Investigaciones recientes:
La investigación se centra en el desarrollo y optimización de arquitecturas de aprendizaje automático y profundo para abordar desafíos complejos de clasificación y predicción en dominios médicos, industriales y administrativos. Un tema central es la implementación de sistemas de apoyo al diagnóstico, particularmente en oncología y neurología, donde se utiliza procesamiento de imágenes avanzado—incluyendo CNNs, 3D U-Nets y aprendizaje en conjunto (ensemble learning)—para la detección de tumores cerebrales, cáncer de pulmón y cáncer de mama. Estos estudios enfatizan la importancia de la interpretabilidad de los modelos, utilizando técnicas como gradientes integrados, SHAP y LIME para garantizar la fiabilidad clínica. Más allá de la salud, el trabajo se extiende al análisis predictivo para riesgos financieros, predicción de defectos de software y retención educativa, empleando metodologías como CRISP-DM para estructurar flujos de trabajo basados en datos. Además, la investigación explora las Redes Basadas en Intenciones (IBN) y la optimización de recursos, integrando redes neuronales para automatizar la gestión de redes y mejorar la calidad del servicio. Al abordar el desequilibrio de datos mediante técnicas de remuestreo y mejorar la transparencia de los modelos, la investigación proporciona soluciones escalables y de alto rendimiento para la toma de decisiones en entornos reales.

Temas Clave:

• Análisis de Imágenes Médicas y Diagnóstico Asistido por Computadora
• Aprendizaje en Conjunto y Modelado Predictivo
• Interpretabilidad de Modelos e Inteligencia Artificial Explicable (XAI)
• Preprocesamiento de Datos y Aprendizaje con Desequilibrio
• Redes Basadas en Intenciones y Optimización de Recursos
• Predicción de Defectos de Software y Aseguramiento de la Calidad