"Algunas aplicaciones de Machine Learning para Ciencias e Ingenieria"

Carlos Javier Solano SalinasDirector Escuela Profesional de Ciencia de la Computación

Coordinador Maestría en Ciencia de la ComputaciónUniversidad Nacional de Ingeniería

La mejor manera (la mas segura y difícil) de aprender, iniciarse, y continuar, en el campo de Data Science, Machine Learning, etc,

es...

La carrera de Ciencia de la Computación (CC) se inicia en el Perú en 2006 en Arequipa en la UCSP (Plan de estudios de CC pero con el nombre de Ingeniería de Sistemas y recién el 2010 toma el nombre de CC).

El 2010 se inicia en la UNSA de Arequipa y en la UNI. Desde el 2017 se inicia en la UTEC y hace unos dias se aprobó su creación en la UNMSM.

Hay otro proyecto en marcha, pre-aprobado, en la PUCP

En la última reunión de la ACM (Association for Computing Machinery) para la Curricula 2020 también se discutió sobre la posibilidad (futuro cercano) que se creen las carreras de:

Data Science

Cybersecurity

Por mientras…, en maestría

Not so easy...

Estadística

Artificial Intelligence is the answer?

Para algunos expertos Machine Learning es la única Artificial Intelligence “real”

(por ahora)

Not so easy...

Machine Learning no es solo Neural

Networks...

Comparación de algoritmos de clasificación

Algunas aplicaciones de Machine Learning

(Deep Learning?)

Interpretación automática de imágenes

http://machinelearningmastery.com/inspirational-applications-deep-learning/

Automatic Lymphocyte Detection on Gastric Cancer IHC Images Using Deep Learning

. E. Garcia, R. Hermoza, C. Beltrán-Castañón, L. Cano, M. Castillo, C. Castañeda. IEEE CBMS 2017

Computer vision grading system for physical quality evaluation of green coffee beansCE Portugal-Zambrano, JC Gutiérrez-Cáceres, J Ramirez-Ticona, ...Computing Conference (CLEI), 2016 XLII Latin American, 1-11

GESTIÓN DE RIESGO DE DESASTRESTerraSAR-x01 de Abril 2017

PerúSAT-101 de Abril 2017

PerúSAT-120 de Marzo 2017

Pleiades29 de Marzo 2014

ÓpticaÓptica RadarRadar

Se observa que el radar detecta superficie humedad.

Multi-temporal satellite images

Deep Learning for detection of water bodies

Machine Learning in High Machine Learning in High

Energy Physics (HEP)Energy Physics (HEP)(Nature Vol 560. 2 ag 2018)

Large Hadron Collider – LHCFrontier between Switzerland and France

Machine learning for calorimetry at CMS. The mass distribution of Z bosons decay (Z → e+e−)

Separating signal from background in ATLAS experiment. BDT-score distribut for search for Higgs decay (H → τ+τ−)

FERMILAB - USA

Neutrino selection and isolation in MicroBooNE

Exploring NOvA’s event-selection neural network using t-distributed stochastic neighbour embedding (t-SNE)

MINERMINERA (A (MMain ain ININjector jector EExpexpeRRiment iment -A-A))

(using DCNN and DANN)(using DCNN and DANN)

Beam-line

MINERvA MINOSDIS2010

NuMI Beamline Graphic courtesy B. Zwaska

Detector MINERA

VetoWall

LHe¼ ton

Blancos Nucleares con He, C, Fe, Pb, H2O,CHEn mismo experimento reduce errores sistematicos entre nucleos

Blanco centellador finamente segmentado ycompletamente activo. 8.3 tons, 3 tons fiducial

120 “modulos” planos. Masa total: 200 tons. Total canales: ~32K

MINOS Near Detector(Muon Spectrometer)

MINERVA VERTEX FINDINGprocedural algorithm walks back main track and uses secondary tracks. in DIS eventslarge and complicated hadronic showers may mask the primary vertex

DESAFÍOS PARA EL ANÁLISIS EN FÍSICA DE PARTÍCULAS

Mucha información, tanto en canales como en número de eventos presenta desafios únicos

Inspiración en visión e imágenes: Deep Convolutional Neural Networks (DCNN) para extraer

características geométricas.

Requiere un gran número de procesadores paralelos (HPC), esto fue facilitado gracias a los

GPUs.

Otra vez, inspiración en visión e imágenes: Deep Adversarial Neural Networks (DANN)

Algoritmos de Machine Learning son complicados

De vuelta a la realidad… :)

A tener en cuenta…

...solo estamos “escarbando” una pequeña

parte del conocimiento