Modelo Deep-HiTS Bayesiano para Clasificación y Detección de Novedad en Imágenes de Alertas de Telescopio
Presentador: Benjamín Barrientos (estudiante MIN)
Resumen: Deep-HiTS es un modelo de red neuronal convolucional desarrollado por el broker ALeRCE para clasificar imágenes astronómicas generadas a partir de alertas de telescopios en sondeos astronómicos. Este trabajo combina técnicas avanzadas de aprendizaje automático para abordar problemas clave en la astronomía moderna, como la clasificación precisa de fenómenos transitorios y la detección de objetos novedosos. Mediante la transformación de Deep-HiTS en una red neuronal bayesiana, se busca dotarlo de la capacidad de detectar objetos fuera de distribución. Este enfoque contribuye al desarrollo de herramientas automatizadas que facilitan la exploración y comprensión del universo, optimizando el análisis de datos masivos en proyectos astronómicos contemporáneos.
me disculpo por la hora, estuve ocupado hasta tarde
Impacto de en un Open Social Learner Model en el Aprendizaje Autorregulado en un Tutor Inteligente: Una mirada micro-genética
Presentador: Joaquín Sotomayor (estudiante MIN)
Resumen: En los últimos años, herramientas como los Sistemas de Tutores Inteligentes (ITS) y los Modelos Abiertos del Aprendiz (OLM) han destacado como promotores del aprendizaje autorregulado. Estas tecnologías ajustan los modelos de aprendizaje al nivel del estudiante, recopilando datos sobre su uso y conocimiento. Aunque la investigación ha explorado el enriquecimiento del OLM mediante la incorporación del factor social, su impacto específico en el uso de un Tutor Inteligente a nivel de pasos aún no ha sido profundamente investigado. El presente estudio analiza el efecto de un OLM con y sin comparación social en el desarrollo del aprendizaje autorregulado.
