Facundo Bromberg

Facundo Bromberg

Facundo Bromberg es profesor Titular de la Universidad Tecnológica Nacional, e investigador adjunto del CONICET. Es fundador y actual director del grupo de investigación DHARMa desde el año 2007.  Ha dirigido varios PICTs de la ANPCyT y PIDs de UTN.  Además, ha dirigido tesistas y becarios doctorales, con 5 doctores ya graduados y 5 en actualmente en formación, ha dictando cursos de grado y postgrado, y ha participado activamente de distintas actividades organizadas por la AAIA (Asociación Argentina de Inteligencia Artificial). Es además director de la maestría en Inteligencia Digital para la Innovación, Acta N°534/2020 CONEAU.

Biografía personal

Facundo es nacido en la Ciudad de Mendoza en Marzo de 1974. Con dos años de vida su familia se muda a Israel, donde recide hasta fines del año 1982, momento en que regresa a Menodza, Argentina. Vuelve a partir con 20 años en el año 1994 hacia S. C. de Bariloche para realizar sus estudios en el Instituto Balseiro donde recide hasta 1998. De allí se muda dos años a Buenos Aires volviendo a Mendoza con 26 años en el año 2000. Apenas llega conoce a su actual esposa  con quien parte para EEUU en el año 2001 para realizar sus estudios doctorales. En el año 2006 tienen a su hija, con quienes vuelve en el año 2007 a Mendoza para radicarse definitivamente. 

Biografía académica

Facundo se graduó de Lic. en Física en el Instituto Balseiro en el año 1998, y de Ph.D. (Doctor en Filosofía, especializado en Ciencias de la Computación) en el Atanasoff Computer Science Department de la Iowa State University en el año 2007 bajo la dirección del Dr. Dimitris Margaritis y co-dirección del Dr. Vasant Honavar. En el año 2008 comienza como profesor asociado en la UTN, Facultad Regional Mendoza. Durante los años 1999 y 2000 se desempeño además como becario investigador en el Instituto de Investigaciones Cardiológicas de la Facultad de Medicina de la U. de Buenos Aires, bajo la dirección del Dr. Jorge Ponce-Hornos. 

Facundo Bromberg es Profesor titular en UTN, con una dedicación docente de 40 horas semanales.

Actualmente me desempeño como profesor titular en las cátedras de Inteligencia Artificial y Aprendizaje de Máquinas.  He dictado cursos de postgrado en Inteligencia Artificial, Aprendizaje de Máquinas y Razonamiento Probabilístico en la U. Nacional de Cuyo, UTN, U. Nacional de San Juan y en la Escuela Argentina de Inteligencia Artificial 2012.  

Cuenta con una categoría C en UTN.

Facundo Bromberg es Investigador CONICET, con una dedicación a la investigación de 40 horas semanales.

Cuenta con una categoría 2 en el Ministerio de Educación.

Publicaciones

Marset, W. Villegas, Perez D. Sebastian, Díaz C. Ariel, & Bromberg F. (2021).  Towards practical 2D grapevine bud detection with fully convolutional networks. Computers and Electronics in Agriculture. 182, 105947.
Correa, JM. López, Todeschini M., Pérez DS., Karouta J., Bromberg F., Ribeiro A., et al. (2021).  Multi species weed detection with Retinanet one-step network in a maize field. Precision agriculture’21. 2223–2228.
Marset, W. Villegas, Pérez D. S., Díaz C. A., & Bromberg F. (2020).  Deep Learning for 2D Grapevine Bud Detection.
Ribas, A., Bromberg F., & Dinamarca A. (2019).  S3LF: a Socio-Technical System for Self-Determinant Governance in Collaborative Organizations. 23RD INTERNATIONAL PUBLIC MANAGEMENT NETWORK (IPMN) CONFERENCE.
Ribas, A. (2019).  Exploring the Influence of Self-determination in the Collective Intelligence of Collaborative Organizations. (Bromberg, F., Ed.).IFKAD, International Forum on Knowledge Asset Dynamics.
Abraham, L., Bromberg F., & Forradellas R. (2018).  Ensemble of shape functions and support vector machines for the estimation of discrete arm muscle activation from external biceps 3D point clouds. Computers in Biology and Medicine. 95, 129-139.
Diaz, C. Ariel, Pérez D. Sebastián, Miatello H., & Bromberg F. (2018).  Grapevine buds detection and localization in 3D space based on Structure from Motion and 2D image classification. Computers in Industry. 99C (Special Issue on Machine Vision for Outdoor Environments), 303-312.
Diedrichs, A. Laura, Bromberg F., Dujovne D., Brun-Laguna K., & Watteyne T. (2018).  Prediction of frost events using machine learning and IoT sensing devices. IEEE Internet of Things Journal. 5(6),  4589-4597.
Abraham, L. (2018).  Visión computacional y aprendizaje de máquinas aplicado a la estimación de activación muscular del bíceps braquial. (Bromberg, F., Ed.).Universidad Nacional del Centro de la Provincia de Buenos Aires - Facultad de Ciencias Exactas. Computer Science Ph.D, 63.
Ribas, À., & Bromberg F. (2018).  Toward Self-Determinant Citizen Governance: Trust-Boosting Sociocracy 3.0 with Blockchain. Symposium on Implementing Collaborative Governance. Models, experiences and challenges to foster policy coordination, and to enhance sustainable community outcomes and public value generation.
Ribas, A., & Brombereg F. (2018).  Exploring the Influence of Self-determination in the Collective Intelligence of Collaborative Organizations. Symposium on implementing collaborative governance.
Pérez, D. Sebastián, Bromberg F., & Diaz C. Ariel (2017).  Image classification for detection of winter grapevine buds in natural conditions using scale-invariant features transform, bag of features and support vector machines. Computers and Electronics in Agriculture. 135, 81-95.
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,
Diedrichs, A. Laura, Bromberg F., Dujovne D., Brun-Laguna K., & Watteyne T. (2017).  Prediction of frost events using Bayesian networks and Random Forest. IEEE Internet of Things Journal.
Pérez, D. Sebastián, Bromberg F., & Gonzalez-Antivilo F. (2016).  Computer Vision Approach for Low Cost, High Precision Measurement of Grapevine Trunk Diameter in Outdoor Conditions.
Abraham, L., Bromberg F., & Forradellas R. (2015).  Arm muscular effort estimation from images using Computer Vision and Machine Learning. 1st International Conference on Ambient Intelligence for Health.
Edera, A., Schlüter F., & Bromberg F. (2014).  Learning Markov networks networks with context-specific independences.. International Journal on Artificial Intelligence Tools. 23(06), 
Abraham, L., Bromberg F., & Forradellas R. (2014).  Estimación de carga muscular mediante imágenes. Argentinean Symposium of Artificial Intelligence (ASAI) - Jornadas Argentinas de Informática. 91--98.
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.
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., Strappa Y., & Bromberg F. (2014).  The Grow-Shrink strategy for learning Markov network structures constrained by context-specific independences. 14th edition of the Ibero-American Conference on Artificial Intelligence.
Diedrichs, A. Laura, Robles M. Inés, Bromberg F., Mercado G., & Dujovne D. (2013).  Characterization of LQI behavior in WSN for glacier area in Patagonia Argentina. Embedded Systems (SASE/CASE), 2013 Fourth Argentine Symposium and Conference on. 1--6.
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.
Pérez, D. S., & Bromberg F. (2012).  Segmentación de imágenes en viñedos para la medición autónoma de variables vitícolas. XVIII Congreso Argentino de Ciencias de la Computación.
Bromberg, F., & Pérez D. S. (2012).  Interpolación Espacial Mediante Aprendizaje de Máquinas en Viñedos de la Provincia de Mendoza, Argentina.. 13th Argentine Symposium on Artificial Intelligence.
Catania, C. A., Bromberg F., & Garino C. García (2012).  An autonomous labeling approach to support vector machines algorithms for network traffic anomaly detection. Expert Systems with Applications. 39, 1822–1829.
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., & Abraham L. (2011).  Strategies for piecing-together Local-to-Global Markov network learning algorithms. ASAI 2011.
Edera, A., & Bromberg F. (2011).  Aprendizaje de independencias específicas del contexto en Markov random fields. XVII Congreso Argentino de Ciencias de la Computación.
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.
Catania, C.. A., C. Garino G., & Bromberg F.. (2010).  Application of a Bayesian semi-supervised Learning Strategy to Network Intrution Detection. Proceedings of ASAI 2010, Argentinean Symposioum of Artificial Intelligence.
Brombereg, F., Catania C. A., & Garino C. Garcia (2009).  An Autonomous labeling approach to SVM algorithms for network traffic anomaly detection. Argentine Symposium of Artificial Intelligence (ASAI). Jornadas Argentinas de Informática. Mar del Plata, Argentina..
Bromberg, F., & Schlüter F. (2009).  Variante de grow shrink para mejorar la calidad de markov blankets. XXXV Latin American Informatics Conference (CLEI), Pelotas, Brasil.
Berdún, L., & Bromberg F. (2009).  Guest Editorial: 10th Argentinean Symposium on Artificial Intelligence (ASAI 2009). Inteligencia Artificial.. 13(44), 4.
Margaritis, D., & Bromberg F. (2009).  Efficient Markov network discovery using particle filters. Computational Intelligence. 25(4), 367–394.
Bromberg, F., Margaritis D., & Honavar V. (2009).  Efficient Markov network structure discovery using independence tests. Journal of Artificial Intelligence Research. 35, 449–484.
Bromberg, F., & Margaritis D. (2009).  Improving the reliability of causal discovery from small data sets using argumentation. The Journal of Machine Learning Research. 10, 301–340.
Gandhi, P., Bromberg F., & Margaritis D. (2008).  Learning Markov Network Structure using Few Independence Tests.. SIAM Data Mining. 680--691.
Bromberg, F., & Margaritis D. (2007).  Markov networks structure discovery using independence tests. Computer Science. Doctor of Philosophy, 182.
Bromberg, F., & Margaritis D. (2007).  Efficient and Robust Independence-Based Markov Network Structure Discovery.. 20th International Joint Conference of Artificial Inteliigence (IJCAI). 2431-2436 .
Bromberg, F., Margaritis D., & Honavar V. (2006).  Efficient Markov network structure discovery using independence tests. Proceedings of the SIAM Conference in Data Mining. 141--152.

Proyectos de investigación

a Socio-Technical System for Self-Determinant Governance
Rol: Director
Deep Learning for 2D grapevine bud detection
Rol: Director
Estimación de variables biomecánicas remota a partir de imágenes usando Computer Vision y Machine Learning
Rol: Director
Vineyard Sunlight Exposition
Rol: Director
Vineyard Sunlight Exposition
Rol: Director

Cursos dictados

Aprendizaje de máquinas
Cargo: Profesor titular
Inteligencia artificial
Cargo: Profesor titular
Reuniones de Investigacion
Cargo: Profesor titular

Subsidios

EIUTIME0003601TC
Rol: Director
EIUTIME0004481TC
Rol: Director
PICT-2008-0241
Rol: Director
PID-UTN-5372
Rol: Director
PID-UTN-7796
Rol: Director

Fuentes de financiación

Aprendizaje automático aplicado a problemas de Visión Computacional
UTN
Aprendizaje de redes de Markov basado en independencias
UTN
Modelado autónomo de la estructura 3D de una planta de vid a partir de imágenes 2D capturadas en condiciones naturales de campo durante el invierno
UTN
PID-UTN-7796 Hacia la toma de decisiones sociales inteligentes a partir de algoritmos para la toma de decisión secuencial en sistemas
UTN