La Unidad de Data Science de la Universidad de Concepción te invita a hacer tu práctica con nosotros. Trabaja en proyectos desafiantes formando parte de un equipo interdisciplinario formado por ingenieros y data scientists de alto nivel.
Buscamos practicantes para los siguientes proyectos:
ALeRCE
Los telescopios de última generación están monitoreando constantemente el cielo en búsqueda de objetos astronómicos interesantes y desconocidos. Cientos de miles de alertas por noche son producidas por estos telescopios y en el futuro llegarán a ser millones. Una alerta se genera cada vez que un objeto cambia ya sea en posición o brillo con respecto a una imagen de referencia (e.g. explosión de estrellas, asteroides u objetos periódicos, entre otros).
ALeRCE (Automatic Learning for the Rapid Classification of Events) es un sistema integrado que apunta a la rápida clasificación de los eventos provenientes de telescopios de rastreo con el fin de seleccionar automáticamente a los candidatos relevantes a ser seguidos. Actualmente estamos buscando practicantes en las áreas de machine learning e infraestructura de ALeRCE.
Enfoques heurísticos para problemas de optimización de líneas de madereo
La optimización de extracción de árboles mediante líneas de madereo se ha convertido en una prometedora línea de investigación en el mundo y en Chile. Básicamente, se deben minimizar tiempos de extracción de árboles que permitan no erosionar el suelo por un prolongado tiempo. En este contexto, heurísticas que consideren movimientos de asignación son necesarios para resolver este tipo de problemas.
El practicante, por lo tanto, debe saber conceptos elementales de programación para resolver este tipo de problemas (deseable Java con IDE Eclipse/Netbeans, C++ o Python). Es deseable un practicante informático con buen desempeño en los ramos de Estructura de Datos y Análisis de Algoritmos, o un practicante Industrial con un buen desempeño en el ramo Programación aplicada a la ingeniería industrial.
Desarrollo de librería para modelo ASTROMER
ASTROMER es un modelo auto supervisado el cual aprende representaciones de objetos astronómicos a partir de millones de datos. Utilizando la representación aprendida, ASTROMER es capaz de generar embeddings que luego son utilizados por otros modelos de aprendizaje automático. Esto permite acelerar el entrenamiento de modelos específicos (e.g., clasificador de estrellas variables), y mejorar las métricas de evaluación cuando se tiene una pequeña cantidad de objetos.
El entrenamiento de ASTROMER toma días por lo que una vez entrenado, se comparten
los pesos del modelo para no volver a entrenar desde cero. El objetivo de esta práctica es desarrollar una librería en Python que facilite el uso de ASTROMER para la comunidad. La librería debe permitir cargar ASTROMER en cualquier dispositivo, cargar pesos pre-entrenados y realizar inferencias para extraer los embeddings.
ASTROMER ref: https://arxiv.org/abs/2205.01677
Codigo fuente: https://github.com/astromer-science
Composición musical multi-instrumental automática
El incremento en las capacidades de cómputo y la disponibilidad de datos ha hecho que las redes neuronales se convirtieran hoy en día en el estado del arte para proceso generativos, brindándoles con esto a las máquinas la capacidad de realizar tareas como composición y creación, emulando capacidades artísticas humanas.
El objetivo de esta práctica es la exploración, desarrollo y evaluación de diversos modelos generativos basados en redes neuronales para la creación de composiciones musicales multi-instrumentales a partir de representaciones en forma de Piano Rolls.
Adaptación de dominio para clasificación de supernovas
Los modelos de aprendizaje automático han mostrado buenos resultados para la clasificación de curvas de luz astronómicas. Sin embargo, para que estos modelos alcancen su mejor rendimiento son necesarios una gran cantidad de ejemplos etiquetados, los cuales son utilizados por el modelo para aprender de ellos.
El objetivo de esta práctica es explorar algoritmos de adaptación del dominio de manera de reducir la cantidad de etiquetas necesarias para clasificar supernovas a partir de sus curvas de luz.
Aprendizaje por Refuerzo MultiAgente en entorno de navegación
La tarea de navegación multiagente, que tiene como objetivo mover un conjunto de agentes (virtuales o físicos) entre posiciones de origen y destino sin colisiones, conlleva un conjunto de desafíos complejos de afrontar: reducir el tiempo de viaje, evitar o resolver situaciones de congestión entre otros. En los últimos años, se han utilizado
herramientas de machine learning para resolver problemas que involucran toma de decisiones secuenciales, pero la existencia de múltiples agentes introduce desafíos interesantes.
El objetivo de esta práctica es trabajar con un tesista de magíster en adaptar el entorno
de aprendizaje por refuerzo multiagente Petting Zoo al problema de navegación, con el objetivo de que los agentes puedan aprender la mejor forma de movilizarse que evite colisiones y reduzca el tiempo total de navegación. Se requiere que el postulante tenga habilidades de programación en Python. Idealmente, el practicante debería tener
conocimientos de inteligencia artificial y aprendizaje por refuerzo.
Visualización de datos de adherencia a tratamiento farmacológico
La adherencia a tratamientos farmacológicos para enfermedades crónicas es fundamental en el control del estado de salud de los/las pacientes y en su calidad de vida. Profesionales médicos y expertos en el área de salud, farmacología y trabajo social requieren contar con herramientas que permitan visualizar datos de adherencia a
tratamiento, presentadas de acuerdo a distintos criterios de análisis, y consultarlas de forma interactiva.
El objetivo de esta práctica es el desarrollo de un dashboard de visualizaciones de datos de adherencia a tratamiento farmacológico. El/la practicante deberá interactuar con especialistas de las áreas mencionadas y con un supervisor de práctica, para diseñar e implementar las visualizaciones que respondan a los requerimientos de información y análisis establecidos en conjunto. Se generarán datasets de adherencia generados para probar las visualizaciones y elementos interactivos implementados. Es deseable conocimiento básico de python.
Practicante de diseño gráfico y web
Buscamos personas de últimos años de la carrera de Diseño Gráfico o carreras afines para formar parte de un equipo interdisciplinario que combina ciencia, tecnología e innovación.
Se requiere el apoyo en la creación de contenido para la línea gráfica de la UDS y/o apoyo en el diseño de interfaces web orientadas en experiencia de usuario (UX/UI) en plataformas basadas en inteligencia artificial.
Para postular, envía un email a uds@inf.udec.cl incluyendo tu informe de notas, y un párrafo describiendo tu interés, la cantidad de meses que desean realizar la práctica y tu tema de preferencia en caso de tenerlo.
Fecha de término postulaciones: 12 de diciembre 2022.
Existe un pago de $200.000 bruto mensual asociado al trabajo. Además, tu práctica podría potencialmente convertirse en tema de Memoria de Título y/o Tesis.
