Jordi Nin
Profesor adjunto, Departamento de Operaciones, Innovación y Data Sciences en ESADE
Profesor contratado doctor URL


Formación académica

  • Doctor en Ciències de la Computació. Universitat Autònoma de Barcelona
  • Ingeniero en informática. Universitat Autònoma de Barcelona
  • Ingenieria técnica en informática de gestión. Universitat Autònoma de Barcelona

Áreas de interés

  • Análisis de redes financieras
  • Aprendizaje automático
  • Toma de decisiones y fusión de información

Trayectoria profesional

Jordi Nin obtuvo el título de Informática en 2004 en la Universitat Autònoma de Barcelona (UAB). Luego se unió al Instituto de Investigación en Inteligencia Artificial del Consejo Nacional de Investigación (IIIA-CSIC). En 2008 recibió el doctorado en Informática obteniendo el premio del departamento de informática de la UAB. Más tarde se unió como investigador posdoctoral en el Centro Nacional Francés para la Investigación Científica (CNRS). En 2010, se incorporó al Departamento de Arquitectura de Computadores de la Universitat Politènica de Catalunya (UPC) como profesor lector. Por último, de 2015 a 2019, trabajó como científico de datos en BBVA Data & Analytics.


Publicaciones destacadas

Barja, A., Martínez, A., Arenas, A., Fleurquin, P., Nin, J., Ramasco, J. J. & et al. (2019). Assessing the risk of default propagation in interconnected sectoral financial networks. EPJ Data Science, 8 (Dec 2019), pp. 422-442. DOI: 10.1140/epjds/s13688-019-0211-y.

Nin, J. & Tomás, E. (2019). Default propagation in customer-supplier networks. Journal of Ambient Intelligence and Humanized Computing, 2 (6), pp. 541. DOI: 10.1007/s12652-019-01370-7.

Martínez, A., Nin, J., Tomás, E. & Rubio, A. (2019). Graph convolutional networks on customer/supplier graph data to improve default prediction. In Cornelius, S., Granell, C., Gómez-Gardenes, J. & Gonçalves, B. (Eds.), Complex Networks X (pp. 135-146). Berlin: Springer. DOI: 10.1007/978-3-030-14459-3_11.

Unceta Mendieta, Irene, Nin, J. & Pujol Borotau, J. (2019). Using copies to remove sensitive data: A case study on fair superhero alignment prediction. In Morales, A., Sánchez, J. & Ribeiro, B. (Eds.), Pattern recognition and image analysis. IbPRIA 2019. Lecture notes in computer science (pp. 182-193). Berlin: Springer. DOI: 10.1007/978-3-030-31332-6_16.

Gómez, J. A., Arévalo, J., Paredes, R. & Nin, J. (2018). End-to-end neural network architecture for fraud scoring in card payments. Pattern Recognition Letters, 105 (1), pp. 175-181. DOI: 10.1016/j.patrec.2017.08.024.

Capdevila, J., Cerquides, J., Nin, J. & Torres, J. (2017). Tweet-SCAN: An event discovery technique for geo-located tweets. Pattern Recognition Letters, 93 (1), pp. 58-68. DOI: 10.1016/j.patrec.2016.08.010.

Nin, J., Nebot, À. & Binefa, X. (2016). Lessons learned about deep learning for credit card fraud scoring. In Nebot, À. & Binefa, X., Artificial intelligence research and development: Proceedings of the 19th International Conference of the Catalan Association for Artificial Intelligence (pp. 5-5). Amsterdam: IOS Press. DOI: 10.3233/978-1-61499-696-5-5.

Rebollo Monedero, D., Solé, M., Nin, J. & Forné, J. (2013). A modification of the k-means method for quasi-unsupervised learning. Knowledge-Based Systems, 37 (1), pp. 176-185. DOI: 10.1016/j.knosys.2012.07.024.

Herranz, J., Nin, J. & Solé, M. (2011). Optimal symbol alignment distance: A new distance for sequences of symbols. IEEE Transactions on Knowledge and Data Engineering, 23 (10), pp. 1541-1554. DOI: 10.1109/TKDE.2010.190.

Nin, J., Laurent, A. & Poncelet, P. (2010). Speed up gradual rule mining from stream data! A B-Tree and OWA-based approach. Journal of Intelligent Information Systems, 35 (3), pp. 447-463. DOI: 10.1007/s10844-009-0112-9.