Idioma: ES
Network-science-and-machine-learning-on-graphs-data-analysis-methods-and-applications.jpg

Curso Network science and machine learning on graphs: data analysis methods and applications

Información General

Presentación

Network science and machine learning on graphs: data analysis methods and applications.

Network-science-and-machine-learning-on-graphs-data-analysis-methods-and-applications.jpg click para reproducir video
Educación Continuada: programas abiertos y empresariales de educación no formal que optimizan el desempeño profesional.

Las redes complejas emergen como framework natural en el modelado de entidades y sus interacciones.

Las redes, representadas matemáticamente como grafos, son ubicuas en la vida cotidiana, y se pueden encontrar en el modelado de interacciones sociales redes de comunicación, de colaboración, de transporte, de computación y de transmisión de energía, entre otras.

Comprender la manera en la que dichas redes emergen, forman patrones de conectividad y evolucionan en el tiempo es fundamental en aplicaciones en marketing, epidemiología, ingeniería, ciencias sociales, tecnología, biología, finanzas y neurociencias, para citar sólo algunas. Gracias a la revolución BigData, la internet de las cosas y la industria 5.0, la disponibilidad de datos representados como grafos y metadatos asociados se ha incrementado de forma exponencial, lo que ha permitido el desarrollo de novedosas técnicas de análisis de datos en redes y machine learning sobre grafos, ampliando el espectro de aplicaciones industriales con numerosas oportunidades y nuevos desafíos por resolver.

Conferencista Invitado

Cerrar

Leonardo Gutiérrez Gómez

Leonardo Gutiérrez Gómez.png

Ingeniero de sistemas y matemático de la Escuela Colombiana de Ingeniería Julio Garavito, máster en Ciencias Matemáticas Aplicadas e Industriales de la Universidad de Grenoble Alpes (Francia) y doctor en Matemáticas Aplicadas de la Universidad Católica de Lovaina (Bélgica). Investigador posdoctoral en Data Science en Luxembourg Institute of Science and Technology (LIST).

Científico de datos especializado en ciencia de redes, aprendizaje automático y minería de datos, con experiencia en docencia universitaria a escaqla nacional e internacional y en investigación aplicada en diversas industrias europeas. Autor de numerosos artículos científicos publicados en revistas indexadas y congresos internacionales.

Por qué estudiar con nosotros

edificio-h-nocturna.jpg

Los participantes adquirirán habilidades que permita procesar y analizar datos haciendo modelado sobre redes o grafos. La representación mediante redes y grafos es ampliamente utilizada hoy día para solucionar problemas del mundo real, como datos de redes sociales, redes de transporte, comportamientos biológicos, neurociencia, entre otros.

Adicionalmente, el participante conocerá métodos de aprendizaje profundo (Deep Learning) aplicados a redes y grafos. Estos métodos serán implementados en Python donde se realizará experimentación sobre datos reales.

Finalmente, el participante tendrá la oportunidad de aplicar los temas del curso en Jupyter Notebook, ambiente de trabajo ampliamente utilizado en la actualidad para analizar datos.

Metodología

El curso se desarrollará en modalidad remota mediante sesiones magistrales, con la exposición y discusión de los temas principales. De igual manera, durante cada sesión se hará una parte de trabajo práctico en la que se guiará de forma personalizada a los estudiantes en la ejecución

Deberes del participante

  • Contar con una conexión a internet de banda ancha.
  • Disponer de audífonos (diadema o manos libres) para aislar el ruido externo y lograr concentrarse.
  • Verificar que el equipo de cómputo no haya sido bloqueado para conexiones a herramientas de Microsoft.
  • En caso de ser miembro de Microsoft Teams con otra cuenta, cerrar las sesiones que involucren la cuenta en Microsoft Teams, e ingresar con un navegador libre de caché para que no tenga inconvenientes.
  • Conectarse a las sesiones de clase con mínimo 10 minutos de antelación de manera que verifique que cuenta con una conexión adecuada y no pierda clase por realizar ajustes.
  • Disponer de materiales como libreta, esfero, entre otros.

Certificación

La Escuela Colombiana de Ingeniería Julio Garavito otorgará certificados de este curso, así:

  • De asistencia, a quienes se inscriban por educación continuada y participen activa y cumplidamente como mínimo en el 90 % de las sesiones programadas.
  • De contenido, créditos y nota a los estudiantes de pregrado o posgrado de la Escuela.
  • De contenido, créditos y nota a los estudiantes de pregrado o posgrado de otras universidades del país que se matriculen como estudiantes visitantes o de intercambio. Para esto deberán enviar la solicitud a la Oficina de Relaciones Internacionales (ori@escuelaing.edu.co) e indicar la universidad de origen y el programa que cursan.

Perfil del aspirante

Mujer profesional2.jpg
  • Profesionales con conocimiento básico de álgebra lineal, probabilidad, estadística y cálculo. Dada la naturaleza práctica del curso, se recomienda igualmente tener bases en programación y pensamiento algorítmico. Durante el desarrollo del curso se utilizará Python 3.x and Jupyter Notebook como ambientes de desarrollo.

Contenido temático

1. Ciencia de redes y análisis de datos relacionales

  • Introducción general y conceptos preliminares
  • Introducción a la teoría de grafos
  • Principales métricas en redes
    • Caminos más cortos y random waks
    • Medidas de centralidad de nodos y enlaces
  • Propiedades en redes reales
    • Seis grados de separación
    • Distribución de grados en nodos
    • Homofilia, asortatividad y disasortatividad
  • Simulación de redes
    • Modelo ErdősRényi
    • Modelos estocásticos por bloques (SBM)
  • Detección de comunidades: clustering en redes
    • Modularidad Newman-Girvan
    • Algoritmo de Louvain
    • Clustering multi escala: Markov Stability

2. Inteligencia artificial y aprendizaje de máquina

  • Introducción general y conceptos preliminares
  • Feature engineering
  • Estandarización y normalización de datos
  • Aprendizaje supervisado
    • Regresión lineal y regresión logística
    • Métodos basados en Kernel
  • Aprendizaje no supervisado
    • Clustering
    • Reducción de dimensión
  • Evaluación de modelos predictivos
    • Métricas de evaluación
    • Validación cruzada
  • Aprendizaje de máquina profundo (deep learning)

3. Aprendizaje de máquina en grafos Parte 1

  • Introducción y conceptos preliminares
  • Similaridad en redes
  • Aprendizaje supervisado en grafos
    • Feature-based learning
    • Motif and graphlets
  • Métodos de Kernel sobre grafos
  • Aprendizaje no supervisado sobre grafos
    • Clustering espectral
  • Representation learning on graphs
    • Embeddings de nodos y enlaces
    • Embeddings de grafos

4. Aprendizaje de máquina en grafos Parte 2

  • Aprendizaje semisupervisado en grafos
    • Predicción de nodos y label propagation
  • Procesamiento de señales sobre grafos (GSP)
    • Transformada de Fourier en grafos
    • Convolución y filtrado de señales sobre grafos
  • Deep learning en grafos
    • Graph Convolutional Networks (GCN)

5. Despliegue de modelos de machine learning

  • Introducción y conceptos preliminares
  • Serialización y deserialización de modelos de machine learning
  • Introducción al servicio web flask
  • Desarrollo de API en machine learning
  • Conclusiones
  • Presentación de proyectos de curso

Fechas y horario

El curso se llevará a cabo del 6 al 12 de julio de 2021, de lunes a viernes de 7:00 a.m. a 12:00 m., en modalidad remota, vía Microsoft Teams.

La Escuela Colombiana de Ingeniería, para sus programas de Educación Continuada, se reserva el derecho de cambiar sus conferencistas y fechas de realización, o cancelarlos de no contar con el número de personas requerido para tal fin. Lo anterior se informará a los interesados con antelación.

Objetivo alcanzable

Bloque-I-nocturna.jpg

  • Brindarles a los asistentes las herramientas esenciales para el procesamiento, diseño, modelado e implementación de soluciones para el análisis de datos representados como redes o grafos. Se estudiarán aplicaciones en problemas reales en redes sociales, redes de transporte, grafos moleculares, social media, redes neuronales y neurociencias, con un enfoque científico-práctico centrado en métodos de aprendizaje supervisado y no supervisado en grafos, procesamiento de señales sobre grafos y avances en aprendizaje profundo (deep learning) sobre grafos.

Valor de la inversión

edificio-h-nocturna.jpg

La inversión por participante es de $1.680.000 (un millón seiscientos ochenta mil pesos), valor que incluye material técnico y memorias en medio electrónico.

Descuento del 5 % hasta el 22 de junio de 2021.

Inscripciones hasta el 1° de julio de 2021.

Solicite Información

Si desea conocer más sobre este programa, complete el formulario o escríbanos por WhatsApp.

Network science and machine learning on graphs: data analysis methods and applications

* Ingresar nombre
* Ingresar apellido
* Escribir correo electrónico
* Ingresar número celular
* Seleccionar ciudad
* Seleccionar tipo de documento
* Escribir número de identificación