News

Oferta de Trabajo

  • El Grupo de Aprendizaje Automático (GAA) de la Escuela Politécnica Superior de la Universidad Autónoma de Madrid [www.eps.uam.es/~gaa] busca un ayudante de investigación.
  • Función: El objetivo del investigador será trabajar como científico de datos, desarrollando nuevos métodos de inferencia aproximada para modelos generativos profundos, que permitirían distribuciones aproximadas flexibles, no necesariamente gaussianas.
  • Perfil: Titulación académica: Grado, Ingeniería o Máster en el área de Informática, Matemáticas, Física, Telecomunicación y afines. Idiomas: Se valorará un buen nivel de inglés hablado y escrito. Conocimientos de informática: Lenguaje Python. Se valorará adicionalmente conocimientos de C y C++, y de R, matlab o similar.
  • Experiencia: Se valorará experiencia previa o cursos de formación sobre métodos de aprendizaje automático y minería de datos.
  • Dedicación y duración: Jornada Completa, 2 años (feb. de 2018 / feb. de 2020).
  • Remuneración: 22,500 € brutos/año, incluida la Seguridad Social de la empresa.
  • Lugar: Grupo de Aprendizaje Automático, Escuela Politécnica Superior, Universidad Autónoma de Madrid.
  • Requisitos: Estar inscrito en el Sistema Nacional de Garantía Juvenil, y estar en situación de ser beneficiario de dicho Sistema, a la hora de firmar el contrato ( Ver info ). No haber estado vinculado laboralmente con la UAM desde el 12 de septiembre de 2017. Estar empadronado en cualquier localidad de la Comunidad de Madrid, con anterioridad al 12 de septiembre de 2017.
  • Procedimiento y contacto: Por lo ajustado de los plazos, se recomienda a los/las interesados/as ponerse en contacto con daniel.hernandez@uam.es con la mayor brevedad posible.
  • El puesto se ha obtenido como resultado de la convocatoria de ayudas para la contratación de ayudantes de investigación de la Comunidad Autónoma de Madrid. La oferta será publicada en breve en el portal de empleo de la CAM en: Ver info. Será necesario realizar la solicitud a través de dicho portal de empleo.

Curso doctoral EPS-UAM: Clasificación ordinal. Dr. Pedro A. Gutiérrez (UCO), 22-25 de enero de 2018

  • Curso doctoral: Clasificación ordinal
  • Docente: Dr. Pedro Antonio Gutiérrez. Escuela Politécnica Superior. Universidad de Córdoba.
  • Fechas: 22 a 24 de enero de 2018, de 11:00-13:00 y 25 de enero de 2018, de 10:00-12:00.
  • Lugar: Laboratorio 14, Edificio A. EPS-UAM.
  • Registro: Registrarse
  • Resumen: Dentro del aprendizaje automático, es frecuente encontrar problemas de clasificación en los que las etiquetas de clase pueden ordenarse según una determinada escala. Por ejemplo, el diagnóstico de la Enfermedad de Parkinson a partir de imágenes funcionales puede realizarse en función del grado de afección en la imagen: paciente sano, afección leve, moderada y grave. Esta naturaleza ordinal de los datos puede y debe ser explotada para obtener clasificadores más robustos y capaces de realizar predicciones lo más cercanas posibles (en la escala ordinal) a la etiqueta real. Existe una gran cantidad de áreas de aplicación en las que los problemas de clasificación ordinal son especialmente relevantes, como medicina, economía o sociología. Este curso pretende introducir las características fundamentales de los problemas de clasificación ordinal, junto con las principales técnicas que han sido aplicadas en aprendizaje automático para tratarlos de manera específica. Entre los contenidos se incluyen: · Nociones básicas de aprendizaje automático: clasificación nominal. · Definición de clasificación ordinal y de sus características. · Métricas de evaluación de bondad en clasificación ordinal. · Taxonomía de algoritmos para clasificación ordinal. · Métodos de preprocesamiento en clasificación ordinal.
  • Mas información: Ver mas detalles

Seminario de investigación: Aprendizaje semi-supervisado en entornos de clasificación desequilibrada: creación de un modelo de emparejamiento donante-receptor para trasplantes de hígado

  • Ponente: Dr. Pedro Antonio Gutiérrez (UCO).
  • Fecha y lugar: Jueves 25 de Enero del 2018, 12:00. Sala de grados A EPS-UAM.
  • Resumen: El trasplante de hígado es un tratamiento esperanzador y ampliamente aceptado para los pacientes con una enfermedad terminal de hígado. Sin embargo, este tratamiento está limitado por la falta de donantes, que provoca muchas muertes en lista de espera. Nuestro trabajo propone un nuevo sistema de emparejamiento donante-receptor que utiliza aprendizaje automático para predecir la supervivencia del injerto tras el trasplante, utilizando para ello una base de datos de trasplantes realizados en el hospital King¿s College de Londres. Desde el punto de vista metodológico, la principal novedad del sistema es que abordamos el desequilibrio del problema en cuanto al número de patrones por clase considerando aprendizaje semi-supervisado y analizando su potencial para obtener modelos más robustos y equitativos. De esta forma, proponemos dos fuentes distintas de datos no etiquetados (trasplantes recientes cuyo resultado aún no se conoce y emparejamientos virtuales donante-receptor), junto con dos métodos para utilizar estos datos en la construcción del modelo (un algoritmo semi-supervisado y un esquema de propagación de etiquetas). Demostramos como los pares virtuales y el método de propagación de etiquetas son capaces de aliviar el problema del desequilibrio, suponiendo una forma novedosa de abordar este tipo de problemas. Los resultados obtenidos muestran que el uso conjunto de información real y sintética ayuda a mejorar y estabilizar el rendimiento del modelo y lleva a decisiones más justas. Finalmente, proponemos utilizar el modelo desarrollado junto con un criterio de severidad asociado al receptor, para llegar a un compromiso entre la gravedad del paciente y el pronóstico del trasplante.
  • CV Ponente: Pedro Antonio Gutiérrez Peña obtuvo el doctorado en Informática por la Universidad de Granada, el título de Ingeniero en Informática por la Universidad de Sevilla y el Máster en Soft Computing y Sistemas Inteligentes también por la Universidad de Granada. Actualmente es Profesor Titular del Departamento de Informática y Análisis Numérico de la Universidad de Córdoba, habiendo trabajado anteriormente en el Institutito de Agricultura Sostenible del CSIC. Pertenece al grupo de investigación AYRNA (Aprendizaje y Redes Neuronales Artificiales). Su labor de investigación está centrada en el aprendizaje automático, abarcando el diseño de redes neuronales artificiales mediante técnicas bioinspiradas, el desarrollo y evaluación de modelos para clasificación ordinal y la aplicación de todas estas técnicas a problemas reales en energías renovables o biomedicina.

Oferta de trabajo

  • El Grupo de Aprendizaje Automático (GAA) de la Escuela Politécnica Superior de la Universidad Autónoma de Madrid [www.eps.uam.es/~gaa] busca un investigador predoctoral.
  • Tareas a realizar: El objetivo del investigador contratado será trabajar como científico de datos, desarrollando y analizando nuevos métodos de inferencia aproximada para redes neuronales bayesianas.
  • Perfil: Ingeniero, Licenciado, Grado o Máster en Informática, Telecomunicación, Matemáticas, Física y afines.
  • Comienzo: 1 de marzo de 2018
  • Dedicación: Jornada Completa
  • Duración: 1 año.
  • Salario bruto: 25000 € /año, incluida la Seguridad Social de la empresa.
  • Idiomas: Se valorará un buen nivel de inglés hablado y escrito.
  • Conocimientos de informática: Lenguaje Python. Se valorará adicionalmente conocimienots de C y C++, y de R, matlab o similar.
  • Experiencia: Se valorará experiencia previa o cursos de formación sobre métodos de aprendizaje automático y minería de datos.
  • Necesario: Estar inscrito en el Sistema Nacional de Garantía Juvenil, y estar en situación de ser beneficiario de dicho Sistema, a la hora de firmar el contrato a finales de febrero de 2018 Info. Estar empadronado en cualquier localidad de la Comunidad de Madrid, con anterioridad al 10 de julio de 2017.
  • Candidatos interesados: Enviar CV (castellano o inglés) a daniel.hernandez@uam.es [Asunto: Oferta GAA 2017]
  • Procedimiento: Por lo ajustado de los plazos, se recomienda a los/las interesados/as ponerse en contacto con daniel.hernandez@uam.es con la mayor brevedad posible. El puesto se ha obtenido como resultado de la convocatoria de ayudas para la contratación de investigadores predoctorales de la Comunidad Autónoma de Madrid. La oferta está publicada en el portal de empleo de la CAM: Ir a la página web. Será necesario realizar la solicitud en dicho portal de empleo.

Aprendizaje Regularizado: Cuando los datos no bastan

  • Tuesday, December 19, 2017. 11:30 h. FuzzyMad, Math Faculty, UCM.
  • Dr. Carlos María Alaíz Gudín (UAM).
  • El aprendizaje regularizado se ha convertido en un campo clave del aprendizaje automático debido a la necesidad de lidiar con problemas con un gran volumen de datos. En particular, el aprendizaje a través de términos convexos presenta propiedades teóricas deseables, siendo estos regularizadores los más extendidos. De entre ellos, algunos términos de regularización no diferenciables proporcionan propiedades interesantes en los modelos resultantes, como ser dispersos o constantes a trozos. En este charla se abordarán algunos de los regularizadores convexos no diferenciables clásicos, los efectos que producen al ser utilizados en aprendizaje automático, y se introducirán algunos algoritmos basados en optimización proximal para resolver los problemas de optimización resultantes.
  • More information

Community Detection in Directed Networks

  • Tuesday, July 26, 2016, 12:00 h. Sala de Grados A, EPS-UAM
  • Dr. Carlos Alaiz (Katolieke Universiteit Leuven)
  • Communities in directed networks have often been characterized as regions with a high density of links, or as sets of nodes with certain patterns of connection. Our approach for community detection combines the optimization of a quality function and a spectral clustering of a deformation of the combinatorial Laplacian, the so-called magnetic Laplacian. The eigenfunctions of the magnetic Laplacian, that we call magnetic eigenmaps, incorporate structural information. Hence, using the magnetic eigenmaps, dense communities including directed cycles can be revealed as well as “role” communities in networks with a running flow, usually discovered thanks to mixture models. Furthermore, in the spirit of the Markov stability method, an approach for studying communities at different energy levels in the network is put forward, based on a quantum mechanical system at finite temperature.
  • More information

Data Visualization of Directed Networks

  • Wednesday, July 20, 2016, 15:00 h. Aula C-105, Edif. C, EPS-UAM
  • Dr. Angela Fernandez Pascual (Katolieke Universiteit Leuven)
  • Data visualization is a crucial field for revealing information in a clear and efficient way, being a helpful tool for analyzing data. In this presentation, we will talk about a new method for directed graphs visualization, called Magnetic Eigenmaps, which is based on the analysis of the Magnetic Laplacian, a complex deformation of the well-known combinatorial Laplacian. The main advantage of this method is that it is able to highlight, in a flexible way, groups presented on the network according to the density of links and directionality patterns of the graph, that are revealed through the study of the phases of the first magnetic eigenfunctions.
  • More information

Doctoral course: Functional data

Oferta de trabajo

  • El Grupo de Aprendizaje Automático (GAA) de la Escuela Politécnica Superior de la Universidad Autónoma de Madrid [www.eps.uam.es/~gaa] busca candidatos para realizar un proyecto de investigación.
  • Tareas a realizar: Aprendizaje automático aplicado en problemas de geología.
  • Perfil: Licenciado, Ingeniero en Informática o áreas afines. Se valorará experiencia de investigación demostrable en el tema del proyecto.
  • Duración: 1 de septiembre de 2016 a 31 de diciembre de 2016
  • Salario bruto: 1195,83 € /mes
  • Candidatos interesados: Enviar CV (castellano o inglés) y copia del título a alberto.suarez@uam.es [Asunto: Oferta GAA 2015/06]  hasta el jueves 2016/06/30 

Doctoral course: Bayesian Optimization

  • 16-21 December 2015, 11:00-13:00 h, LAB 16, 3rd fl., Bdg. A, EPS-UAM
  • Lecturer: Dr. José Miguel Hernández Lobato (Harvard University)
  • Registration form
  • More information

Probabilistic Backpropagation for Scalable Learning of Bayesian Neural Networks

  • Monday, 21 December 2015, 11:00-13:00 h
  • Dr. José Miguel Hernández Lobato (Harvard University)
  • Large multilayer neural networks trained with backpropagation have recently achieved state-of-the-art results in a wide range of problems. However, using backprop for neural net learning still has some disadvantages, e.g., having to tune a large number of hyperparameters to the data, lack of calibrated probabilistic predictions, and a tendency to overfit the training data. In principle, the Bayesian approach to learning neural networks does not have these problems. However, existing Bayesian techniques lack scalability to large dataset and network sizes. In this work we present a novel scalable method for learning Bayesian neural networks, called probabilistic backpropagation (PBP). Similar to classical backpropagation, PBP works by computing a forward propagation of probabilities through the network and then doing a backward computation of gradients. A series of experiments on ten real-world datasets show that PBP is significantly faster than other techniques, while offering competitive predictive abilities. Our experiments also show that PBP provides accurate estimates of the posterior variance on the network weights.
  • More information

Master/PhD/PostDoc Open Position

Shaping Social Activity by Incentivizing Users


Manuel Gómez Rodríguez (Max Planck Institute for Software Systems)

  • November 20, 2014 at 12:00 h
  • Sala de Grados, Escuela Politécnica Superior, Universidad Autónoma de Madrid
  • More information

Three reasons why control is hard: learning, planning and representing


Bert Kappen (Radboud University Nijmegen)

  • February 26, 2014 at 11:00 h
  • Sala de Grados, Escuela Politécnica Superior, Universidad Autónoma de Madrid
  • More information

Practical Implications of Classification Calibration


Irene Rodríguez Luján (Biocircuits Institute. University of California San Diego)

  • January 13, 2014 at 12:00 h
  • Sala de Grados, Escuela Politécnica Superior, Universidad Autónoma de Madrid
  • More information

Training nested functions using auxiliary coordinates


Miguel Á. Carreira-Perpiñán (University of California, Merced)

  • January 8, 2014 at 12:00 h
  • Sala de Grados, Escuela Politécnica Superior, Universidad Autónoma de Madrid
  • More information

Previous seminars