contenidos Indicador de logro Referencias a la Bibliografía

I. Big data en las empresas y organizaciones.

II. Aplicaciones de redes neuronales profundas en la industria.

III. Librerías de programación para deep learning, conceptos básicos.

IV. Ejercitación en computación numérica.

V. Conceptos básicos de machine learning:

Algoritmos de aprendizaje.

Capacidad, overfitting y underfitting

Aprendizaje supervisado y no supervisado

Descenso estocástico de gradiente.

La y el estudiante demuestra que:

1. Comprende la importancia de las herramientas de deep learning y algunas aplicaciones a problemas presentados en las diferentes industrias.

2. Comprende el potencial de uso de estas herramientas en la era de la información.

3. Comprende los conceptos detrás de las librerías a utilizar para la aplicación de modelos de redes neuronales profundas.

4. Comprende conceptos básicos de machine learning y como el deep learning permite sobrepasar obstáculos presentes en esta área.

[1] Cap. II.5

[2] Cap I. 3.2 – 3.6, Cap 4.

381


2 Fundamentos en Deep Learning 1


I. Deep feedforward networks:

Aprendizaje basado en gradientes.

Diseño de arquitecturas.

Algoritmos de backpropagation y otros algoritmos de diferenciación.

II. Regularización en modelos deep learning: Penalización de parámetros.

Dropout

Aprendizaje adaptativo

III. Optimización para entrenar modelos de deep learning

Descenso de gradiente estocástico.

Inicialización de parámetros.

Método de aproximación de segundo orden.

IV. Metodología práctica:

Métricas de eficiencia

Búsqueda y selección de hiperparámetros.

Técnicas de debugging

V. Modelamiento de redes en Keras


1. Comprende los fundamentos teóricos de las redes neuronales feedforward.

2. Implementa redes neuronales utilizando paquetes especializados.

3. Conoce las métricas de eficiencia en el entrenamiento de las redes feedforward.

4. Aplica métodos de mejoramiento en el entrenamiento de las redes neuronales feedforward.

[1] Cap. II.5

[2] Cap I. 3.2 – 3.6, Cap 4.

N° Nombre de la Unidad Duración en

Semanas

3 Redes Neuronales Recurrentes y aplicaciones 4


I. Redes neuronales recurrentes (RNN) y

aplicaciones en problemas de la industria.

II. Long short term memory y GRU.

III. Redes neuronales bidireccionales.

IV. Arquitectura Encoder- Decoder.

V. Modelamiento de redes en Keras.

La y el estudiante demuestra que: 1. La y el estudiante demuestra que: 2. Comprende y aplica las estructuras básicas de las

redes neuronales recurrentes. 3. Comprende y aplica redes neuronales recurrentes

con variaciones en temporalidad y memoria. 4. Comprende y aplica estructuras más complejas

basadas en las estructuras de redes neuronales recurrentes.

5. Propone e implementa soluciones a problemas específicos de un área de la industria utilizando redes neuronales recurrentes y sus diferentes arquitecturas.

[1] Cap. II.10, II.12.

[2] Cap. II.6

382


4 Exposición de Tópicos Avanzados 1


I. Aplicaciones de arquitecturas combinadas.

II. Introducción a Autoencoders.

III. Introducción a modelos de estimación estocástica:

Mixture density network

Mixture density network con RNN.


1. Es capaz de enfrentarse a la literatura científica del área, permitiendo el autoaprendizaje en el estado del arte.

2. Comprende las arquitecturas, funcionalidades y posibles aplicaciones de modelos más avanzados en el ámbito.

[1] Cap 14

[3] Sección 4


Obligatoria:

1. Y. Goodfellow, Y. Bengio & A. Courville. “Deep Learning”, MIT Press, 2016. En línea: http://www.deeplearningbook.org

2. Francois Chollet. “Deep learning with Python”, Manning Publications, 2018.

Complementaria:

3. Graves, A. (2013). Generating sequences with recurrent neural networks. arXiv preprint arXiv:1308.0850.

4. Kaggle. Google online community of data scientist and machine learners. En línea: www.kaggle.com

5. Portal sobre deep learning. En línea: www.deeplearning.net 6. Listado de los papers en deep learning más citados. En línea:

http://github.com/terryum/awesome-deep-learning-papers 7. Tutoriales sobre deep learning. En línea: http://github.com/ujjwalkarn/Machine-Learning-

Tutorials 8. Curso online de G. Hinton en redes neuronales. En línea: www.coursera.org/learn/neural-

networks 9. Curso online de Andrew Ng en deep learning. En línea: www.coursera.org/specializations/deep-

learning Repositorio Keras. En línea: http://keras.github.com 10. TensorFlow playground. En línea: http://playground.tensorflow.org 11. NIPS. Conferencia en deep learning. 12. ICML – International Conference on Machine Learning.

Actualizado: Primavera 2019

Elaborado por: Ángel Jiménez, Francisco Díaz

Revisado por: Comisión de Docencia DII

383

32. IN7580 – Introducción a la Ciencia de Datos

Código Nombre

IN7580

Introducción a la ciencia de datos

Nombre en Inglés

Introduction of Data Science

SCT Horas de Cátedra Horas Docencia

Auxiliar

Horas de

Trabajo Personal

6 3 1,5 1,5


Electivo TI

Competencias a las que tributa el curso

CE2 Identificar problemas y/ u oportunidades de negocios, considerando un análisis

cualitativo y cuantitativo de la organización público o privada. Asimismo, diseñar y

aplicar procesos de cambio e innovación al interior de la organización.

CE4: Evaluar técnica y económicamente propuestas que generen soluciones de valor en

una organización o empresa, reconociendo las ventajas competitivas del uso de la

tecnología y alineándose a la lógica y necesidades del negocio.

CE5: Elaborar, implementar y promover propuestas tecnológicas derivadas de un análisis

continuo que conlleva el (re)diseño del negocio en donde se integran la gestión y las

TIC’s.

CG1: Comunicar y argumentar en forma oral y escrita, propuestas y resultados de proyectos

de negocio con TI, mediante el uso eficaz de técnicas de persuasión y de negociación,

considerando los diferentes contextos y audiencias.

CG2: Trabajar en equipos multidisciplinarios en diferentes situaciones, considerando el

abordar, de forma crítica y autocrítica, las diferentes materias inherentes a su

profesión, como también el asumir diferentes roles y tareas que implican colaboración

y liderazgo.

Propósito del curso

El curso Introducción a la ciencia de datos tiene como propósito que el estudiante

aplique herramientas y metodologías de data science a un problema o necesidad en la

industria a fin de identificar y comprender un problema y sus variables, modelarlo y

evaluar los resultados de la solución propuesta.

384

Resultados de Aprendizaje Competencia a la

que tributa (CE–

CG)

RA1: Identifica, con su equipo, un problema de ciencia de los datos, aplicando

metodologías de análisis (KDD o CRISP - DM), a fin de proponer una solución a

una necesidad específica de una empresa o detectar patrones y relaciones

ocultas en los datos.

CE2–CG2

RA2: Utiliza herramientas de análisis (Python, R o rapidminer) con sus

respectivas metodologías, pre procesando datos y visualizando resultados, a fin

de aplicarlas a problemas de data science.

CE5

RA3: Modela un problema de ciencia de los datos, considerando hipótesis de

trabajo, variables, selección de atributos, a fin de proponer mejoras a las

necesidades de una empresa, cuyos resultados explica de manera clara y

coherente.

CE5–CG1

RA4: Determina la coherencia entre los resultados aportados por data science y

la propuesta de solución a un problema de negocio, contrastando dichos

resultados, a fin de evaluar y determinar puntos de mejora a la propuesta.

CE4


La metodología se basa en:

- Talleres Prácticos.

- Laboratorios.

- Proyecto Final.

La evaluación es de proceso y contempla:

-Talleres Prácticos (60%).

Los alumnos desarrollaran en clases tareas aplicando

las técnicas entregadas en el curso.

-Estudio Final (40%).

Los estudiantes deberán escoger un problema y aplicar

una o más modelos sobre datos propios para aportar

una solución.

385

Unidades Temáticas

Número RA al que tributa Nombre de la Unidad Duración en Semanas

1 RA1 Identificación de un problema de

Ciencia de Datos

4

Contenidos Referencias a la

Bibliografía

1.1. Definiciones básicas (ciencia de datos y Data Scientists).

1.1.1. Evolución de la minería de datos.

1.1.2. Actualidad en Inteligencia de Negocios.

1.1.3. Ejemplos, contexto, aplicaciones.

1.1.4. Datos e información.

1.1.5. Metodologías KDD – CRISP DM.

1.1.6. Data Manipulation – Analytics – Visualization.

1.1.7. Aprendizaje supervisado/no supervisado.

1.2. Clasificadores y clustering.

1.2.1. Identificación de problemas.

1.2.2. Planteamiento de problema/solución.

1.2.3. Entendimiento del problema, datos y tipos de soluciones.

1.2.4. Recopilación/exploración de datos e información

1.3. Definición y selección de variables.

1.3.1. Identificación de problemas.

1.3.2. Planteamiento de problema/solución.

1.3.3. Comprensión del problema, datos y tipos de soluciones.

1.3.4. Recopilación/exploración de datos e información.

1.4. Definición y selección de variables.

(4) Schutt, R., & O'Neil,

C. (2013). Doing

data science:

Straight talk

from the

frontline.

"O'Reilly

Media, Inc.".

[1] I. Witten y

E. Frank, Data

Mining:

Practical

Machine

Learning Tools

and

Techniques, 3d

ed. Morgan

Kaufmann,

2011.

386


2 RA2 Pre-procesamiento de datos 2


Bibliografía

2.1. Trabajar con missing values.

2.2. Balanceo de clases.

2.3. Imputación de datos.

2.4. Outliers.

2.5. Transformación de datos.

2.6. Reducción de dimensionalidad.

(1) Witten, I. H.,

Frank, E., Hall, M.

A., & Pal, C. J.

(2011). Data

Mining: Practical

machine learning

tools and

techniques. 3era

Edición. Morgan

Kaufmann.

(3) Kuhn, M., &

Johnson, K. (2013).

Applied predictive

modeling.

Springer.


3 RA2, RA3 Técnicas básicas de minería de

datos

1


Bibliografía

3.1. Muestreo.

3.2. Training–validation–testing.

3.3. Sobreajuste.

3.4. Hold out y k-fold cross validation.

3.5. Medidas de evaluación de modelos (accuracy, precision, recall).

3.6. Regresión lineal y logística.

(1) James, G., Witten, D.,

Hastie, T., & Tibshirani, R.

(2015). An Introduction to

Statistical Learning.

Springer.

387


4 RA2, RA3 Modelos de minería de datos 7

Contenidos Referencias a la Bibliografía

4.1. Técnicas avanzadas de clasificación (SVM, NN, DT, RF, Naive-

Bayes).

4.2. Minería de textos y de opiniones.

4.3. Clustering (Jerárquicos, K-Means, Fuzzy C-means, dbscan,

optics).

4.4. Sistemas de recomendación.

4.5. Minería de redes sociales.

(1) James, G., Witten, D.,

Hastie, T., & Tibshirani, R.

(2015). An Introduction to

Statistical Learning. Springer.

(6) Murphy, K. P. (2015).

Machine Learning: A

Probabilistic Perspective.

Machine Learning: A

Probabilistic Perspective. The

MIT Press.


5 RA4 Interpretación de datos 1

Contenidos Referencias a la Bibliografía

5.1. Visualización, data products y análisis de datos visuales.

5.2. Provenance, privacy, ethics and governance.

5.3. Tendencia de la minería de datos.

(1) Witten, I. H., Frank, E.,

Hall, M. A., & Pal, C. J. (2011).

Data Mining: Practical

machine learning tools and

techniques. 3era Edición.

Morgan Kaufmann.


Bibliografía obligatoria

[1] I. Witten y E. Frank, Data Mining: Practical Machine Learning Tools and Techniques, 3d ed.

Morgan Kaufmann, 2011.

[2] James, Gareth, et al. An introduction to statistical learning. Vol. 6. New York: Springer, 2013.

[3] Kuhn, M., & Johnson, K. (2013). Applied predictive modeling. Springer.

[4] Schutt, R., & O'Neil, C. (2013). Doing data science: Straight talk from the frontline. "O'Reilly

Media, Inc.".

Bibliografía complementaria

388

.


Elaborado por: Sebastián Ríos, Constanza Contreras, Jorge Retamales

Validado por: Comité de docencia

Revisado por: Andrea Matamoros (asesora curricular)

33. IN5523 – Data Warehousing

Código Nombre

IN5523 DATA WAREHOUSING

Nombre en Inglés

Data Warehousing

Créditos Horas de Cátedra Horas Docencia


Personal

6 3.0 1.5 5.5


IN3501 Tecnologías de Información y Comunicaciones para la Gestión o CC3001 Algoritmos y Estructura de Datos o AUTOR



Competencias de Egreso

Concebir soluciones a los problemas que surgen en las organizaciones, utilizando los conocimientos provenientes de las tecnologías de información y comunicaciones.

Emprender e innovar en el desarrollo de soluciones a problemas de ingeniería, demostrando iniciativa y capacidad de toma de decisión.

Comunicar ideas y resultados de trabajos profesionales o de investigación, en forma escrita y oral, a un cliente.

Gestionar mediante auto-aprendizaje en el desarrollo del conocimiento en el área TI de su profesión, adaptándose a los cambios del entorno.


Entregar las capacidades necesarias para diseñar y construir repositorios de información, orientados a la toma de decisiones de gestión de los usuarios en una empresa real.

[5] J. Hernández Orallo, M. J. Ramírez Quintana, C. Ferri, Introducción a la minería de datos,

Pearson Prentice Hall, 2004

[6] Murphy, Kevin P. Machine Learning: a probabilistic perspective. MIT press, 2015.

389


El objetivo de este curso es proveer de capacidades de diseño y análisis de tecnologías de Data Warehouse y cómo afecta el valor estratégico de los datos. A través del material visto en clases y el proyecto de implementación se espera que el alumno adquiera los siguientes conocimientos y habilidades:

Aplicaciones de negocio para un Data Warehouse.

Levantamiento e implementación de un proyecto Data Warehouse.

Ciclo de desarrollo de un Data Warehouse.

Análisis de requerimientos para un Data Warehouse.

Modelamiento de datos para un Data Warehouse.

Técnicas de creación, control y navegación de bases de datos dimensionales del negocio.

Integración de datos para un Data Warehouse.

Gestión de datos para un Data Warehouse. OLAP, proceso de análisis online de datos.


Este curso tiene una connotación teórico práctica, es decir, durante las clases de cátedra se estudiará la teoría que sustenta el desarrollo de un proyecto de Levantamiento e implementación de un proyecto Data Warehousing, desde el punto de vista del negocio como así también del punto de vista de la implementación del mismo.

Luego se aplicará la teoría a la resolución de casos simples, que permitirán al alumno prepararse para desarrollar con éxito el proyecto del curso. Éste tiene como objetivo primario entregar la práctica necesaria para llevar con éxito el diseño e implementación de un Levantamiento e implementación de un proyecto Data Warehouse real.

Durante el curso se realizarán controles de forma de evaluar el aprendizaje logrado en el curso y sesiones de presentación que permitirán al alumno adquirir los conocimientos técnicos y prácticos para el desempeño del proyecto.

El curso consiste de 3 notas, presentación

(NP), informes (NI) y controles (NC). El cálculo

de esas notas se efectúa de la siguiente forma:

NC = Promedio de controles (∑ Ci)/n,

donde Ci son las notas de los controles no

eliminados, de acuerdo a las reglas del

curso.

Las ponderaciones para el cálculo de

las notas de presentación e informes son:

9%, 17%, 23% y 51%.

NF = Promedio final del curso se calcula

como (∑ wi*Pi), donde Pi son las notas de

presentaciones, informes y controles y

wi, la ponderación que tiene cada

entrega, siendo estas 25%, 25% y 50%

respectivamente.

En caso de que el alumno rinda el

examen, la nota final se calcula de la

siguiente forma.

(0,6*NC+0,4*EX)*0,5+NI*0,25+NP*0,25

La condición para aprobar el curso es:

NP >= 4.0, NI >= 4.0 y

(NC*0.6+EX*0.4)>=4

390

UNIDADES TEMÁTICAS


1 Herramientas TI 1


Bibliografía

1. Conceptos básicos en TI. 2. SQL. 3. Scrapping.

Aprendizaje sobre algunas herramientas que ayudan en el desarrollo de un DW, pero también en temas TI en general.

3,7,8


2 INTRODUCCIÓN AL DATA WAREHOUSING 1


Bibliografía

1. Conceptos básicos. 2. Historia del procesamiento de

información. 3. Data Warehouse y el negocio. 4. Sistemas operacionales v/s

Información. 5. Arquitectura de un Data

Warehouse. 6. Extracción de la información. 7. El problema de la integridad

de los datos. 8. La información en la toma de

decisiones. 9. Business Intelligence.

Aprendizaje sobre la visión general de la importancia de las bases de datos en el campo de Business Intelligence.

3,7,8

391


3 PROYECTOS DE DATA WAREHOUSE 2


Bibliografía

1. Ciclo de vida de un Data Warehouse.

2. Definición y estudio de factibilidad (técnico/económico) de un proyecto de Data Warehouse.

3. Requerimientos de los clientes.

4. Planificación del proyecto de data warehouse.

5. Equipo de desarrollo.

Aprendizaje sobre el levantamiento y gestión de proyectos TI y como aplicarlo en la construcción de un Data Warehouse o un Data Mart.

5,8


4 MODELOS DE DATA WAREHOUSE Y OPERACIONES

DE OLAP

3


Bibliografía

1. Data Warehouse y el negocio. 2. Sistemas operacionales v/s

Información. 3. Arquitectura de un Data

Warehouse. 4. Extracción de la información. 5. El problema de la integridad

de los datos. 6. La información en la toma de

decisiones.

7. Business Intelligence. 8. Definición de un Data

Warehouse. 9. La arquitectura de un Data

Warehouse. 10. Data Warehouse DBMS. 11. Datamart.

Dimensiona y modela la base de datos del negocio para fines de Business Intelligence.

1,3,4,6,8

392


5 DISEÑO FÍSICO DEL DATA WAREHOUSE 3


Bibliografía

1. Agregación e índices.

2. Data Staging.

3. Arquitectura Física

Aprendizaje sobre la implementación física del datawarehouse.

1,3


6 INTEGRACIÓN DE DATOS PARA UN DATA WAREHOUSE 2


Bibliografía

1. Proceso ETL. 2. Calidad de datos. 3. Transformación de datos. 4. Carga de datos. 5. Mejores prácticas ETL. 6. Metadatos.

Aprendizaje sobre la implementación física del datawarehouse.

1,3,2


7 CONSULTAS AL DATA WAREHOUSE 1


Bibliografía

1. Herramientas para el front- end

2. Tunning de queries.

Aprendizaje sobre el uso de un datawarehouse para extracción de información.

1,3


8 APLICACIONES DE DATA WAREHOUSE 1


Bibliografía

1. Dashboards.

2. Visualizaciones.

3. Data Warehousing con

tecnologías de Big Data.

Aprendizaje sobre aplicaciones que pueden funcionar apoyándose con la arquitectura de un Data Warehouse.

5,1,2,7,8

393


1. R. Kimball, M. Ross. “The Data Warehouse Toolkit: The complete guide to dimensional modeling”. Wiley 2002.

2. R. Kimball, J. Caserta. “The Data Warehouse ETL Toolkit: Practical techniques for extracting, cleaning, conforming and delivering data”. Wiley 2004.

3. W. D. Back, N. Goodman. “Mondrian in Action: Open Source Business Analytics”. Manning 2014.

4. W. Inmon, M. Moss. “Building the Data Warehouse”. Wiley 2002. 5. V. Poe, P. Klawuer, S. Brost. “Building a Data Warehouse for decision support”. Prentice

Hall 1998. 6. T.W. Miller. “Data and text mining: a business application approach”. Prentice Hall 2005. 7. M. Jarke, M. Lenzerini, Y. Vassiliou, P. Vassiliadis. “Fundamentals of Data Warehouse”.

Springer Verlag 1999. 8. M. Marakas. “Modern Data Warehouse, mining, and visualization”, Prentice Hall 2003. 9. P. Ponniah, “Data Warehousing Fundamentals”. Wiley 2001. 10. T. Wigodski. “Sobre el Oportunismo en los Negocios”. JC Sáez 2016.


Elaborado por: Héctor Álvarez y Felipe Vildoso

Validado por:


34. IN5528 – Introducción a Big Data

Código Nombre

IN 5528 INTRODUCCIÓN A BIG DATA

Nombre en Inglés

Introduction to Big Data

Créditos Horas de Cátedra Horas Docencia


Personal

6 3,0 1,5 5,5


IN3501 Tecnologías de Información y Comunicaciones para la Gestión o CC3201 Bases de Datos IN4901 Práctica Profesional I o AUTOR



Competencias de Egreso

Concebir soluciones a los problemas que surgen en las organizaciones, utilizando los conocimientos provenientes de las tecnologías de información y comunicaciones.

Comunicar ideas y resultados de trabajos profesionales o de investigación, en forma escrita y oral.

Gestionar su auto-aprendizaje en el desarrollo del conocimiento de su profesión, adaptándose a los cambios del entorno.

394


Hoy en día, se están obteniendo grandes cantidades de datos tanto estructurados como no estructurados, ante esto, nace la necesidad de entregar a los alumnos de ingeniería industrial conocimientos relacionados con Big Data para que puedan concebir nuevas soluciones a problemas que puedan surgir en todo tipo de organizaciones. Para llevar a cabo lo anterior, el cuerpo docente impartirá tanto clases teóricas como prácticas, además de diversas actividades que realizarán los estudiantes durante el curso haciéndolos agentes activos durante la realización del curso.


Al finalizar el curso, el estudiante es capaz de: 1. Utilizar la arquitectura Lambda para poder construir una solución a un problema de Big

Data. 2. Tener una intuición de aprendizaje de máquinas, sabiendo calcular, interpretar y presentar

los resultados de la performance de un modelo. 3. Usar herramientas de visualización de datos.


395

Este curso tiene una connotación teórico-práctica, por lo que, la metodología de trabajo consiste en:

Clases de Cátedra.

Clases Auxiliares.

Desarrollo de Tareas Grupales.

Presentaciones Orales.

Lecturas y Análisis de Casos.

El curso consta de 2 notas: tareas (NT) y controles (NC). El

cálculo de esas notas se efectúa de la siguiente forma:

Donde es la nota del control i, es la nota de la tarea i

y , la ponderación que tiene cada una de ellas.

Las tareas son grupales y la nota se calcula en

base a una coevaluación:

Si R es la nota obtenida en la tarea y el grupo es de m

personas, cada integrante debe dar una nota a cada

uno de sus compañeros, incluyéndose a sí mismo, sin

superar puntos en total.

Entonces, si se denota a la nota que el integrante

j le da al integrante k, la nota de la tarea i para el

integrante k está dada por:

Sujeto a:

El alumno puede eximirse de dar el examen si

En este caso, la nota final (NF) corresponde al

promedio simple entre NC y NT.

Al final del curso, se puede aplicar un factor α ∈

(1,1.03] sobre NF cuando la participación del alumno

es excepcional.

En caso de que el alumno rinda el examen, la nota

final se calcula de la siguiente forma.

• La condición para aprobar el curso es:

396

UNIDADES TEMÁTICAS


1 Introducción a Big Data 3


Bibliografía

1. Un nuevo paradigma para Big

Data

a. Escalando con bases de datos

tradicionales.

b. Bases de datos NoSQL.

c. Primeros principios.

d. ¿Qué es lo que deseamos en

un sistema Big Data?

e. Problemas con arquitecturas

completamente

incrementales.

f. Arquitectura Lambda.

g. Tendencias en tecnología.

2. Data Science y ‘Data Products’

basados en objetivos

Aprendizaje de los principios de los sistemas de datos y dar una visión general de la Arquitectura Lambda.

1,2,3


2 Batch Layer 4


Bibliografía

397

1. Modelo de datos para Big Data

a. Las propiedades de los datos.

b. Modelo basado en hechos

para representar la data.

c. Esquemas gráficos.

2. Almacenamiento de datos en la

Batch Layer

a) Requisitos de

almacenamientos para el

dataset maestro.

b) Escogiendo una solución de

almacenamiento.

c) Como funciona un sistema de

archivos distribuidos.

d) Almacenando un dataset

maestro en un sistema de

archivos distribuidos.

3. Aprendizaje de Máquinas

a) ¿Qué es y cuándo surge?

b) Herramientas.

c) Tipos de Aprendizaje de

Máquinas.

d) Aplicaciones.

e) Indicadores que permitan

evaluar la performance de un

modelo

f) Visualización de la

performance de un modelo.

4. Batch Layer

a) Computación en la Batch

Layer

b) Algoritmos recomputados vs

algoritmos incrementales.

c) Escalabilidad en la Batch

Layer.

d) MapReduce: un paradigma

para Big Data.

Aprendizaje sobre el modelamiento de un master dataset, utilizando procesamiento por batch para crear vistas arbitrarias de sus datos, así como las ventajas y desventajas entre el procesamiento gradual y por lotes. Además, se adquiere una noción general de aprendizaje de máquinas, junto con los indicadores que permiten evaluar la performance de la performance de un modelo.

1,2,4

398


3 Serving Layer 1


Bibliografía

1. Serving Layer

a) Métricas de rendimiento para

la Serving Layer.

b) Solución para el problema de

normalización/desnormalizaci

ón.

c) Requisitos para una base de

datos Serving Layer.

d) Contrastando con una

solución completamente

incremental.

Aprendizaje acerca de las bases de datos especializadas que sólo se escriben de forma masiva y que éstas son dramáticamente más simples que las tradicionales, dándoles un excelente rendimiento, funcionamiento, y las propiedades de robustez.

1,2,5


4 Speed Layer 2


Bibliografía

1. Vistas en tiempo real

a) Computando en vistas en

tiempo real.

b) Almacenando vistas en

tiempo real.

c) Desafíos de la computación

incremental.

d) Actualizaciones asíncronas vs

síncronas.

2. Mining Text Unsupervised Data

Mining

3. Procesamiento en stream y

queuing.

a) Queuing.

b) Procesamiento en stream.

Aprendizaje de las bases de datos NoSQL y procesamiento en stream. Además de procesamiento en batch incrementales, las variantes de la arquitectura básica Lambda, y cómo obtener el máximo provecho de sus recursos.

1,2,5

1


5 Arquitectura Lambda en Profundidad 1


Bibliografía

1. Arquitectura Lambda en

profundidad.

a) Definición de un sistema de

datos.

b) Batch y Serving Layers.

c) Speed Layer.

d) Query Layer.

Procesamiento en batch incrementales, las variantes de la arquitectura básica Lambda, y cómo obtener el máximo provecho de sus recursos.

1


6 Visualización 1


Bibliografía

1. Visualización con librería D3.

2. Visualización de grafos.

Aprendizaje sobre herramientas que se utilizan para visualización en Big Data.

6,7


1. Nathan Marz y James Warren. “Big Data: Principles and best practices of scalable realtime data systems”. Manning 2015.

2. Foster Provost y Tom Fawcell. “Data Science for Business: What you need to know about data mining and data-analytic thinking”. 2013

3. Bernard Marr. “Big Data: Using SMART Big Data, Analytics and Metrics To Make Better Decisions and Improve Performance”. 2015

4. Tom White. “Hadoop: The Definitive Guide”. O’Reilly 2015 5. Mat Brown. “Learning Apache Cassandra”. 2015 6. Corey L. Lanum “Visualizing Graph Data” 2016 7. Elijah Meeks “D3.js” 2015 8. Henry Brink, Joseph W. Richards, Mark Fetherolf “Real World Machine Learning” 2016


Elaborado por: Felipe Vildoso

Validado por:


2

35. IN5724 - Métodos aplicados de análisis de datos

Código Nombre

IN5724 Métodos aplicados de análisis de datos

Nombre en Inglés

Applied methods in analytics

SCT Unidades Docentes Horas de Cátedra Horas Docencia

Auxiliar

Horas de Trabajo

Personal

6 10 3 1.5 5.5


MA3403 Probabilidades y Estadística,

IN3701 Modelamiento y Optimización o MA3701 Optimización,

IN4402 Aplicaciones de Probabilidad y Estadística en Gestión

Electivo de especialidad de

ingeniería civil industrial,

Competencias a las que tributa el curso

Competencias específicas:

CE1: Concebir las diversas necesidades y aplicaciones tanto en organizaciones como en industrias y sus

diferentes áreas funcionales (marketing, finanzas, operaciones, economía) de análisis de datos,

vislumbrando la potencial creación de valor subyacente.

CE2: Desarrollar habilidades de presentación oral siendo capaz de transmitir de manera clara, concisa, y

convincente el trabajo desarrollado y el valor inherente a los resultados obtenidos en el proyecto del curso.

Competencias genéricas:

CG1: Entender el objetivo, uso, teoría, y limitaciones de los diferentes métodos de análisis y predicción de

datos supervisados y no supervisados.

CG2: Desarrollar habilidades de trabajo en equipo en un proyecto con datos reales.

CG3: Desarrollar habilidades prácticas en la aplicación de los modelos en un proyecto aplicado con datos

reales, dando respuestas a problemáticas concretas.

Propósito del curso

El curso IN XXXX, Machine Learning, tiene como propósito interiorizar al estudiante en el estudio teórico y

práctico de diversas herramientas del área de análisis y predicción de datos. Tales competencias presentan

una creciente demanda de prácticamente todas las industrias, desde un centro clínico que desea computar

la probabilidad de que un paciente viva más de X meses dado su historial, a un centro de aduanas que

desea predecir la probabilidad de que un importe tenga elementos prohibidos según sus características.

Asimismo, las aplicaciones abarcan las diferentes áreas dentro de la ingeniería civil industrial, como

operaciones, marketing, finanzas, economía, y otros; e incluso aplicaciones de otras ingenierías. Por esta

razón, este curso se presenta como una oportunidad para que futuros ingenieros civiles industriales

posean las herramientas necesarias para crear valor donde no lo hay. Los estudiantes aprenderán diversos

modelos de aprendizaje supervisado y no supervisado, entendiendo las ventajas y desventajas de cada

uno, como su aplicabilidad acorde al contexto. Dentro de cada método a ver, se presentará éste desde su

teoría, funcionamiento, parámetros, y objetivo; prosiguiendo con la aplicación práctica de cada método

en un lenguaje de computación resolviendo un ejemplo con datos reales.

Al final del curso, los alumnos deben hacer un proyecto en grupo en donde apliquen los modelos vistos en

el curso sobre una base de datos para dar respuesta a una pregunta de interés. Además de lo anterior, se

planea tener una charla con una persona de la industria que muestre una aplicación de modelos de

machine learning sobre una problemática real.

3


CE1-RA1: Vislumbrar la gama de problemas a los que los métodos de análisis de datos se evocan,

entendiendo el valor que esta área está generando el mundo actual en los más diversos campos.

CG1-RA2: Estudio de diferentes métodos supervisados de análisis de datos visto desde su perspectiva

teórica como práctica. Esta última vista desde ejemplos como en el mismo desarrollo de las metodologías

mediante herramientas computacionales.

CG1-RA3: Aprendizaje de herramientas de análisis de datos no supervisados. Entendiendo la naturaleza

de problemas y aplicaciones en donde estos métodos son útiles como factibles.

CE2-CG2-CG3-RA4: Aplicación de las metodologías vistas en el curos a un proyecto grupal con datos reales,

determinando el poder y valor en los modelos trabajados en la interrogante del caso particular.

Exponiendo así los resultados obtenidos en una manera clara y concisa.


La metodología de trabajo es activa y

contempla instancias tales como

- Clases expositivas

- Clases prácticas

- Charla

- Presentaciones proyecto

La evaluación es de proceso y contempla:

- Tareas

- Proyecto

Unidades Temáticas


1 RA1 Introducción 1,0


1.1. Introducción a machine learning.

El estudiante:

1. Identifica el propósito y la

naturaleza de problemas a los

que se avoca el área de

aprendizaje de máquinas.

2. Conoce conceptos técnicos

básicos del área con aplicación

transversal en los diferentes

métodos a ver en el resto del

curso.

3. Identifica aplicaciones de las

diversas áreas de la ingeniería

industrial como de otras

ingenierías que hacen uso de

machine learning.

(1) Capitulo 2 “Introduction to

Statistical Learning”

(2) Capitulo 1 “Introduction to

Machine Learning”

(3) Mullainathan y Spiess

“Machine Learning: An

applied econometric

approach”

(4) Liberman et al “The

Equilibrium Effects of

Information Deletion:

Evidence from Consumer

Credit Markets”


2 RA1–RA2 Métodos supervisados de predicción

de datos

6,5

4


2.1. Regresión Lineal

2.2. Logit

2.3. Árboles de Clasificación

2.4. Random Forest

2.5. SVM

2.6. Nearest Neighbour

El estudiante:

1. Estudio del marco teórico de

diversas herramientas de

predicción supervisada.

2. Identifica las posibilidades al

alcance como las limitaciones de

los métodos supervisados,

entendiendo las ventajas y

desventajas de cada uno de

éstos.

3. Aplica de manera práctica los

diferentes métodos sobre datos

reales mediante un software,

aprendiendo el lenguaje y los

comandos necesarios del

lenguaje para la ejecución

práctica de los modelos de

predicción de datos.

(1) SVM: Capitulo 9

“Introduction..”Cap. 13

“Introdcution to ML.”

(2) RL: Capitulo 3

“Introduction..”

(3) Logit: 4.3 “Introduction..”

(4) RF: Capitulo 8

“Introduction..”

(5) NM: Capitulo 13

“Elements of Statistical

Learning”

(6) AC: Cap. 4:

“Introduction..” Cap. 9

“Indruction to ML”


3 RA1–RA3 Métodos no supervisados 4,5


3.1. K-means

3.2. Hierarchical Clustering

3.3. Análisis de Componentes

Principales (ACP)

3.4. Mixtura de Gaussianas

El estudiante:

1. Estudio del marco teórico de

diversas herramientas de

predicción no supervisada.

2. Identifica las posibilidades al

alcance como las

limitaciones de los métodos

no supervisados,

entendiendo las ventajas y

desventajas de cada uno de

éstos.

3. Aplica de manera práctica

los diferentes métodos

sobre datos reales mediante

un software, aprendiendo el

lenguaje y los comandos

necesarios del lenguaje para

la ejecución práctica de los

modelos no supervisados.

(1) K-means: “Introduction

to Statistical Learning”

10.5.1

(2) HC: “Introduction to


10.5.2

(3) ACP: “Introduction to


10.2

(4) MG: “Pattern

Recognition and

Machine Learning

(Information, Science,

and Statistics)” 9.2

5


4 RA4 Aplicación de métodos de

machine learning

3,0


4.1 Charla: Aplicaciones de

Machine Learning en el

mundo de la industria

4.2 Elementos de una buena

presentación

4.3 Presentaciones de proyecto

de curso

El estudiante:

4. Expone al curso de manera

concisa los principales

resultados obtenidos de los

modelos de análisis de datos

aplicados a su proyecto.

5. Aplica las herramientas

vistas a lo largo del curso en

una problemática aplicada

con un impacto en una

determinada área.

6. Pone en práctica elementos

del discurso y la expresión

oral en público.

(1)

6


Bibliografía obligatoria:

1. James, G. y D. Witten y T. Hastie y R. Tibshirani (2017) “An Introduction to Statistical Learning:

with Applications in R (Springer Texts in Statistics)”, Springer.

2. Alpayden, E. “Introduction to Machine Learning” Third Edition. PHI

3. Mullainathan S, Spiess J. “Machine learning: an applied econometric approach”. J Econ

Perspect. 2016

Bibliografía complementaria:

4. Hastie, T. y R. Tibshirani y J. Friedman (2009), “The Elements of Statistical Learning: Data

Mining, Inference, and Prediction, Second Edition (Springer Series in Statistics)” Springer.

5. Liberman, A. y C. Neilson y L. Opazo y S. Zimmerman, “The Equilibrium Effects of Information

Deletion: Evidence from Consumer Credit Markets”, NBER WP 25097.

6. Christopher M. Bishop, “Pattern Recognition and Machine Learning (Information, Science, and

Statistics)”, Springer

Bibliografía por unidad: Unidad

1:

(1) Capitulo 2 “Introduction to Statistical Learning”

(2) Capitulo 1 “Introduction to Machine Learning”

(3) Mullainathan y Spiess “Machine Learning: An applied econometric approach”

(4) Liberman et al “The Equilibrium Effects of Information Deletion:

Evidence from Consumer Credit Markets”

Unidad 2:

(1) SVM: Capitulo 9 “Introduction..”Cap. 13 “Introdcution to ML.”

(2) RL: Capitulo 3 “Introduction..”

(3) Logit: 4.3 “Introduction..”

(4) RF: Capitulo 8 “Introduction..”

(5) NM: Capitulo 13 “Elements of Statistical Learning”

AC: Cap. 4: “Introduction..” Cap. 9 “Indruction to ML”

Unidad 3:

(1) K-means: “Introduction to Statistical Learning” 10.5.1

(2) HC: “Introduction to Statistical Learning” 10.5.2

(3) ACP: “Introduction to Statistical Learning” 10.2

(4) MG: “Pattern Recognition and Machine Learning (Information, Science, and Statistics)” 9.2:


Elaborado por: Cristóbal Huneeus, Charles Thraves

Validado por: Comisión de Docencia DII

Revisado por: Comisión de Docencia DII

7

36. IN71K – Gestión de Operaciones en la Industria de Servicios

REQUISITOS

IN34A, MA34A o equivalentes.

Carácter

Obligatorio de Magíster en Gestión de Operaciones y del Doctorado

Sistemas de Ingeniería y Electivo de Ingeniería Civil Industrial.

en

Semestre

Primavera 2006

I.- OBJETIVOS

Proporcionar nociones concretas sobre Marketing de Servicio; sus principales conceptos, su

naturaleza y los elementos diferenciadores con el Marketing de Productos.

Entregar herramientas de análisis y gestión para el desarrollo estratégico de servicios.

Potenciar las capacidades de comunicación y análisis estratégico, a través de la

participación continua y activa de los alumnos en el desarrollo del programa.

II.- CONTENIDO

Introducción al Marketing de Servicios: ¿Qué son los servicios? Diferencias entre Productos y Servicios (Bienes tangibles v/s Bienes intangibles) Características de los servicios (H I P I: heterogéneos, intangibles, perecederos e inseparables) Marketing Mix de Servicios (oferta y producción de servicios, precio, comunicación e intermediación)

La oferta de servicios:

Análisis estratégico

Tipos de servicios que integran la oferta Servicios de base derivados Línea y Gama de Servicios Paquetes de oferta

La producción de los servicios:

Personal (contacto y

apoyo) ClienteLos otros clientes

Soporte físico

8

Precio e Intermediación:Problemática de los precios de los servicios Criterios y tácticas Distribución vs Intermediación Estrategias de intermediación Logística y venta de servicios

Calidad en los servicios:

Calidad externa, calidad interna y calidad en el entorno Expectativas v/s Percepciones Indicadores y evaluación de la calidad

Resolución de Casos de Negocio:

Singapore Airline Starbucks Coffee Celebrity Cruises, Inc.

Four Seasons Hotels and Resorts.

III.- METODOLOGIA

1.- Clases magistrales.

Su finalidad es aproximar a los alumnos a los conceptos y técnicas del Marketing de

Servicio.

2.- Ejercicios prácticos durante clases

Los ejercicios prácticos tendrán un doble objetivo, primero que el alumno pueda

visualizar y tangibilizar los principales conceptos de Marketing de Servicios y, segundo la

aplicación de los principales conceptos de marketing de los servicios y en la toma de

decisiones. Para esto se realizarán ejercicios prácticos individuales, de manera de

materializar la teoría expuesta.

3.- Tareas y Casos prácticos

Con la intención de conseguir una visión global de la asignatura, se considera la

realización de tareas y casos prácticos. La idea es que el alumno pueda discutir y

reflexionar con su grupo de estudio sobre la aplicación de los conceptos teóricos

entregados.

En total habrá 6 tareas y un caso obligatorio. Las tareas son voluntarias, sin embargo, al

final del curso, el alumno debe haber realizado al menos 3 de las tareas voluntarias,

además del caso obligatorio.

4.- Directivos invitados

Con el propósito de que los alumnos obtengan de primera fuente comentarios y

experiencias sobre la aplicación de técnicas y conceptos se considera la visita de al menos 4 directivos pertenecientes a empresas de servicios.

9

5.- Trabajo final

Grupalmente, los alumnos deberán resolver un último caso que engloba todos los

elementos entregados. El caso será entregado en la primera quinta, de manera que su

resolución pueda ser hecha a lo largo del curso.

IV.- CALENDARIO DE EVALUACIONES

Sesión 7/08 : Tarea nº 1

Sesión 21/08: Tarea nº 2 Sesión 4/09 : Tarea nº 3

Sesión 25/10 : Tarea nº 4 Sesión 02/10 : Tarea nº 5

Sesión 02/10 : Caso Obligatorio Singapore Sesión 16/10 : Caso Obligatorio Starbucks Sesión 23/10 : Presentaciones Caso Obligatorio Celebrity Cruises Sesión 12/11 : Presentaciones Final-Examen Four Seasons

Construcción de la nota final del curso

CONCEPTO NOTA FINAL

Asistencia mínima 80% de las clases 10%

Asistencia 100% presentación invitados

Tareas 20% El alumno debe realizar al menos 3 de un total de 5 tareas

Caso Obligatorio 1 5%

Caso Obligatorio 2 10%

Caso Obligatorio 3

Presentación 10%

Informe escrito 10%

Trabajo final

Presentación 15%

Informe escrito 20%

10

V.- PROGRAMA

Sesión TEMA

1 y 2 Introducción a los Servicios:

- La importancia de los servicios en la economía actual Fecha - ¿Qué son los servicios? 24/07 - Tendencias que afectan o actúan sobre el sector servicios.

- Características de los servicios

Prof. - Diferencias entre Productos y Servicios (Bienes tangibles vs Bienes

PG intangibles)

- Tipos de Servicios

Las reglas del juego para el curso 3 y 4 Características HIPI y Marketing Mix en los servicios

- Características de los servicios (H I P I: heterogéneos, intangibles,

Fecha perecederos e inseparables) 31/07 - Alternativas de clasificación de servicios

- Marketing Mix de Servicios (oferta y producción de servicios, precio,

Prof. comunicación e intermediación)

PG

Tarea nº 1:

Uso de las características HIPI para obtener ventajas estratégicas de los servicios

5 y 6 La oferta de servicios:

- Análisis estratégico - Tipos de servicios que integran la oferta - Servicios de base derivados

Fecha - Línea y Gama de Servicios

7/08 - Paquetes de oferta

Diseño de esquemas de servicios Prof. - Herramientas para la construcción de un esquema de servicios

HP - Componentes - Ventajas del esquema de servicios

Plazo de entrega de Tarea nº 1 Tarea nº 2 Representar de manera exhaustiva un servicio. Orientado a identificar los puntos clave de un servicio.

11

7 y 8 La producción de los servicios:

Fecha - Personal de contacto 21/08 o Roles del personal de Contacto

-

o La problemática del personal de contacto

Prof. Personal de apoyo

PG o La problemática del personal de apoyo

Directivo Invitado: Gerente Corporativo de Servicios Compartidos, CODELCO

Plazo de entrega Tarea nº 2

9 y 10 La producción de los servicios:

Fecha - Los clientes

28/08 o Participación en el proceso productivo

o Educación Prof.

- o Riesgos

PG Los otros clientes - Soporte físico o Tecnología

o Mobiliario

o Elementos de representación

Directivo Invitado: Gerente de Servicio de empresa de telecomunicaciones

Tarea nº 3

Descripción del uso estratégico de la producción de los servicios

11 y 12 Precio:

- Problemática de los precios de los servicios

Fecha - Criterios y tácticas

4/09

Directivo Invitado:

Prof. Gerente de Servicio de Hotel

HP


13 y 14 Intermediación:

- Distribución v/s Intermediación

Fecha - Estrategias de intermediación

11/09 - Logística y venta de servicios

Prof. Directivo Invitado:

HP Gerente de Empresa de Turismo

Tarea Nº 4 Orientado a entender el concepto de la Intermediación de servicios, el caso

considerado será del sector salud o turismo

12

15 y 16

Fecha

25/09

Calidad en los servicios: - Calidad externa, calidad interna y calidad en el entorno

- Expectativas vs Percepciones - Indicadores y evaluación de la calidad

Prof. Gaps de Zeithaml

PG - Definiciones

- Gaps

- Formas de evitarlos


Tarea nº 5:

Orientado a entender los Gaps de Zeithaml y su uso en la diferenciación

estratégica de los servicios

17 y 18 Plazo de entrega Caso Singapore Airline

Fecha Resolución del caso Singapore Airline

02/10

Directivo Invitado:

Prof. Gerente del área transporte y/o logística

PG

Plazo de entrega tarea nº 5

19 y 20 Plazo de entrega Caso Starbucks

Fecha Resolución Caso Starbucks

16/10

Video Starbucks Prof.

HP Directivo Invitado

Gerente Marketing Starbucks

21 y 22 Plazo de entrega caso Celebrity Cruises

Fecha

23/10

Prof.

PG

Presentaciones Caso Celebrity Cruises

23 y 24 Resolución Caso Celebrity Cruises

Fecha 30/10 Directivo Invitado:

Prof.

Gerente Retail

HP

25 y 26 Consultas sobre los casos

Fecha 05/11

Directivo Invitado:

Prof. Por definir

PG/HP

13

27 y 28

Plazo final para entrega de resolución de caso final

Fecha “Four Seasons”

12/11

Presentaciones del caso final: “Four Seasons”

Prof.

PG/HP

VI.- BIBLIOGRAFIA

GILMORE, Audrey. (2003) “Services Marketing and Management”, Sage Publications.

ZEITHALM, Valarie. (2002) “Marketing de Servicios Un Enfoque de Integracion del Cliente a la Empresa”, McGraw-Hill

LOVELOCK, C.; LEWIS, B.; VANDERMERWE S; (1999) “Services Marketing: European

Perspectives”, Pearson Higher Education.

ZEITHALM, V.; BITNER, M.J., (2000). “Services Marketing integrating customer focus across the firm”. McGraw-Hill.

FLIPO, J.P. (1989) “Gestión de empresas de servicio”. Ediciones Gestión –2000.

GRANDE, Ildefonso (1997) “Marketing de servicios”. Esic.

GRÖNROOS, Christian (1994) “Marketing y gestión de servicios”. Ediciones Díaz de

Santos, S.A.

EIGLIER, Pierre; LANGEARD, Eric, (1989) Servucción. McGraw-Hill

CARSON, David J. (1996) “Services Marketing: Texts and Readings”, Mercury

Publications.

14

37. IN76002 - Web of Data

Profesor: Ángel Jiménez.

Código Nombre

IN76002 Web of Data

Nombre en Inglés

Web of Data

SCT – Créditos Unidades

Docentes - UD

Horas de

Cátedra

Semanales

Horas Docencia

Clase Auxiliar

Semanales

Horas de

Trabajo

personal

Semanal

5 3,0 0 5,5

Requisitos Carácter del curso

MGO – Sin requisitos

Pregrado – IN3501

Otras especialidades – Autor

1. Electivo del Magíster en

Gestión de Operaciones

2. Electivo de la carrera de

Ingeniería Civil Industrial

3. Abierto para alumnos de

otras especialidades

4. Electivo Doctorado en

Sistemas de Ingeniería


Este curso muestra las posibilidades que entrega la Web Semántica para modelar datos

no estructurados de la Web, dejándolos disponibles para su consumo masivo por agentes

virtuales (aplicaciones Web semánticas). La Web en sí misma se transforma en una

fuente de datos de diversa naturaleza, cuyos significados llega a ser comprendido por las

aplicaciones Web semánticas.

Las habilidades adquiridas en este curso permiten que los alumnos que requieran

enriquecer sus algoritmos, modelos o lógicas de negocio de diferentes dominios con

conocimiento no estructurado, puedan formalizarlo o accederlo automáticamente desde

la Web.

Entrega los conceptos formales de la Web Semántica, así como sus vocabularios para

modelar semánticamente y técnicas para acceder a los datos de la Web. Provee de

tecnologías para construir aplicaciones Web semánticas. Además, son bienvenidos los

alumnos interesados en mejorar su habilidad lectora y analítica de artículos

académicos.

15


La metodología de trabajo

será activo-participativa, en

donde se

desarrollarán:

Clases expositivas.

Ejemplos.

Método de

proyecto

(aplicaciones

prácticas en sala)

1. Proyecto La evaluación central del curso se hará por medio de un proyecto grupal de construcción de una aplicación Web semántica en un dominio interesante. Se entregarán las habilidades para llevarlo a cabo en el mismo curso por medio de sesiones de Hacking Garage.

2. Paper Reviews El alumno deberá desarrollar individualmente dos entregas de review de papers seminales y aplicados de la Web Semántica. Cada review contendrá tres papers asignados por el Profesor.

2. Asistencia Habrá una nota proporcional a la asistencia y un incentivo de 5 décimas por sobre la nota del proyecto para quien asista al 100% de las cátedras.

Nota final: 60% proyecto, 30% paper reviews, 10% asistencia.

Todo debe aprobarse por separado.

Unidades Temáticas


Semanas

1 Web Semántica: Visión, Desafíos y Habilitadores Claves 3

Contenidos

Resultados de Aprendizajes de la Unidad

Referencias a

la Bibliografía

Limitaciones de la Web Actual.

Web Semántica y Web de Datos.

RDF: Vocabulario de Descripción de Recursos Web.

Vocabulario RDF Schema y Ontologías.

Razonamiento e Inferencia.

Hacking Garage:

Uso del Software Protége

para Crear Modelos

El alumno:

Conoce las limitaciones de expresividad semántica de la Web actual.

Comprende el enfoque de la Web Semántica para superar tales limitaciones.

Conoce cómo identificar recursos Web en general.

Comprende cómo representar recursos Web en ontologías a través de vocabularios

1, 2, 3, 4

16

Semánticos.

Extra: cómo buscar, leer,

revisar papers.

estandarizados, como RDF y RDFS.

Comprende el razonamiento e inferencia automáticos a partir de ontologías.

Aprende a utilizar el software Protége para construir ontologías en diferentes

dominios.


Semanas

2 Consultas sobre la Web de Datos 2

Contenidos


Referencias a la

Bibliografía

El Lenguaje SPARQL.

Hacking Garage:

Uso de la API Jena para

Consultas e Inferencias.

El alumno:

Comprende el lenguaje SPARQL para construir consultas sobre ontologías.

Aprende a utilizar la API Jena para implementar consultas e inferencias sobre ontologías.

1, 2, 3, 4


Semanas

3 OWL 2

Contenidos


Referencias a la

Bibliografía

Vocabulario OWL

Modelación de Ontologías con OWL.

OWL y SPARQL.

Hacking Garage:

Construcción de una

Aplicación Web Semántica.

El alumno:

Comprende el vocabulario OWL como una extensión del vocabulario RDF.

Aprende a utilizar el vocabulario OWL para construir ontologías.

Comprende cómo utilizar SPARQL sobre ontologías descritas con OWL.

Aprende a construir

aplicaciones Web semánticas

1, 2, 3, 4, 5

Unidad de Aseguramiento de la Calidad Departamento de Postgrado y Postítulo Vicerrectoría de Asuntos Académicos Universidad de Chile

17

en diferentes dominios de aplicación utilizando los conceptos y herramientas vistas en el curso.


Semanas

4 Aplicaciones de la Web de Datos 1

Contenidos


Referencias a la

Bibliografía

FOAF: Friend of a Friend DBpedia Linked Open Data Datos de Gobierno Abierto,

Geográficos y Retail. Datos Generados por Usuarios y

Redes Sociales.

El alumno:

Conoce diferentes aplicaciones existentes de la Web de Datos.

2


Obligatoria

1. Se entregará una lista de papers al inicio del curso.

Complementaria y a modo de referencia:

2. Heath, T. et al., (2011), Linked Data, Evolving the Web into a Global Data Space, Synthesis

Lectures On The Semantic Web: Theory and Technology, Morgan & Claypool Publishers.

3. Hebeler, J. et al., (2009), Semantic Web Programming, Wiley.

4. Liyang Yu. (2015), A Developer’s Guide to the Semantic Web, Second Edition, Springer. (Acceso gratuito a través de la VPN de la Universidad)

5. Sommerville, I. (2005) Ingeniería de software, Pearson Addison Wesley, Séptima edición, 2005. (En biblioteca central y sólo como apoyo)

Vigencia desde: Enero 2016.

Actualizado:

Elaborado por: Ángel Jiménez M.


18

38. IN709 - Econometría

PRE-REQUISITOS:

Este curso semestral de Econometría avanzada está diseñado para estudiantes de magister o

primer año de doctorado en Economía o disciplinas afines. Los contenidos requieren conocimiento

previo de algebra matricial, probabilidad e inferencia estadística a nivel de pregrado.

OBJETIVOS:

El curso tiene como objetivo que el alumno aprenda los métodos fundamentales del análisis

econométrico, aplique las metodologías y las herramientas aprendidas en el contexto apropiado y

que esté capacitado para realizar un proyecto de investigación aplicado en forma autónoma.

Consistentemente, sin perjuicio que se cubrirán todos los tópicos teóricos relevantes, el curso

estará enfocado a la aplicación práctica de las herramientas econométricas. Las tareas aplicadas

requerirán el uso intensivo de software apropiado para cada sección, esencialmente MATLAB y

STATA.

EVALUACIÓN:

El curso tiene la siguiente estructura de evaluación: 3 tareas (10% cada una), un control (30%) y

un examen final (40%). Tarea no entregada tiene nota 1. La peor nota de las tareas puede ser

reemplazada por la nota del examen si esto favorece al estudiante. La inasistencia al control se

evaluará caso a caso.

Tareas grupales obligatorias. Las tareas se realizan en grupos de máximo 2 personas. La

copia será sancionada. Deberán entregar versiones electrónicas a través de U-Cursos y

versiones impresas, momento en que las soluciones serán posteadas en U-cursos. Por lo

tanto, no se aceptan tareas atrasadas.

Control 1:

Examen Final: Fecha a fijar por la facultad. Incluirá toda la materia del semestre. No existe

eximición.

AVISO:

Se podrán efectuar Cátedras en el horario de Ayudantía y viceversa.

CONTENIDOS:

I. Modelo de regresión lineal general clásico y método de Mínimos Cuadrados Ordinarios (MCO). (4

semanas aprox.)

Lectura Previa Sugerida: [G] cap 6 al 10; [W] cap 1 al 4;

1 Introducción. Estimación y estimadores.

2 Identificación, multicolinealidad y supuestos estadísticos de MCO.

3 Derivación y propiedades estadísticas del estimador de MCO.

4 Teoría asintótica, propiedades asintóticas del estimador MCO, y tests asintóticos. [A]


19

5 Intervalos de confianza, test de hipótesis y de especificación en MCO.

6 Simulación de Monte Carlo y Bootstrap.

7 Errores de especificación: formas funcionales, inclusión de variables irrelevantes y

omisión de variables relevantes.

8 Predicción.

II. Extensiones de MCO: Mínimos Cuadrados Generalizados (MCG), datos de Panel y Mínimos

Cuadrados No lineales. (2 semanas aprox.) `

Lectura Previa Sugerida: [G] cap 14 al 16; [W cap 10]

1 Supuestos, derivación y propiedades asintóticas de MCG.

2 Estimación de MCG en presencia de heterocedasticidad y autocorrelación.

3 Datos de Panel: Estimadores con efecto fijo y efecto aleatorio.

4 Mínimos cuadrados no lineales y método delta.

III. Endogeneidad y Variables Instrumentales (3 semanas aprox.)

Lectura Previa Sugerida: [W cap 5]

1 Introducción.

2 Fuentes de Endogeneidad.

3 Caracterización de Instrumentos válidos.

4 Identificación exacta y sobre-identificación.

5 Estimación de Variables Instrumentales y en 2 etapas (2SLS).

6 Inferencia y test de Sargan.

IV. Método Generalizado de Momentos (GMM) (3 semanas aprox.)

Lectura Previa Sugerida: [W cap 14] [NM]

1 Estimación vía momentos: el Método generalizado de momentos (GMM).

2 Test de sobre-identificación.

3 MCO y variables instrumentales como caso particular de GMM.

V. Máxima Verosimilitud (2 semanas)

Lectura Previa Sugerida: [W cap 13]

1 Estimador de Máxima Verosimilitud.

2 Estimación de la Varianza y la cota inferior de Cramèr-Rao.

3 Estimación y Tests: Wald, Razón de Verosimilitud y Multiplicador de Lagrange.

VI. Modelos de Variables Dependientes Discreta (1 semana)

Lectura Previa Sugerida: [G] cap 21; [W cap 15]

1 Modelos de elección binaria y discreta: probit, logit, ordered logit y ordered probit.


20

2 Test de hipótesis y de especificación.

REFERENCIAS BIBLIOGRAFICAS:

El contenido principal del curso será cubierto en clases. Los textos que principal para este curso

es:

[W] Wooldridge, J., Econometric Analysis of Cross Section and Panel Data, MIT Press,

2002.

[G] Greene, W.H., (2003) “Analisis Econometrico”, tercera edicion, Prentice-Hall (en

alternativa, las más reciente versiones en Inglés).

[A] Amemiya, T., Advanced Econometrics, Harvard University Press, 1985.

[NM] Newey, W. K., & McFadden, D. (1994). Large sample estimation and hypothesis

testing. Handbook of econometrics, 4, 2111-2245.

Para repasar los contenidos básicos de estadística requeridos para este curso de Econometría:

Casella, G y Berger, R. Statistical Inference, second edition. Duxbury Press, 2001.

[G]: capítulos 2 y 3.

[W] capítulo 2.

Para los alumnos que necesitan un repaso de econometría a nivel de pregrado, los textos

recomendados son:

Wooldridge, J. Introductory Econometrics: A Modern Approach, South-Western, 2003,

disponible también en castellano: Wooldridge, J.M. (2007) Introducción a la econometria:

un enfoque moderno, Editorial Thomson-Paraninfo.

Johnston, J. and Di Nardo, J., Econometric Methods, McGraw Hill, 1997.

También se aconsejan otros textos para profundizar algunos tópicos o para un enfoque alternativo:

Ruud, P. A. (2000). An introduction to classical econometric theory. Este texto provee un

acercamiento geométrico a MCO.

Hamilton, J. D. (1994). Time series analysis (Vol. 2). Princeton, NJ: Princeton university

press. El curso no cubrirá tópicos de series de tiempo. Este libro cubre todos esos tópicos.

PROPUESTA PPTO 2021 OBSERVACIONESARRIENDO DE INMUEBLES $0 No se contempla encuentro presencial.ARRIENDO DE MAQUINAS, EQUIPOS Y OTROS $1.351.544 Uso de impresoras. Arreglo de equipos de climatización. OtrosARTICULOS ALIMENTICIOS $450.000 Se provisiona en caso de regresar II semestreMATERIALES DE OFICINA $1.650.000 Incluye compra de mobiliario. Software y renovación de licencias. Compra posible de PC.MATERIALES Y UTILES DE ASEO $850.000 Se incluye la compra de artículos por pandemia (guantes, alcohol gel, mascarillas, etc.)OTROS GASTOS DE REPRESENTACION $2.069.905 Realización de foros. Intérpretes Lengua de señas. Otros que puedan ser requeridos.SERVICIOS DE ALIMENTACION $394.820 se provisiona en caso de ser necesarioGASTOS VARIOS FONDO FIJO $808.585 se mantieneSEGURO DE INVALIDEZ $2.048.169 se mantiene. Cifra se ajusta desde nivel central.LEY DE ACCIDENTES $48.618 se mantiene. Cifra se ajusta desde nivel central.IMPRESIÓN, PUBLICACION, REPRODUCCION, EMPASTES, ANILLADOS $500.000 se provisiona en caso de ser necesarioPUBLICIDAD Y DIFUSION $6.600.000 Radio UchileMOVILIZACION $200.000 se mantieneVIATICOS $83.542 se mantieneHONORARIOS $12.555.602SUELDOS DIRECTIVOS $41.134.167SUELDOS NO ACADEMICOS (CONTRATAS) $141.134.772PROVISION INDEMNIZACIONES $1.598.326 se mantiene. Cifra se ajusta desde nivel central.IMPREVISTOS $2.000.000 nuevo ítem, de acuerdo a cambio reglamento interno del SU

$215.478.050TOTAL PRESUPUESTO

Documents

Modalidad remota a través de Plataforma electrónica ZOOM