Federico Schlüter

Federico Schlüter

Federico defendió exitosamente su tesis doctoral en noviembre de 2014, obteniendo el título de Doctor en Ciencias de la Computación en la Universidad Nacional del Centro de la Provincia de Buenos Aires, Tandil, Argentina. Su director de tesis fue el Dr. Facundo Bromberg. Fue becario post-doctoral de CONICET durante 3 años (años 2015, 2016 y 2017). Actualmente es profesor investigador de UTN, incorporado a traves del PRIDUN (Programa Incersion de Investigadores Docentes a las Universidades Públicas). Es integrante del Laboratorio DHARMa desde el año 2008,  donde actualmente desarrolla sus actividades de investigación. Su investigación se basa en el desarrollo de algoritmos de aprendizaje de modelos probabilísticos a partir de datos. También se interesa en investigaciones multidisciplinarias relacionadas a la utilización del aprendizaje de máquinas para descubrimiento de conocimiento. Sus campos de interés fuera del mundo de la computación son la música, la literatura, y la filosofía.

Federico Schlüter es Ayudante de primera en UTN.

Su director de beca es Diego Milone, y su codirector es Roberto Santana Hermida.

Mi curriculum está disponible online    

Campos de interés:

  • Ciencias de la computación
  • Inteligencia artificial
  • Aprendizaje de máquinas
  • Razonamiento bajo incertidumbre
  • Modelos probabilísticos gráficos
  • Aprendizaje de redes de Markov
  • Técnicas de optimización
  • Algoritmos evolutivos
  • Ingeniería de software

Educación

  • Doctor en Ciencias de la Computación en la Facultad de Ciencias Exactas de UNICEN (2014). Actualmente, becario postdoctoral CONICET, Argentina.
  • Ingeniero en sistemas de información de la Facultad Regional Mendoza, Universidad Tecnológica Nacional, 2008.
  • Analista Universitario en sistemas de información de la Facultad Regional Mendoza, Universidad Tecnológica Nacional, 2007.
  • Técnico Químico Industrial en el instituto Misioneros Nuestra Señora de la Consolata, 2000.

Experiencia laboral

Cuenta con una categoría D en UTN.

Federico Schlüter es Investigador CONICET, con una dedicación a la investigación de 40 horas semanales.

Su director académico es Facundo Bromberg.

Publicaciones

Schlüter, F., Strappa Y., Bromberg F., & Milone D. H. (2017).  Blankets Joint Posterior score for learning Markov network structures . International Journal of Approximate Reasoning. https://doi.org/10.1016/j.ijar.2017.10.018,
Schlüter, F., Hermida R. Santana, & Lozano J. Antonio (2016).  An analysis of the impact of Kikuchi approximations.
Schlüter, F., Bromberg F., & Edera A. (2014).  The IBMAP approach for Markov network structure learning. Annals of Mathematics and Artificial Intelligence. 72(3), 197--223.
Edera, A., Schlüter F., & Bromberg F. (2014).  Learning Markov networks networks with context-specific independences.. International Journal on Artificial Intelligence Tools. 23(06), 
Schlüter, F., & Bromberg F. (2014).  El enfoque IBMAP para aprendizaje de estructuras de redes de Markov. Tesis doctoral en Facultad de Ciencias Exactas - Universidad Nacional del Centro de la Provincia de Buenos Aires. Director: Facundo Bromberg. . Doctorado en Ciencias de la Computación (PhD in Computer Science), 138.
Edera, A.., Schlüter F.., & Bromberg F.. (2013).  Learning Markov networks with context-specific independences. IEEE 25th International Conference on Tools with Artificial Intelligence (ICTAI).
Edera, A., Bromberg F., & Schlüter F. (2013).  Markov random fields factorization with context-specific independences.
Schlüter, F. (2012).  A survey on independence-based Markov networks learning. Artificial Intelligence Review. 42(4), 1093.
Schlüter, F., Bromberg F., & Abraham L. (2011).  Strategies for piecing-together Local-to-Global Markov network learning algorithms. ASAI 2011.
Bromberg, F.., Schlüter F.., & Edera A.. (2011).  Independence-based MAP for Markov networks structure discovery. 23rd IEEE International Conference on Tools with Artificial Intelligence (ICTAI).
Schlüter, F., Bromberg F., & Pérez D. S. (2010).  Speeding up the execution of a large number of statistical tests of independence. Proceedings of ASAI 2010, Argentinean Symposioum of Artificial Intelligence.
Bromberg, F., & Schlüter F. (2009).  Variante de grow shrink para mejorar la calidad de markov blankets. XXXV Latin American Informatics Conference (CLEI), Pelotas, Brasil.

Subsidios

EIUTIME0003601TC
Rol: Investigador
EIUTIME0004481TC
Rol: Investigador
PICT-2008-0241
Rol: Tesista Doctoral
PID-UTN-5372
Rol: Investigador

Fuentes de financiación

PID: 5271-NUEVAS TECNICAS DE OPTIMIZACION PARA EL APRENDIZAJE DE REDES MARKOVIANAS
UTN
PID: 5354-Calibración de sensores de bajo costo para monitoreo de calidad del aire mediante aprendizaje de máquinas
UTN