Camilo Piñón Blanco

Camilo Piñón Blanco es Graduado en Ingeniería de Tecnologías de Telecomunicación (2021) y Máster en Ingeniería de Telecomunicación (2023) por la Universidad de Vigo, con especialización en Ingeniería Telemática. Actualmente desarrolla su actividad como Ingeniero-Investigador en dentro de la línea de Privacy & Security Analytics de GRADIANT (Galician R&D Center in Advanced Telecommunications), donde se enfoca en el desarrollo de soluciones para detección de ciberataques y análisis de comportamiento de usuarios y entidades mediante técnicas de Machine Learning. Además, ha trabajado como investigador en atlanTTic, abordando proyectos relacionados con el procesamiento de lenguaje natural y análisis de datos textuales. Sus principales áreas de interés incluyen la ciencia de datos aplicada y el aprendizaje automático para analítica de ciberseguridad.


LinkedIn

https://es.linkedin.com/in/camilo-pinon-blanco


Session

10-04
16:00
90min
Pattern busters: encontrando patrones significativos con Python en aplicaciones reales
Pablo García Santaclara, Camilo Piñón Blanco

La idea de este taller es presentar técnicas de nivel medio/avanzado para detección de patrones y minería de datos y muestra en qué contextos y aplicaciones reales (industria, ciberseguridad, ...) son útiles, qué permiten hacer o qué limitaciones tienen. Con esto, se pretende mostrar que no siempre se necesita conocer los detalles un algoritmo para saber usarlo, interpretar qué entradas necesita y qué resultados o patrones permite detectar para extraer información relevante de un conjunto de datos.

Cuando uno empieza a trabajar en analítica y minería de datos, existen muchas buzzwords (redes neuronales, FFT, autoencoders, t-SNE...), que pueden resultar abrumadoras y muchas veces existe una barrera invisible a la hora de utilizar nuevas técnicas que podrían aportar mucho valor a la hora de obtener insights.

La detección de patrones significativos y anomalías constituye una de las labores más relevantes en el análisis de datos. A veces, un simple análisis exploratorio preliminar no aporta la información relevante que pueden contener los datos. En estos casos suele ser necesario recurrir a técnicas más adaptadas al problema.

El taller estará dividido en dos partes, una centrada en datos tabulares y otra orientada a análisis de series temporales. En ella exploraremos diferentes opciones para el reconocimiento de patrones repetitivos, técnicas para la detección de anomalías o para la generación de datos. El punto común es la captura de patrones y el estudio de las relaciones presentes en los datos. Las librerías que se van a utilizar incluyen: keras (tensorflow), stumpy, sklearn, tslearn, umap y numpy; siendo el principal objetivo que los asistentes se lleven nuevas herramientas con las que poder atacar problemas de ciencia de datos.

Requerimientos previos de la charla:
Conocimiento bajo-intermedio de python (librerías como Pandas, NumPy, Scikit-Learn)
Conocimiento bajo de Jupyter-notebook
Conocimientos básicos de análisis de datos.
Ordenador portátil.

El enlace al repositorio con el readme para la instalación es el siguiente:
https://github.com/Gradiant/PyConEs2024-PatternBusters/tree/main

Machine learning, stats
Poalla