10:00-10:30 Elvira Mayordomo: Bienvenida y presentación del proyecto

10:30-11:00 Café

11:00-12:00 José Luis Balcázar: A Hands-On introduction to Knime (I)
You are strongly encouraged to bring your own laptop and a USB stick!!

12:00-13:00 Ricard Gavaldà: Learning probabilistic finite-state machines

15:30-16:00 Alejandra Cabaña: Modelos para datos estacionarios mediante
procesos de Ornstein-Uhlembeck generalizados.

16.00-16:30 Manuel G. Bedia: Modelos mínimos de inteligencia emergente:
resolver problemas explotando acoplamientos

16:30-17:00 Nacho Requeno: Modelado de propiedades filogenéticas en
lógica temporal. Resultados preliminares del slicing model checking.

17:00-17:30 Café

17:30-18:30 Tiempo para discusión

9:00-10:00 José Luis Balcázar: A Hands-On introduction to Knime (II)

10:30-11:00 Café

10:30-11:00 Jorge Álvarez: Research directions in phylogenetics

11:00-11:30 Lluis Belanche: Averaging of kernel functions.

11:30-12:30 Reunión de coordinadores / Tiempo para discusión

12:30-13:30 Preparación de la siguiente reunión de coordinación

15:30-16:30 Ricard Gavaldà: Learning probabilistic finite-state machines
(II)

Abstract: Knime is a powerful, flexible, efficient platform for data
mining with a fast-increasing user base. This will be a tutorial on
using Knime, including some contributions from UPC-UCantabria. You are
strongly encouraged to bring your own laptop and a USB stick.

Resumen: La perspectiva tradicional en Inteligencia Artificial asume
implícitamente que, frente a un problema, el éxito de un agente
inteligente que pretenda resolverlo residirá en sus mecanismos internos.
La incertidumbre o la dinámica del medio siempre juega un rol negativo
forzando al agente a readaptar soluciones originalmente válidas que
quedan obsoletas.
En esta charla, se pretenden discutir algunos “modelos mínimos” (Slocum
et al, 2000) de sistemas acoplados agente-entorno, utilizando técnicas
de sistemas dinámicos con el fin de revisar si la intuición previamente
señalada debe asumirse necesariamente. Se analizarán comportamientos que
despliegan algunos agentes para intentar alcanzar sus objetivos,
utilizando estrategias que explotan condiciones locales en la
interacción con su entorno.
1) En el primer ejemplo, el agente buscará un comportamiento que
minimice el tiempo de intercambio de una solución previa con una
actualizada, mostrando que este tipo de estrategia flexible, aunque
subóptimamente ajustada, optimiza el sistema acoplado. Comportamientos
de carácter intermitente que se presentan en nichos naturales de
diferentes escalas ecológicas (Benichou et al, 2005) serán discutidos a
partir de los resultados del modelo expuesto.
2) En el segundo ejemplo, un agente combinará la dinámica de su
comportamiento con la dinámica de un entorno para explotar fenómenos en
los que la estocasticidad del medio induce regularidad en el sistema
agente-entorno acoplado. El modelo se aplicará al análisis de algunos
fenómenos de carácter cognitivo, en particular, se discutirá la famosa
hipótesis del “marcador somático” (Damasio, 1996) que muestra cómo
influyen los recuerdos de carácter emocional en la mejora de las
habilidades humanas para la toma de decisiones.
Slocum, A. C., Downey, D. C.,& Beer, R. D. (2000). Further experiments
in the evolution of minimally cognitive behavior: From perceiving
affordances to selective attention. In J.-A. Meyer, A. Berthoz, D.
Floreano, H. Roitblat,& S. Wilson (Eds.), From Animals to Animats 6:
Proceedings of the Sixth International Conference on Simulation of
Adaptive Behavior (pp. 430-439). Cambridge, MA: MIT Pres.
Benichou, O., Coppeya, M., Moreaua, M., Sueta, P.H. and Voituriezb, R.
(2005). A stochastic theory for the intermittent behaviour of foraging
animals. Physica (A) 356, 151.
Damasio, A.R. (1996) The somatic marker hypothesis and the possible
functions of the prefrontal cortex. Philos. Trans. R. Soc. Lond. B Biol.
Sci. 351, 1413–1420

Abstract: In kernel-based machines, the integration of several kernels
to build more flexible learning methods is a promising avenue for research.
In particular, in Multiple Kernel Learning a compound kernel is build
by learning a kernel that is the weighted mean of several sources. We
show that the only feasible average for kernel learning is
precisely the arithmetic average. We also show that three familiar means
(the geometric, inverse root mean square and harmonic means) for positive
real values actually generate valid kernels.

Abstract: We will review the state of the problem of learning probabilistic
automata and hidden markov models in formal models of learning, and
especially PAC learning. This is essentially a tutorial co-authored
with Jorge Castro and presented at the recent ICGI conference
(http://snowball.cs.umbc.edu/icgi2012/Gavalda_Castro_Tutorial.pdf)