Resumen: Los métodos de clasificación estándar consideran respuestas nominales, es decir, categorías o etiquetas donde el orden entre ellas no importa.
Contrario a los nominales, los datos con respuesta ordinal tienen una estructura en particular donde las diferencias entre las clases no son necesariamente iguales, y requieren también, diseñar métodos de clasificación que tomen en cuenta ésta característica. Este tipos de datos surgen en una gran cantidad de aplicaciones, tales como medicina, finanzas, mercadotécnia, psicología, etcétera. Si bien éste problema ha sido abordado desde hace tiempo desde un enfoque estadístico, en el área de aprendizaje máquina (donde se busca prescindir de supuestos distribucionales) los trabajos son pocos.
En ésta plática se mostrarán algunas propuestas basadas en algoritmos tipo Boosting, que tienen la ventaja (entre otras) de ser sencillos y tener una buena generalización. Se tratará el caso sencillo de dos clases, donde se obtiene un algoritmo Boosting sensible al costo, y algunas aproximaciones al caso multiclase.

Biografía: Dr. Victor Muñiz Sánchez.
Doctor en Ciencias de la Computación (2011) por el Centro de Investigación en Matemáticas (CIMAT).
Maestro en Ciencias con especialidad en Computación y Matemáticas Industriales (2004) también por CIMAT
Licenciado en Ingeniería Industrial por el Instituto Tecnológico de Puebla (1997).
Actualmente es investigador en CIMAT Monterrey.
Sus áreas de interés son aprendizaje máquina, reconocimiento estadístico de patrones y estadística espacial.

Nota:
Se les pide estar 10 minutos antes en el auditorio por respeto al ponente.