Cerrar
CONACYT

Investigadores

Redes sociales del investigador

Páginas personales del investigador

Mario Graff Guerrero

Doctor en Ciencias Computacionales (PhD in Computer Science)

Sistema Nacional de Investigadores (SNI): Nivel 1

Datos de contacto:

Correo: mario.graff@infotec.mx
Teléfono: (55) 5624 2800 ext. 6315

Perfil:

  • Doctorado en ciencias
    Universidad de Essex, Inglaterra.
  • Maestro en ciencias en ingeniería eléctrica
    Universidad Michoacana de San Nicolás de Hidalgo (UMSNH).
  • Ingeniero electricista
    Universidad Michoacana de San Nicolás de Hidalgo.

Semblanza

Catedrático del Consejo Nacional de Ciencia y Tecnología (Conacyt) y asignado a INFOTEC, en la sede Aguascalientes (desde el 2014). Del 2011 al 2014, fue profesor titular “A” de la Facultad de Ingeniería Eléctrica de la Universidad Michoacana de San Nicolás de Hidalgo. Obtuvo el doctorado en ciencia de la Universidad de Essex, Inglaterra, bajo la supervisión del profesor Riccardo Poli en el área de programación genética.

La investigación del Dr. Graff tiene el objetivo de desarrollar, analizar y proponer algoritmos capaces de aprender y predecir en grandes cúmulos de información en problemas de clasificación y regresión simbólica. Las líneas de investigación instruidas por el Dr. Graff son computación evolutiva, programación genética, teoría de algoritmos evolutivos y aplicación de cómputo evolutivo en problemas de aprendizaje supervisado.

Actualmente, es miembro del Sistema Nacional de Investigadores (SNI) nivel I del área VII. Cuenta con más de 50 artículos en revistas indexadas por el Journal Citation Reports y conferencias internacionales. Adicionalmente, ha sido galardonado con el premio al mejor trabajo del Congreso Mexicano de Inteligencia Artificial (COMIA) 2015, el cual fue elaborado en colaboración con Elio Villaseñor, Sabino Miranda y Eric S. Téllez; y del International Symposium on Computer and Information Sciences, ISCIS (Simposio Internacional sobre Informática y Ciencias de la Información) 2005.

 

 

Publicaciones

  • Chávez, E., Graff, M., Navarro, G. and Téllez, E. (2015). Near neighbor searching with K nearest references. Information Systems, 51, pp.43-61.
  • Chávez-García, H., Alonso-Guzmán, E., Martínez-Molina, W., Graff, M. and Arteaga-Arcos, J. (2014). Prediction of the Static Modulus of Elasticity Using Four non Destructive Testing. Revista de la Construcción, 13(1), pp.33-40.
  • Escalante, H., García-Limón, M., Morales-Reyes, A., Graff, M., Montes-y-Gómez, M., Morales, E. and Martínez-Carranza, J. (2015). Term-weighting learning vía genetic programming for text classification. Knowledge-Based Systems, 83, pp.176-189.
  • Escalante, H., Graff, M. and Morales-Reyes, A. (2016). PGGP: Prototype Generation vía Genetic Programming. Applied Soft Computing, 40, pp.569-580.
  • Escalante, H., Marín-Castro, M., Morales-Reyes, A., Graff, M., Rosales-Pérez, A., Montes-y-Gómez, M., Reyes, C. and Gonzalez, J. (2015). MOPG: a multi-objective evolutionary algorithm for prototype generation. Pattern Anal Applic.
  • Flores, J., Graff, M. and Rodriguez, H. (2012). Evolutive design of ARMA and ANN models for time series forecasting. Renewable Energy, 44, pp.225-230.
  • Graff, M. and Poli, R. (2010). Practical performance models of algorithms in evolutionary program induction and other domains. Artificial Intelligence, 174(15), pp.1254-1276.
  • Graff, M., Escalante, H., Cerda-Jacobo, J. and Avalos González, A. (2013). Models of performance of time series forecasters. Neurocomputing, 122, pp.375-385.
  • Graff, M., Escalante, H., Ornelas-Téllez, F. and Téllez, E. (2016). Time series forecasting with genetic programming. Natural Computing.
  • Graff, M., Poli, R. and Flores, J. (2013). Models of Performance of Evolutionary Program Induction Algorithms Based on Indicators of Problem Difficulty. Evolutionary Computation, 21(4), pp.533-560.
  • Martínez-Molina, W., Torres-Acosta, A., Jáuregui, J., Chávez-García, H., Alonso-Guzmán, E., Graff, M. and Arteaga-Arcos, J. (2014). Predicting Concrete Compressive Strength and Modulus of Rupture Using Different NDT Techniques. Advances in Materials Science and Engineering, 2014, pp.1-15.
  • Peña, R., Graff, M., Medina, A. and Escalante, H. (2014). Wind speed forecasting using a portfolio of forecasters. Renewable Energy, 68, pp.550-559.

 

Líneas de investigación

  • Inteligencia computacional y aplicaciones.
  • Combinatoria, modelado y análisis de algoritmos.
  • Analítica de grandes cúmulos de información

Laboratorio en el que participa

Datos de contacto

Dirección Adjunta de Innovación y Conocimiento | Gerencia de Investigación
Dr. Valentino Morales - Tel: 5624 2800 ext. 6112 - valentino.morales@infotec.mx - Twitter: @InfotecINVES