EL SEMINARIO WEB FINALIZÓ
Edit
Acerca de este Webinar
A medida que avanzan procesos de modernización del Estado en todo el mundo, con mayor frecuencia funcionarios de los distintos niveles de gobierno se enfrentan a la pregunta: ¿Cómo implementar algoritmos o sistemas basados en Machine Learning para resolver los desafíos de las políticas públicas? El uso de algoritmos de analítica avanzada permite comprender datos, identificar patrones de comportamiento, pronósticos y automatizar la toma de decisiones.

En el 2019, el Programa de las Naciones Unidas para el Desarrollo (PNUD) contrató para el Ministerio del Ambiente del Ecuador (MAE) la implementación de un modelo basado en Machine Learning, para categorizar proyectos, obras o actividades en función de su impacto. A partir de la utilización de algoritmos de aprendizaje automático, la implementación de este proyecto permite ahora al sector público apoyarse en procesos cada vez más automatizados para el procesamiento y análisis de datos, con el objetivo de mejorar los procesos de toma de decisiones, llegando en algunos casos a delegar la decisión misma en estos sistemas.

El núcleo del procesamiento usado en el proyecto está basado en la utilización de funciones para la gestión de datos y algoritmos de aprendizaje no supervisado y supervisado de Wolfram Mathematica.
ID del seminario web
fb9beebbd401
Presentadores
1627595809-fa0bc4ece7eb83a7
Fernando Sandoya, Universidad ESPOL
SolOpt CEO
Fernando Sandoya es profesor en la Escuela Superior Politécnica del Litoral y el CEO de SolOpt. Su trabajo se enfoca en modelos matemáticos de optimización, programación lineal y en enteros, optimización combinatoria, simulación y estadística en ingeniería y ciencia, así como en el desarrollo de procedimientos meta-heurísticos para la resolución de problemas de optimización del tipo NP-Duro. Ha desarrollado proyectos para importantes empresas de los sectores de alimentos y servicios, así como del sector público.
1626994132-b595575346a77333
Roy Alvarez, Moderador
Director LATAM, Wolfram Research