[general_dat] Defensas tesis de licenciatura LCD y primeras graduaciones.

[Dirección LCD]

Hola! 

El miércoles 13/12 desde las 14hs defenderán sus tesis de licenciatura
en ciencias de datos Axel Fridman y Nicolás Sawczuk. Si todo va bien, se
convertirán en los primeros dos graduados de la carrera. Desde la
dirección queremos compartir nuestra alegría y satisfacción por este
evento que es solo el primero de muchos por venir. Por ese motivo
queremos invitar a toda la comunidad y especialmente a estudiantes de la
carrera y docentes vinculados con la misma (de la manera que sea) a
participar tanto de las dos defensas como del brindis posterior que
tendrá lugar a la salida del aula alrededor de las 16hs. 

Queremos también aprovechar este momento para agradecer a todas y todos
los estudiantes, docentes y nodocentes que hicieron y hacen que esta
carrera sea posible. 

Abajo información sobre las defensas. 

Los esperamos, 

Ana y Pablo 

Dirección LCD. 

---------------------------------------------- 

Defensas de tesis de licenciatura LCD 

Miércoles 13/12 14hs aula 1102 0+Inf

Defiende a las 14:00 hs 
Axel Fridman  
Título: Exploración de la limpieza de ruido en habla hispana con redes
neuronales 

Resumen: Las señales de habla pueden estar contaminadas por ruidos que
dificultan nuestra capacidad de comunicarnos, para resolver esta
problemática existe la tarea de eliminación de ruido. En este trabajo se
estudia un modelo basado en redes neuronales tomando como punto de
partida el modelo HiFi-GAN [1]. A diferencia de este trabajo, nosotros
decidimos utilizar habla en español. Se presentan una serie de
experimentos centrados en mejorar resultados, que abarcan aspectos
diversos como: evaluación de tres funciones de pérdida alternativas,
entrenamiento con diferentes conjuntos de datos, comparación de
distintas arquitecturas de red generadora y la implementación de
curriculum learning. 

Los resultados indican que una arquitectura reducida puede alcanzar
resultados similares a los que se obtienen con la arquitectura original
(para el conjunto de datos utilizados en este trabajo). También se
utilizaron estrategias como decaimiento de la tasa de aprendizaje para
optimizar el entrenamiento. Además, se estudian las predicciones del
modelo bajo diversas condiciones de ruido y para diferentes grupos de
hablantes. También se incluye el código del proyecto proporcionando una
herramienta valiosa para futuros trabajos. 

Director: Pablo Riera 

Jurados: 
Pablo Riera 
Leonardo Pepino 
Victoria Paternostro.

[1] Finkelstein A. Su J, Jin Z. Hifi-gan: High-fidelity denoising and
dereverberation based
on speech deep features in adversarial networks. arXiv preprint
arXiv:2006.05694,
2020. 

Defiende a las 15:00hs  Nicolás Sawczuk
Título: Predicción de la codificación y recuperación exitosas de la
memoria de trabajo verbal usando EEGs intracraneales del giro
supramarginal-izquierdo 

Resúmen: Con la implantación de electrodos subdurales y profundos en la
corteza del cerebro, los iEEGs permiten el estudio de la actividad
cerebral de regiones antes inaccesibles. En este trabajo se utilizaron
iEEGs correspondientes al giro supramarginal izquierdo (LSMG) de
pacientes siendo monitoreados mientras realizaban tareas de recuerdo
libre verbal, en el contexto de un proyecto de investigación sobre la
memoria. Dado que las investigaciones involucran al LSMG en la memoria
de trabajo (entre otros procesos cognitivos) se espera que los iEEGs de
esta región sean suficientes para predecir la codificación exitosa de la
memoria verbal en la tarea de recuerdo libre. Debido al rol que estudios
recientes atribuyen a las oscilaciones high gamma y beta en la memoria
de trabajo se hipotetiza también que estas oscilaciones son mejores
predictores de la codificación exitosa que el espectro de frecuencias
entero.

Se probaron tres métodos de clasificación basados en machine learning:
uno de redes neuronales usando las señales sin procesar, otro de
regresión logística y svm usando features extraídas de la representación
tiempo-frecuencia y otro en el que se extraen las oscilaciones de la
señal (con un método de análisis topográfico de la representación TF)
para luego armar series de tiempo de oscilaciones y entrenar redes
neuronales. Se concluyó que es posible predecir la codificación exitosa
con los iEEGs del LSMG y que usar solo las frecuencias high gamma y beta
en oposición a la señal sin procesar mejora las predicciones. 

Director: Juan Kamienkowski
Codirector: Diego Fernandez Slezak 

Jurados:  
Daniela Rodriguez 
Juan Kamienkowski 
Luz Bavassi