Sergio Fabián Yovine
Sergio Fabián Yovine


Ingeniería

Doctor en Informática, Institut National Polytechnique de Grenoble, Francia. Habilitation à Diriger des Recherches (HDR), Université Joseph Fourier, Grenoble, Francia. Licenciado en Informática, Escuela Superior Latinoamericana de Informática (Eslai), Universidad de Luján, Argentina. Actividad independiente como desarrollador de software para aplicaciones móviles iOS, Android y BlackBerry. Docente del área de Teoría de la Computación. Coordinador académico del Diploma de Especialización en Analítica de Big Data. Curriculum Vitae

 

Materias dictadas

Facultad de Ingeniería
Deep learning con grandes volumenes de datos, Deep learning con grandes volúmenes de datos, Diseño y programación de sistemas paralelos, Estructuras de datos y algoritmos 1, Lenguajes de programación, Machine learning para sistemas inteligentes, Paradigmas de programación, Proyecto, Taller de big data, Técnicas de machine learning para análisis de datos, Teoría de la computación, Tesis - semestre 1, Trabajo integrador.


Grupo de investigación

Federico Gómez (Tesista de maestría)

Franz Mayr (Tesista de maestría)

Verónica Tortorella (Tesista de maestría)

Sergio Yovine (Catedrático)



Temas de investigación

Predicción de la edad en redes sociales

El objetivo de esta tesis es explorar y proponer soluciones para el problema de predecir la edad de los individuos, con el fin de completar sus perfiles públicos, obtenidos a partir de la información disponible en las redes sociales. La problemática se estudiará en el contexto particular de la región con una fuerte especialización en el idioma español, para lo cual se dispone de un importante corpus de datos y las herramientas de análisis de probada utilidad práctica. El foco se pondrá en el análisis del lenguaje utilizado por los individuos en las redes sociales mediante técnicas de machine learning.

Participantes: Verónica Tortorella, Sergio Yovine

Modelado de comportamiento con base temporal, con vistas a la aplicación en algoritmos de detección de anomalías

La detección de comportamientos anómalos o sospechosos, es decir, de patrones en los datos que no son conformes a un comportamiento esperado bien definido, es una tarea con numerosas aplicaciones críticas en seguridad, finanzas, atención médica y muchas otras. Hoy en día, la automatización de la detección es esencial, ya que es extremadamente difícil o incluso imposible para un analista humano identificar patrones fraudulentos en contextos dominados por grandes volúmenes datos. El trabajo se enfoca en el estudio de comportamientos que evolucionan en el tiempo, generados por procesos (con o sin intervención humana), donde varios tipos de eventos interrelacionados ocurren a lo largo del eje del tiempo. Se analizará el modelado de comportamientos temporales por medio de autómatas temporizados, desarrollando distintos tipos de modelos y evaluando sus fortalezas y debilidades en lo que refiere a la dependencia de la calidad de los conjuntos de datos recibidos para el entrenamiento de modelos y la robustez a modificaciones malintencionadas de los comportamientos a evaluar.

Participantes: Franz Mayr, Sergio Yovine

Predicción no invasiva y visualización de la presión intracraneal en tiempo real

El monitoreo de la presión intracraneal (PIC) es muy importante en el tratamiento de pacientes con enfermedades neurológicas dado que la hipertensión intracraneal (HI) es una causa de lesión cerebral. El seguimiento de la PIC es crucial porque los signos clínicos de la HI pueden ser tardíos y no muy efectivos en la predicción. El estándar para la medición de la PIC es recurrir a métodos invasivo de monitoreo. Estos procedimientos requieren abrir el cráneo del paciente lo que los hace muy riesgosos, debido a que pueden provocar hemorragias, infección y daño del tejido cerebral, y están contraindicados en muchos casos. Por esta razón, hay gran interés en disponer de técnicas que permitan estimar la PIC de manera no invasiva cuando las indicaciones para la medición invasiva no se cumplen. Los métodos no invasivos se basan en la detección de cambios asociados con incrementos en la PIC, que pueden ser de tipo morfológico, por ejemplo los observados a través de técnicas de imagenología, o de tipo fisiológico, como por ejemplo cambios en el flujo sanguíneo cerebral observados mediante Doppler transcraneal. Una línea importante de investigación en esta área es el uso de técnicas de machine learning para predecir la PIC. Sin embargo, hasta la fecha, ningún método no invasivo de monitoreo de la PIC ha demostrado ser suficientemente fiable para reemplazar a los invasivos. Este trabajo se sitúa en el contexto de la predicción no invasiva de la PIC mediante técnicas de machine learning a partir de la presión arterial promedio (PAM) y la velocidad de flujo sanguíneo (VF). Trabajos científicos recientes han mostrado que este enfoque es prometedor, pero subrayan que es de vital importancia mejorar la exactitud de la predicción recurriendo a modelos no lineales y realizar experimentos con datos de una base significativa de pacientes.

Participantes: Federico Gómez, Sergio Yovine



Publicaciones

Recientes

Pérez, G. & Yovine, S. Formal specification and implementation of an automated pattern-based parallel-code generation framework. Int J Softw Tools Technol Transfer (2017). https://doi.org/10.1007/s10009-017-0465-2

 

Yovine, S. & Winniczuk, G. CheckDroid: A Tool for Automated Detection of Bad Practices in Android Applications Using Taint Analysis. MOBILESoft@ICSE 2017: 175-176.

 

Lista completa y citaciones

Google scholar

DBLP



Cátedra y Coordinación académica

Catedrático de Inteligencia Artificial y Ciencia de Datos

Coordinador del posgrado "Especialización en Analítica de Big Data"



© 2010 / Universidad ORT Uruguay

CAMPUS CENTRO:
Cuareim 1451 Tel.: (598) 2 902 15 05

CAMPUS POCITOS:
Bvar. España 2633 Tel.: (598) 2 707 18 06

Montevideo, Uruguay