Búsqueda Óptima de Redes Neuronales en el Contexto de Aprendizaje Supervisado:

En esta charla, Mateo presenta su trabajo de grado dirigido por Adolfo, donde propone una nueva forma de seleccionar arquitecturas de redes neuronales desde la estructura misma, más allá de simplemente ajustar los pesos. El proyecto plantea un marco riguroso para explorar el espacio de arquitecturas posibles mediante un grafo donde cada nodo representa una familia de redes. Utilizando el algoritmo Metropolis-Hastings y herramientas de teoría del aprendizaje estadístico, como la minimización del riesgo estructural, Mateo muestra cómo se puede navegar este grafo de manera inteligente, evaluando no solo qué tan bien funciona una red, sino también qué tan compleja es. A lo largo de la charla se desarrollan fundamentos teóricos para garantizar consistencia universal, tanto para clasificación como para regresión, y se presentan ejemplos computacionales donde esta estrategia supera redes predefinidas en precisión, a pesar de un mayor costo computacional. Una propuesta profunda que mezcla estadística, teoría de la computación y machine learning, ideal para quienes buscan entender los fundamentos detrás del diseño de arquitecturas eficientes y robustas.