Update MAngeles_Mendoza.md

Cambio el título y abstract que se ajusta más al contenido de la charla

talks/MAngeles_Mendoza.md

@@ -1,22 +1,16 @@
-# El Papel del Machine Learning en un mayor entendimiento de la estructura y evolución estelares, así como los sistemas planetarios que las alberga
+
+# El Papel del Machine Learning en un mayor entendimiento en cuestiones clave del campo de la Astrofísica
 
 ## Authors
 
-Maria Ángeles Mendoza Pérez (IAA-CSIC)
+Maria Ángeles Mendoza Pérez
 
 ## Presenter
 
 Maria Ángeles Mendoza Pérez
 
 ## Abstract (200 words max.)
 
-En las últimas décadas, se está invirtiendo un gran esfuerzo en la comprensión de la estructura y evolución de las estrellas, 
-ya que resulta crucial en muchos campos de la Astrofísica, como en la fijación de las edades de las poblaciones estelares o la detección de exoplanetas. 
-Gracias a las misiones espaciales (CoRoT, Kepler, GAIA, etc.) y a sus programas de seguimiento en tierra, la cantidad de datos astrofísicos  y relacionados
-ha aumentado de forma espectacular. Además, otros
-proyectos como TESS y la misión PLATO2.0 (2026) multiplicarán por cientos los datos disponibles. Así, las técnicas de ML se han popularizado en Astrofísica,
-no solo porque posibilitan el tratamiento de la gran cantidad de datos, sino también porque ofrecen una oportunidad única para incorporar masivamente estos datos 
-y aprender de sus patrones. 
-El uso combinado de técnicas de ML y Procesamiento de señales abre el camino al Reconocimiento Automático de Patrones en Datos Astrofísicos, permitiendo revelar
-relaciones ocultas entre las variables implicadas en los procesos físicos estelares, contribuyendo significativamente a la compresión de la estructura y dinámica 
-interna estelar, así como la caracterización de los sistemas planetarios a través de la caracterización estelar.
+En las últimas décadas, se está invirtiendo un gran esfuerzo en la comprensión de los procesos físicos implicados en el área de la Astrofísica, como la detección de exoplanetas, la clasificación y evolución de las galaxias, la fijación de las edades de las poblaciones estelarea. Gracias a las misiones espaciales (CoRoT, Kepler, GAIA, etc.) y a sus programas de seguimiento en tierra, la cantidad de datos astrofísicos  y relacionados ha aumentado de forma espectacular. Además, otro
+proyectos como EUCLID y la misión PLATO2.0 (2026) multiplicarán por cientos los datos disponibles.
+Así, las técnicas de ML se han popularizado en Astrofísica, no solo porque posibilitan el tratamiento de la gran cantidad de datos, sino también porque ofrecen una oportunidad única para incorporar masivamente estos datos y aprender de sus patrones. El uso combinado de técnicas de ML y Procesamiento de señales abre el camino al Reconocimiento Automático de Patrones en Datos Astrofísicos, contribuyendo significativamente a la comprensión de los procesos implicados, aportando una solución largamente esperada en la comunidad ciéntifica.