En esta presentación, el charlista entregará algunos ejemplos de proyectos científicos donde se requiere procesar grandes volúmenes de datos corruptos con el fin de extraer señales de interés con una alta resolución espacio-temporal. En primer lugar, en el contexto del diseño de una prótesis de retina para tratar la pérdida de visión, mostrará resultados obtenidos sobre la detección de actividad neuronal en tiempo real a través de mediciones en arreglos de electrodos. Luego, en el contexto del entendimiento de qué es la mente, mostrará resultados sobre la identificación probabilística de neuronas en el gusano C.elegans, usando la nueva neuro-tecnología NeuroPAL, que permite el coloramiento de las neuronas usando ingeniería genética. Luego comentará cómo estas investigaciones permitieron el desarrollo de nuevos algoritmos y teoría en machine learning y estadística. Finalmente, el investigador comentará cómo el tipo de modelos descritos anteriormente puede ser útil en el contexto de COVID-19, específicamente, para estimar la incidencia real de la enfermedad en tiempo casi-real, y a una resolución espacial fina.
Gonzalo Mena ocupa el puesto de Data Science Initiative Postdoctoral Fellow en la Universidad de Harvard, y desde julio 2020, de Florence Nightingale Bicentenary Senior Research Fellow and Tutor in Computational Statistics and Machine Learning, en la Universidad de Oxford. Obtuvo su doctorado en 2018 en Estadística en la Universidad de Columbia, y su título profesional de Ingeniero Civil Matemático en la Universidad de Chile en 2011. Su mayor interés se centra en el desarrollo de nuevos métodos en estadística computacional y machine learning con el fin de analizar datos complejos en biología, a diversas escalas, de manera robusta, y con un fuerte fundamento teórico.
--
Comunicaciones DCC