Examinando por Autor "Chushig Muzo, Cristian David"

Mostrando 1 - 4 de 4

Fundamentos de adquisición y transmisión de señales
(2024) Buciulea Vlas, Andrei; Chushig Muzo, Cristian David
El material asociado al Bloque I tiene como objetivo el estudio de los Fundamentos Matemáticos de la Información en la adquisición y transmisión de señales. Se divide en tres partes: teoría, ejercicios y prácticas. La sección teórica abarca conceptos clave como muestreo, cuantización, interpolación, aliasing, autocorrelación, densidad espectral de potencia y filtrado, explicando temas esenciales para el procesamiento de señales deterministas y aleatorias. La parte de ejercicios incluye ejemplos resueltos y problemas sobre muestreo, cuantización, aliasing, procesos estocásticos y filtrado, permitiendo la aplicación práctica de los conocimientos. Además, el material contiene tres prácticas: la primera trata sobre muestreo, cuantización y aliasing; la segunda se centra en la caracterización de señales aleatorias mediante métricas como media, varianza y autocorrelación; y la tercera explora filtrado y reducción de ruido en señales temporales e imágenes. Cada práctica incluye implementaciones y análisis de resultados en notebooks de Jupyter. En conjunto, este material busca consolidar la comprensión teórica y práctica de los fundamentos de la información mediante explicaciones, ejercicios y experimentación computacional.
Fundamentos de compresión de datos
(2024) Buciulea Vlas, Andrei; Chushig Muzo, Cristian David
El material del Bloque III de la asignatura Fundamentos Matemáticos de la Información se centra en la compresión de datos y proporciona una base sólida en técnicas clave para reducir el tamaño de los datos de manera eficiente. Se divide en tres secciones: teoría, ejercicios y prácticas. La parte teórica cubre temas fundamentales como la introducción a la compresión, el muestreo y el teorema de Nyquist, la compresión con y sin pérdidas en imágenes (PNG y JPEG), descomposiciones matriciales (LU, QR, SVD, Cholesky), algoritmos de compresión (PCA, cuantización, autoencoders, transformadas de Fourier y Wavelets, modelos de baja dimensionalidad), selección de características y descomposición de tensores (PARAFAC y Tucker). También se incluyen los autoencoders y su relación con el PCA en la compresión de datos. La sección de ejercicios presenta problemas prácticos sobre muestreo, compresión en diferentes tipos de datos (audio, imágenes, video, señales ECG, archivos de texto) y ajuste de modelos polinomiales, permitiendo a los estudiantes aplicar los conceptos teóricos. El bloque de prácticas consta de varias actividades implementadas en Jupyter Notebooks. Incluye ejercicios sobre ajuste de curvas polinomiales con regularización, selección de características mediante Lasso, Ridge y Elastic Net, matricización y vectorización de tensores, implementación del modelo PARAFAC, reducción de dimensionalidad con autoencoders y su comparación con PCA, además del uso de Denoising Autoencoders para clasificación y tareas predictivas. Este material combina teoría, ejercicios y prácticas computacionales para proporcionar una comprensión profunda de los métodos de compresión de datos y su aplicabilidad en diversos contextos.
Fundamentos de teoría de la información
(2024) Buciulea Vlas, Andrei; Chushig Muzo, Cristian David
El material de Bloque II de la asignatura Fundamentos Matemáticos de la Información se centra en los límites fundamentales de la representación y transmisión de la información, abordando conceptos clave de la Teoría de la Información. Se divide en tres partes: teoría, ejercicios y prácticas. La sección teórica introduce nociones esenciales como bits, entropía, información mutua, entropía conjunta y condicional, teoría de la distorsión, compresión de datos y capacidad del canal, incluyendo temas como el teorema de codificación de fuente, códigos Huffman y canales de comunicación discretos y gaussianos. La parte de ejercicios ofrece ejemplos resueltos y problemas sobre cálculo de entropía, eficiencia de códigos, capacidad de canales y compresión de fuentes, permitiendo la aplicación de los conceptos estudiados. Además, se incluyen dos prácticas: la primera sobre el cálculo de entropía, información mutua y capacidad del canal, y la segunda sobre la codificación y decodificación Huffman, donde los estudiantes implementan y analizan códigos en función de la eficiencia y longitud promedio. Con una combinación de teoría, ejercicios y prácticas computacionales, este material busca proporcionar una comprensión profunda de la representación y transmisión de la información.
Unsupervised Learning Methods to Extract ClinicalKnowledge of Patients with Chronic Diseases
(Universidad Rey Juan Carlos, 2022) Chushig Muzo, Cristian David
Over the last decades, life expectancy has significantly increased worldwide.Recentdemographic trends outline that the number of elderly people will continue to rise, yieldingpopulations at higher risk of developing chronic diseases. The number of chronic patients isgrowing yearly, entailing a significant health burden and demand of services and resources formedical care. Diabetes and hypertension are two of the most prevalent chronic conditions,mainly showing patterns of associative multimorbidity among elderly people.The widespread adoption of Electronic Health Records (EHRs) in national health systemshas generated an unprecedented amount of clinical data. EHRs allow to register data ofdifferent aspects of care, collecting great information of patients, and becoming a valuablesource for conducting data-driven approaches, especially those based on Machine Learning(ML). These methods have revolutionized both academia and industry, substantiallyoutperforming prior outcomes in different domains. ML models have been used in conjunctionwith EHRs for different clinical applications, including patient mortality prediction, hospitalreadmission prediction, and identification of adverse events, among others. The obtainedinsights from these models have the potential to lead an important transformation in traditionalhealth care, shifting from approaches guided by experts to data-driven approaches.Despite the noteworthy benefits of using ML methods in the clinical setting, data extractedfrom EHRs raised important challenges. EHR data exhibit high levels of heterogeneity andhigh-dimensionality that substantially affect the learning process of statistical and conventionalML methods. Furthermore, in many applications, the data labels may not be available or bereliable. Unsupervised learning methods provide a way to reveal the underlying structure ofcomplex datasets, allowing us to discover unknown patterns and characterize clustersassociated with chronic conditions. The main goal of this Dissertation is to apply and adaptunsupervised learning methods to automatically extract clinical knowledge of patients with chronic diseases. The following specific objectives are proposed:(i)to develop a data-drivenapproach enabling the clinical characterization of the health status associated with differentchronic populations;(ii)to build new representations associated with chronic patients throughdimensionality-reduction techniques enabling the visualization and identification of clusters ofpatients with specific chronic conditions; and(iii)to design a methodology based onprobabilistic methods for supporting interpretability of black-box models when used in theclinical setting. From a clinical point of view, we seek to determine factors associated with theonset and progression of chronic conditions, crucial for planning resources, early diagnosis,and prevention. Remark that early interventions and appropriate treatments can help to reducethe economic burden associated with chronic diseases.This Thesis contributes to the bioengineering field by providing effective unsupervisedlearning methodologies for extracting clinical knowledge from real-world patient data,allowing us to address the main challenges raised by EHR data, improving pattern recognition,visualization, and clinical interpretation.