El Departamento de Informática de la Universidad Técnica Federico Santa María tiene el agrado de invitar a la comunidad universitaria a su ciclo de coloquios.

El próximo *Martes 9 de Julio a las 11:45 hrs.*, Juan Pavez, Candidato a Doctor, ofrecerá un coloquio titulado “Aprendizaje profundo: fortalezas y debilidades”.

La charla tendrá lugar en el auditorio Claudio Matamoros (F-106) en Casa Central y se transmitirá por videoconferencia al Laboratorio de Programación Avanzada (LPA, Sala B-038) del DI, Campus San Joaquín.

¡Quedan todos cordialmente invitados!

Mini Bio

Juan Pavez es candidato a doctor del departamento de Informática de la Universidad Técnica Federico Santa María bajo la supervisión de Dr. Héctor Allende. El trabajo de Juan se ha centrado en el procesamiento de datos para la física de partículas, colaborando con científicos de CERN y NYU. Durante los últimos años, su trabajo se ha concentrado en la aplicación del aprendizaje profundo al procesamiento del lenguaje natural. Durante el 2018 presentó su trabajo en la conferencia ACL 2018, una de las principales para el Área del procesamiento del lenguaje natural.

Resumen

El aprendizaje profundo ha logrado grandes avances durante los últimos años que están revolucionando el campo del procesamiento del lenguaje natural. Estos avances se basan principalmente en el aprendizaje de representaciones de palabras pre-entrenadas que luego pueden ser usadas para tareas como question answering o document summarization. Sin embargo, con los avances también han aparecido las voces críticas. Estas se centran en la incapacidad del aprendizaje profundo de realizar razonamiento de alto nivel sobre las representaciones aprendidas. En esta presentación estudiarán las fortalezas y debilidades del aprendizaje profundo en comparación con métodos clásicos de inteligencia artificial para el razonamiento. Para esto, presentará algunos proyectos en los que hemos estado trabajando, que van desde contestar preguntas sobre imágenes a el apoyo al diagnóstico de patologí­as mentales. Estos casos ejemplifican la necesidad de avanzar más allá del aprendizaje de representaciones con redes neuronales.