Roberto Alejo Eleuterio
roberto alejo

Correo electrónico ralejoe@toluca.tecnm.mx


Ubicación  

Cubículo 3, Edificio B3, División de Estudios de Posgrado e Investigación, Instituto Tecnológico de Toluca, Av. Tecnológico s/n. Colonia Agrícola Bellavista, Metepec, Edo. De México, México C.P. 52149.

Links en redes sociales   

https://publons.com/researcher/1602273/roberto-alejo/

https://www.researchgate.net/profile/Roberto_Alejo/

http://orcid.org/0000-0002-7580-3305

https://scholar.google.com.mx/citations?user=YwVK7joAAAAJ&hl=es

Formación académica 

  • Doctor en Sistemas Informáticos Avanzados por la Universitat Jaume I, España (2010).
  • Maestro en Ciencias, en Ciencias Computacionales por el Instituto Tecnológico de Toluca (2005).
  • Diploma de Estudios Avanzados por la Universitat Jaume I, España (2007).
  • Especialidad en Educación Basada en Competencias por la Universidad Politécnica de Puebla (2013).
  • Ingeniero en Sistemas Computacionales por el Instituto Tecnológico de Toluca (2002). 

Experiencia profesional

  • Profesor Investigador de Tiempo Completo Titular “C” de 2016 a la fecha, en el Tecnológico Nacional de México / IT Toluca.
  • Profesor de Asignatura en la maestría en Ciencias de la Computación y Doctorado Ciencias de la Ingeniería de 2010 a la fecha, en la de la Universidad Autónoma del Estado de México.
  • Profesor de Tiempo Completo Titular “A” del 2014 al 2016 en el Tecnológico de Estudios Superiores de Jocotitlán.
  • Profesor de Tiempo Completo Asociado “A” del 2010 al 2013 en el Tecnológico de Estudios Superiores de Jocotitlán.
  • Profesor de asignatura del 2004 al 2006 en la Universidad Autónoma de del Estado de México y el Tecnológico de Estudios Superiores de Jocotitlán.

Línea de investigación : 

Inteligencia Artificial en entornos Big Data.

Proyectos de investigación

  • New deep learning and datamining algorithms for handling the class imbalanceproblem in Big Data scenarios.

    Entidad financiadora: Universidad Autónoma del Estado de México, Convocatoria de Redes Académicas.

    Enero — Diciembre, 2020.

  • Redes neuronales artificiales con aprendizaje profundo (Deep Learning) para la clasificación de imágenes de percepción remota de múltiples clases y altamente desbalanceadas.Entidad financiadora: TecNM, Posgrado PNPC, Convocatoria 2019.

    Enero — Diciembre, 2019.

  • Nuevo método de Deep Learnig para la clasificación de bases de datos bio-médicas(Microarrays de expresión genética) con problemas de des-balance de clases

    Entidad financiadora: PRODEP, SEP: Apoyo al Fortalecimiento de CA.

    Octubre 2018 — Octubre de 2019

  • Identificación de alumnos con comportamientos atípicos haciendo uso de herramientas inteligentes y minería de datos.Entidad financiadora: PRODEP, SEP: Incorporación de NPTC

    Agosto 2017 — Diciembre de 2018

  • Sistema para el reconocimiento automático de alumnos en riesgo de deserción escolar a través de técnicas de minería de datos y reconocimiento de patrones.Entidad financiadora: Tecnológico de Estudios Superiores de Jocotitlán

    Febrero 2014–Diciembre de 2016

     

Distinciones

  • Investigador SNI nivel I (2018–2020)
  • Investigador SNI nivel C (2015–2017)
  • Perfil Deseable PRODEP (2011–2021)
  • Reconocimiento a la Excelencia Académica en el Posgrado por la Universidad de Ixtlahuaca CUI, 2015 y 2016.
  • Presea al Mérito Docente 2010, 2013, 2014 y 2015, otorgado por el Tecnológico de Estudios Superiores de Jocotitlán
  • Reconocimiento ANUAL a atlacomulquenses destacados: Modalidad CIENCIA Y TECNOLOGÍA. Otorgado por el Consejo de la Ciudad de Atlacomulco, México (04/08/2011). 

     

Publicaciones relevantes

  1. A Metaheuristic Algorithm to face the Graph Coloring Problem. 15th International Conference on Hybrid Artificial Intelligence Systems (HAIS’20), 2020.
  2. Synthesis and characterization of polypyrrole thin films in a resistive plasma reactor by high frequency. MRS Advances, 1-7, 2020.
  3. Data Sampling Methods to Deal With the Big Data Multi-Class Imbalance Problem Applied Sciences 10 (4), 1276, 2020.
  4. Addressing the Big Data Multi-class Imbalance Problem with Oversampling and Deep Learning Neural Networks. Iberian Conference on Pattern Recognition and Image Analysis, 216-224, 2019.
  5. Theoretical studies in the stability of vacancies in zeolite templated carbon for hydrogen storage. International Journal of Hydrogen Energy 44 (13), 6437-6447, 2019.
  6. Neural networks to fit potential energy curves from asphaltene-asphaltene interaction data. Fuel 236, 1117-1127, 2019.
  7. Using Deep Learning to Classify Class Imbalanced Gene-Expression Microarrays Datasets Iberoamerican Congress on Pattern Recognition, 46-54,  2018.
  8. Performance analysis of deep neural networks for classification of gene-expression microarrays. Mexican Conference on Pattern Recognition, 105-115, 2018
  9. On-line Learning With Reject Option.  IEEE Latin America Transactions 16 (1), 279-286, 2018.
  10. Bayesian Learning on Discrete Systems of Two Classes. International Journal of Pattern Recognition and Artificial Intelligence 32, 2018.
  11. An improved dynamic sampling back-propagation algorithm based on mean square error to face the multi-class imbalance problem. Neural Computing and Applications 28 (10), 2843-2857, 2017.
  12. A Selective Dynamic Sampling Back-Propagation Approach for Handling the Two-Class Imbalance Problem. Applied Sciences 6: 200, 2016.
  13. An Efficient Over-sampling Approach Based on Mean Square Error Back-propagation for Dealing with the Multi-class Imbalance Problem. Neural Processing Letters 42(3): 603-617, 2015.
  14. Empirical Analysis of Assessments Metrics for Multi-class Imbalance Learning on the Back-Propagation Context. ICSI (2) 17-23, 2014.
  15. A hybrid method to face class overlap and class imbalance on neural networks and multi-class scenarios. Pattern Recognition Letters 34(4): 380-388, 2013.