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