Colegio de Matemáticas Bourbaki

¡Conoce la nueva edición de nuestro Bourbakisme en donde tratamos el problema de los valores faltantes! En nuestros cursos, enseñamos distintos métodos útiles para el estudio de los valores como factorización de matrices, método de Rubin, redes neuronales y auto-encoders. También hablamos sobre avances recientes muy sorprendentes en el estudio matemático de los valores faltantes. ¡Suscríbete y no te pierdas de ninguna edición!

Hace poco más de un mes, nuestro director Carlos Ruiz dió una charla en el anual Congreso Nacional de la Sociedad Matemática Mexicana. En ella, se dieron algunas reflexiones sobre la carrera de un matemático fuera de la investigación matemática. Estamos convencidos de que la investigación académica e industrial para la solución de problemas basada en datos requiere de matemáticos bien preparados para resolver los difíciles retos a los que se enfrentan abogados, mecadólogos, médicos, químicos, biólogos y empresarios. Esperamos que estas reflexiones provenientes de los casi 6 años que tiene de fundado el Colegio de Matemáticas Bourbaki les ayuden a otros matemático a dirigir mejor su carrera con el objetivo de ser competitivos laboralmente pero también para que se puedan sentir plenos intelectualmente.

¡Nos vemos mañana!

Todos en el Colegio de Matemáticas Bourbaki queremos felicitar calurosamente a los ganadores de la beca en conjunto con la Sociedad Matemática Mexicana para participar en el Congreso Nacional en Durango que se llevó a cabo hace poco más de un mes. La lista de los elegidos es la siguiente. Les compartimos los títulos de las tesis en las que están trabajando: Arait Monter Corona. Predicción de ingresos netos y volatilidad de precios del café en México mediante el uso de Machine Learning. Karime Ochoa Jacinto. Procesamiento del lenguaje natural aplicado al diseño de herramientas para el análisis crítico del discurso literario. Francisco Javier Alvarado Cabrera. Método de Burniston-Siewert para resolver ecuaciones trascendentales. Armando Ortega Deaquino. Modelos de flujo fluidos generalizados con derivadas de orden no-entero con kernel no-singular. Lorenzo Antonio Alvarado Cabrera. El metodo del círculo de Hardy-Littlewood. Luis Manuel Lagunez Rodríguez. Propuesta metodológica para el análisis comparativo de modelos de predicción del Bitcoin.

La SIAM MexSIAM es la sección de la célebre Society of Industrial and Applied Mathematics la cual es una de las sociedades más prestigiosas que promueve el desarrollo de las matemáticas aplicadas por medio de colaboraciones, revistas y eventos. Este año tendrán su reunión anual en la Ciudad de Mérida del 4 al 6 de Diciembre y el Colegio de Matemáticas Bourbaki está muy contento por ser uno de los patrocinadores del evento. En el evento tendremos la oportunidad de presentar algunas de las cosas que hacemos en Bourbaki respecto a enseñanza pero también sobre los otros proyectos. Además, nuestro director Carlos Ruiz dará una charla con el siguiente título y resumen: PAC learning for neural networks & o-minimal theories. I will discuss some improvements of classical bounds on the learning process of deep neural networks under the hypothesis of o-minimality. O-minimal structures are an example of tame topology where many pathological sets are forbidden using hypothesis about first order formulas. I will discuss both theoretical results and empirical observations for some sequential datasets.

With Google Quantum AI, we’re introducing AlphaQubit: an AI-based system that can more accurately identify errors inside quantum computers. 🖥️ Here’s why this is important. ↓ Certain problems which would take a classical computer billions of years to solve, can be solved by quantum computers in a few hours. The issue? These systems aren’t as reliable as we’d like. Quantum error correction solves this by: ◾Grouping multiple qubits into a single logical qubit. ◾Making consistency checks. ◾Using a decoder to identify and correct errors from those consistency checks. AlphaQubit achieves a new state-of-the-art in decoding accuracy, helping to make quantum computers more reliable. AlphaQubit shows the potential of machine learning approaches in this space. We look forward to advancing this work, helping pave the way for more stable and reliable quantum systems. ↓ https://goo.gle/3V0rVCo

Un momento para celebrar el talento y la innovación en BBVA El pasado 19 de noviembre vivimos un evento que me llena de orgullo: el All-Hands de Analytics Transformation. Más de 1,000 personas, conectadas desde distintos países, compartimos aprendizajes, reconocimos talento y reforzamos nuestra visión de transformar los datos en valor para BBVA. Quiero agradecer especialmente a Ricardo García Martín, FRM, SCR, nuestro Global Head de Analytics Transformation, por liderar con claridad y visión este encuentro. Su capacidad para alinear nuestras metas y motivar a todo el equipo ha sido clave en el éxito de este evento. También quiero destacar a dos profesionales excepcionales, Javier Marín y Victor Adail Ferrer, cuyo compromiso y liderazgo fueron fundamentales para hacer realidad este evento. Fue un honor contar con la participación de Sergei Gukov, Director del Merkin Center for Pure and Applied Mathematics en Caltech y Advisory Director en el American Institute of Mathematics. Sergei compartió su visión sobre cómo las matemáticas están transformando la inteligencia artificial y el futuro de la analítica avanzada. También agradecemos la colaboración del Colegio de Matemáticas Bourbaki, que contribuye significativamente al avance del conocimiento en este ámbito. Uno de los momentos más emotivos fue la entrega de los Advanced Analytics Awards, donde reconocimos a los ganadores de la Space Career, quienes encarnan los valores de nuestra comunidad: Aprender, Hacer y Contribuir. Ver el impacto de nuestros Data Scientists y Data Specialists en proyectos transformadores es una inspiración constante para todos nosotros. Durante el evento, tuvimos el privilegio de anunciar el nombramiento de nuestros primeros Master Experts, un reconocimiento que resalta su capacidad técnica y su impacto en el sector. Este título fue otorgado a María Hernandez Rubio, Johan Gunnesson, Óscar González, y Juan Carlos Martinez-Ovando, Ph.D., quienes son reconocidos en el mercado por su liderazgo en innovación y su invaluable contribución al éxito de BBVA. Este logro no solo celebra su excelencia profesional, sino que también refuerza nuestro compromiso de destacar y desarrollar el talento interno. Gracias al increíble equipo de Analytics Transformation y a nuestro talento global, que incluye a la BBVA AI Factory, seguimos avanzando en nuestra misión de liderar la transformación analítica y construir un futuro impulsado por los datos y la innovación. 👉 #OrgulloBBVA #DataTransformation #ArtificialIntelligence #DataScience #GenerativeAI #Innovation #AdvancedAnalytics #AIFactory #SpaceCareer #BBVA #Bourbaki

El teorema de descomposición en valores singulares es seguramente un Top 5 de los más utilizados en la aplicaciones de las matemáticas. Fue encontrado por primera vez a finales del siglo XIX por los matemáticos Beltrami y Jordan, especialmente concentrados en problemas de geometría diferencial. El artículo que les compartimos es una de las primeras demostraciones que hemos encontrado del caso general y es de 1935. Consideramos que el primer párrafo de este texto es increíblemente iluminador para los científicos de datos pues refleja la idea principal detrás de los sistemas de recomendación por métodos de Collaborative Filtering. Vale la pena mencionar que estas mismas ideas están en el corazón de las aplicaciones no-supervisadas del lenguaje natural, por ejemplo con Latent Semantic Analysis el cual es la base de modelos más complicados de Topic Modeling. En nuestro curso de Matemáticas para la Ciencia de Datos, hablamos precisamente sobre este teorema así como de sus aplicaciones a la extracción de información en bases de datos con textos.

Hace unas semanas, los economistas Daron Acemoglu, Simon Johnson y James A. Robinson recibieron el Sveriges riksbanks pris i ekonomisk vetenskap till Alfred Nobels minne, también conocido como el premio Nobel de Economía. Quienes quieran conocer más información sobre su trabajo desde un punto de vista no demasiado técnico les recomendamos mucho este texto publicado por el comité de los premios Nobel: https://lnkd.in/eda73qFv Sobre Simon Johnson, también les recomendamos mucho esta presentación de una charla que dio en la Federal Reserve of San Francisco, la grabación está disponible en línea utilizando esta liga: https://lnkd.in/eJFk-6Ty En esta charla se habla sobre el impacto que tendrá la Inteligencia Artificial Generativa en el mercado laboral durante los próximos 20 años. Disfrutamos mucho la charla y pensamos que es un buen contrapeso al optimismo generalizado que nos dejaron la semana anterior los premios Nobel de física y química.

El camino para llegar a los resultados actuales en inteligencia artificial por medio de redes neuronales profundas es bastante largo. A pesar de que los algoritmos y arquitecturas ya existían hace mucho tiempo, las implementaciones concretas tomaron bastante tiempo en poderse llevar a cabo. Uno de los grandes adelantos fue el uso de GPU en lugar de CPU para el entrenamiento de las redes neuronales por medio de Back-Propagation. Una de las grandes ventajas de hacerlo así es la paralelización. El artículo que les compartimos no es el primero en el que se han utilizado GPU para entrenar a las redes neuronales pero sí es uno de los primeros trabajos en donde se hizo a gran escala, estamos hablando más o menos del año 2004. ¡Hace solo 20 años! Varios años después se publica el artículo: Large-scale Deep Unsupervised Learning using Graphics Processors de Andrew Ng, Rajat Raina y Anand Madhavan como uno de los grandes saltos en el entrenamiento de los modelos profundos.