Durante décadas la eficiencia de los computadores venía determinada por el número de operaciones (cálculos) que podían realizar por unidad de tiempo. Así mismo, la eficiencia de los algoritmos dependía del tiempo requerido en realizar un determinado proceso. Sin embargo, la mayor conciencia en la sostenibilidad del medio ambiente ha hecho que la eficiencia energética se haya convertido en un aspecto de creciente interés. Teniendo en cuenta que la computación es una de las principales fuentes de consumo de energía existentes en la actualidad, el objetivo de esta conferencia es analizar los retos en esta temática, incluyendo diferentes formas de medir el consumo energético y mejorar la la eficiencia energética en algoritmos y equipos de cómputo.
El problema de la detección de comunidades nace a raíz de una característica común inherente a todos los sistemas complejos, la presencia de patrones de nodos más densamente conectados entre sí que con el resto de nodos de la red. La búsqueda de los patrones o estructuras de comunidades, que comparten ciertas propiedades, ha sido clasificado en la literatura científica como un problema NP-completo. Por tanto, encontrar la estructura de comunidades óptima que mejor representa las características de una red, se ha convertido en todo un hándicap, pues se han propuesto multitud de algoritmos y funciones objetivo para resolver el problema. Así pues, la conferencia se centrará en una breve descripción de las técnicas de optimización, para pasar después a afrontar el problema de la detección de comunidades en ámbitos que precisan de la aparición de nuevas técnicas de diseño y control, a través del desarrollo de nuevos algoritmos evolutivos (mono-objetivo y multiobjetivo). Dichas técnicas permiten analizar las características topológicas de una red desde distintas perspectivas, con mayor o menor nivel de detalle en función de las necesidades del analista. Por último, se verá su aplicación en el campo de las redes eléctricas. .
Desde sus inicios a mediados de los 1960's los algoritmos evolutivos han mostrado ser una opción altamente competitiva para resolver problemas complejos de búsqueda en diferentes dominios. En esta charla, después de describir a los paradigmas propios del cómputo evolutivo, se presentan los problemas de optimización que actualmente ocupan la atención de la comunidad de computación evolutiva, entre los que destacan problemas de alta dimensionalidad, dinámicos, de varios niveles, de múltiples objetivos, entre otros. Finalmente se presentan dominios de aplicación entre los que destacan el aprendizaje máquina y la optimización en ingeniería.
El problema de la agregación de rankings consiste en encontrar un ranking de consenso para un conjunto de ellos. En realidad, podríamos distinguir distintos problemas en función del tipo de ranking a agregar y el tipo de ranking resultante (completos o no, con empates o no). Se trata de un problema con aplicaciones al análisis de preferencias, elección social, bioinformática, etc. y también en problemas relacionados con las ciencias de la computación como son el aprendizaje automático y la optimización combinatoria. En esta charla plantearemos el problema y algunas de sus aplicaciones, discutiendo algunos métodos de resolución, que irán desde métodos voraces al uso de algoritmos metaheurísticos, dado que se trata de un problema NP-completo.
Esta conferencia es una presentación pragmática de los elementos y flujo de trabajo para desarrollar Emotion AI. Se denomina Emotion AI a la rama de la inteligencia artificial que estudia y desarrolla sistemas y dispositivos para reconocer, interpretar, procesar, simular y reaccionar a las emociones humanas. Es un campo interdisciplinario que abarca ciencias de la computación, psicología y ciencia cognitiva y representa un paso adelante en la interacción humano computadora.
Existe una gran cantidad de métodos que han sido utilizados para la configuración y entrenamiento de las redes neuronales modernas, éstas últimas referidas comúnmente como "deep learning". éstos métodos tienen un impacto positivo o negativo en deep learning en la gran mayoría de problemas y aplicaciones. Los Algoritmos Evolutivos están siendo utilizado con más frecuencia como un método computacion factible para la optimización automática de estas redes neuronales y también en su aprendizaje. En esta plática abordaremos los trabajos más actuales en esta área. Finalmente discutiremos los trabajos que faltan por desarrollarse para alcanzar una madurez en el área de neuroevolución.
