Profesores e Investigadores

Departamentos

Curriculum Vitae

Víctor Aceña Gil
Profesor/a Ayudante Doctor/a

Centro

Esc. Tec. Sup. de Ingeniería Informática

Departamento

Informática y Estadística

Área

Estadística e Investigación Operativa

Grupo de investigación

Grupo de investigación de alto rendimiento en Fundamentos y Aplicaciones de la Ciencia de Datos de la Universidad Rey Juan Carlos / Foundations and Applications of Data Science Group of Universidad Rey Juan Carlos

Contacto

victor.acena@urjc.es
Información general
Información general
Presentación

  • Mi trayectoria profesional se ha centrado en la ciencia de datos y el aprendizaje automático, consolidando más de 8 años de experiencia en estos campos. Graduado en Matemáticas por la UNED y con un Máster en Tratamiento Estadístico Computacional de la Información de la UCM-UPM, mi Doctorado en Tecnologías de la Información y las Comunicaciones por la URJC me ha especializado en Estadística y Ciencias de la Decisión, bajo el programa de doctorados industriales de la Comunidad de Madrid (IND2019/TIC-17194) junto con la empresa JOF ASSOCIATES. Además, he disfrutado de una estancia subvencionada en el BCAM, donde desarrollé parte de la investigación de mi tesis en el centro Applied Statistics Research Line ¿ DS Data Science Research Area.

    En la docencia, he acumulado más de 280 horas en grados universitarios y posgrado, destacando en el Máster en Data Science de la URJC y grados diversos como Inteligencia Artificial, Desarrollo de Videojuegos, Periodismo, Comunicación Audiovisual, Ingeniería Industrial o Ciberseguridad. He dirigido 9 trabajos de fin de grado y máster, y colaboro con el Centro de Innovación en Educación Digital: URJC online en el MOOC: Técnicas de análisis de datos y Big Data desde 2018.

    Mi producción científica (0000-0003-1838-2150) incluye 8 artículos, 7 artículos indexados en JCR, 4 capítulos de libro en congresos internacionales y una participación activa en informes científicos relevantes. He participado en más de 10 proyectos de investigación (dirigiendo uno de ellos), sumando un importe total de más de 2.4 M € y una duración de 159 meses, lo que subraya mi compromiso con la investigación aplicada. En el ámbito profesional, he ocupado roles de liderazgo como Data Science Lead en NTT Data y Head of Data Science en Spikatech dirigiendo  el desarrollo de sistemas avanzados de inteligencia artificial en proyectos de financiación europea como VRCardio (6M €) o Cuenta Digital (20M €) de la Comunidad de Madrid.

    He destacado en la divulgación científica y la participación en eventos de alto nivel, como ponente en la actividad ¿Suficiencia Sanitaria y COVID-19¿ durante la Semana de la Ciencia y la Innovación de Madrid o la organización de la 34th Conference of the European Chapter on Combinatorial Optimization. Además, soy investigador en el Grupo de Investigación de alto rendimiento en Fundamentos y Aplicaciones de la Ciencia de Datos, Data Science Laboratory (DSLAB), en la Universidad Rey Juan Carlos. He contribuido con más de 40 revisiones en revistas de alto impacto indexadas en JCR.

    Esta trayectoria refleja mi compromiso constante con la excelencia académica, la innovación en la investigación y la aplicación práctica del conocimiento, consolidandome como un profesional y académico integral en el campo de la ciencia de datos.

Méritos
Docencia y asignaturas impartidas en el curso actual

  • Grado

    PLAN ASIGNATURA
    (2321) DOBLE G. DISEÑO Y DESARR. DE VIDEOJUEGOS - ING. DE COMPUTADORES (MOSTOLES)ESTADISTICA
    (2360) GRADO EN CIENCIA E INGENIERIA DE DATOS (FUENLABRADA)INFERENCIA ESTADISTICA
    (2360) GRADO EN CIENCIA E INGENIERIA DE DATOS (FUENLABRADA)MODELOS DE REGRESION
    (2265) GRADO EN DISEÑO Y DESARROLLO DE VIDEOJUEGOS (MADRID)ESTADISTICA
    (2175) GRADO EN DISEÑO Y DESARROLLO DE VIDEOJUEGOS (MOSTOLES)ESTADISTICA
HISTÓRICO DOCENTE (ÚLTIMOS 10 CURSOS ACADÉMICOS)

Listado de proyectos (Últimos 10 años)
Códigos de investigador
Publicaciones

  • Fernández, R. R., Martín de Diego, I., Aceña, V., Fernández-Isabel, A., & Moguerza, J. M. (2020). Random forest explainability using counterfactual sets. Information Fusion, 63, 196-207.Aceña, V., Martín de Diego, I., Fernández, R. R., & Moguerza, J. M. (2022). Minimally overfitted learners: A general framework for ensemble learning. Knowledge-Based Systems, 254, 109669.Lancho, C., Martín de Diego, I., Cuesta, M., Aceña, V., & Moguerza, J. M. (2023). Hostility measure for multi-level study of data complexity. Applied Intelligence, 53(7), 8073-8096.Fernández, R. R., Martín de Diego, I., Aceña, V., Moguerza, J. M., & Fernández-Isabel, A. (2019). Relevance metric for counterfactuals selection in decision trees. En Proceedings of the 20th International Conference on Intelligent Data Engineering and Automated Learning (IDEAL 2019) (pp. 3-11).Moguerza, J. M., Perelló Oliver, S., Martín de Diego, I., Aceña, V., & Lancho, C. (2021). Health sufficiency indicators for pandemic monitoring. International Journal of Environmental Research and Public Health, 18(10), 5358.Navarro, J., Fernández, R. R., Aceña, V., Fernández-Isabel, A., Lancho, C., & Moguerza, J. M. (2024). Real-time classification of cattle behavior using Wireless Sensor Networks. Internet of Things, 25, 101008.Lancho, C., Martín de Diego, I., Cuesta, M., Aceña, V., & Moguerza, J. M. (2021). A complexity measure for binary classification problems based on lost points. En Proceedings of the 22nd International Conference on Intelligent Data Engineering and Automated Learning (IDEAL 2021) (pp. 12-21).Moguerza, J. M., Perelló Oliver, S., Martín de Diego, I., Aceña, V., Cuesta, M., & Lancho, C. (2020). Suficiencia sanitaria y COVID-19. methaodos. revista de ciencias sociales, 8(1), 140-168.Castro-Olmo, F. J., Morales-Fernández, P., Alcaide-Martín, M. J., Aceña, V., & Moguerza, J. M. (2023). Minimizar el volumen de descarte para la extracción de muestras sanguíneas en los pacientes críticos: ¿es factible? Enfermería Intensiva, 34(1), 19-26.Aceña, V., Martín de Diego, I., Fernández, R. R., & Moguerza, J. M. (2023). Support subsets estimation for support vector machines retraining. Pattern Recognition, 134, 109117.Aceña, V., Moguerza, J. M., Martín de Diego, I., & Fernández, R. R. (2019). Weighted Nearest Centroid Neighbourhood. En Proceedings of the 20th International Conference on Intelligent Data Engineering and Automated Learning (IDEAL 2019) (pp. 12-21).Aceña, V., Lancho, C., Martín de Diego, I., Moguerza, J. M., & Lee, D. J. (2024). Dynamic Disagreeing Neighbors: A complexity measure for instance selection. Journal Name, Volume(Issue), pages.Moreno, R., Fernández-Isabel, A., Aceña, V., & Moguerza, J. M. (2024). Tourist services management through clients scoring using a bio-inspired agent architecture. Computer Science and Information Systems, 34-34.Aceña Gil, V. C. (2023). Métodos de muestreo para la mejora de rendimiento en clasificadores de aprendizaje automático. Universidad Rey Juan Carlos.Castro-Olmo, F. J., Morales-Fernández, P., Alcaide-Martín, M. J., Aceña, V., & Moguerza, J. M. (2023). Is minimising waste volume for drawing blood samples in critically ill patients feasible? Enfermería Intensiva (English ed.), 34(1), 19-26.Cuesta, M., Martín de Diego, I., Lancho, C., Aceña, V., & Moguerza, J. M. (2021). From Classification to Visualization: A Two Way Trip. En Proceedings of the 22nd International Conference on Intelligent Data Engineering and Automated Learning (IDEAL 2021) (pp. 22-31).Moguerza, J. M., Perelló Oliver, S., Martín de Diego, I., Aceña, V., Cuesta, M., & Lancho, C. (2020). Suficiencia sanitaria y COVID-19 Health sufficiency and C

2024 © Universidad Rey Juan Carlos