APRENDIZAJE AUTOMATICO DE MODELOS MARKOVIANOS GRAFICOS MEDIANTE GRAFOS-QP: APLIC...
APRENDIZAJE AUTOMATICO DE MODELOS MARKOVIANOS GRAFICOS MEDIANTE GRAFOS-QP: APLICACION A LA MODELIZACION DE REDES DE REGULACION MOLECULAR
LOS MODELOS MARKOVIANOS GRAFICOS (MMGS) PERMITEN LA DESCRIPCION Y MANIPULACION DE PATRONES COMPLEJOS DE INTERACCION ENTRE VARIABLES ALEATORIAS EN TERMINOS DE INDEPENDENCIA CONDICIONAL, LOS ALGORITMOS PARA SU APRENDIZAJE AUTOMATIC...
ver más
Fecha límite participación
Sin fecha límite de participación.
Financiación
concedida
El organismo AGENCIA ESTATAL DE INVESTIGACIÓN notifico la concesión del proyecto
el día 2008-01-01
No tenemos la información de la convocatoria
0%
100%
Información adicional privada
No hay información privada compartida para este proyecto. Habla con el coordinador.
¿Tienes un proyecto y buscas un partner? Gracias a nuestro motor inteligente podemos recomendarte los mejores socios y ponerte en contacto con ellos. Te lo explicamos en este video
Proyectos interesantes
TIN2011-22826
MODELOS MARKOVIANOS GRAFICOS DE ORDEN LIMITADO PARA DATOS DE...
42K€
Cerrado
SMAC
Statistical machine learning for complex biological data
1M€
Cerrado
SIMBAD
Statistical Inference from Multiscale Biological Data: theor...
741K€
Cerrado
MTM2008-03282
TESTS BAYESIANOS EN MICROARRAYS Y ROBUSTEZ EN REDES BAYESIAN...
58K€
Cerrado
MoDATS
Model based Data Analysis of Transcription and Splicing
195K€
Cerrado
INFERNET
New algorithms for inference and optimization from large sca...
900K€
Cerrado
Fecha límite de participación
Sin fecha límite de participación.
Descripción del proyecto
LOS MODELOS MARKOVIANOS GRAFICOS (MMGS) PERMITEN LA DESCRIPCION Y MANIPULACION DE PATRONES COMPLEJOS DE INTERACCION ENTRE VARIABLES ALEATORIAS EN TERMINOS DE INDEPENDENCIA CONDICIONAL, LOS ALGORITMOS PARA SU APRENDIZAJE AUTOMATICO A PARTIR DE UN CONJUNTO DE DATOS LOS CONVIERTE EN UNA HERRAMIENTA EXTREMADAMENTE UTIL PARA INFERIR ASOCIACIONES DIRECTAS E INDIRECTAS ENTRE VARIABLES SOBRE LAS QUE NO DISPONEMOS DE CONOCIMIENTO PREVIO ASI COMO PARA FORMAR NUEVAS HIPOTESIS SOBRE LOS DATOS EMPLEADOS EN SU APRENDIZAJE, ESTO LOS HACE ATRACTIVOS PARA LA MODELIZACION DE REDES DE REGULACION GENICA EN EL CAMPO DE LA BIOLOGIA MOLECULAR, SIN EMBARGO, SU APLICACION A ESE TIPO DE PROBLEMA ESTA LIMITADA A CAUSA DE QUE LOS ALGORITMOS DISPONIBLES NECESITAN QUE EL TAMAÑO MUESTRAL (N) SUPERE EL NUMERO DE VARIABLES (P) MIENTRAS QUE LOS DATOS EXPERIMENTALES SUELEN CONTENER UN NUMERO DE VARIABLES MUCHO MAYOR QUE SU TAMAÑO MUESTRAL (P >> N), UNA APROXIMACION A ESTE PROBLEMA CON GRAFOS NO-DIRIGIDOS CONSISTE EN LA UTILIZACION DE DISTRIBUCIONES MARGINALES DE ORDEN LIMITADO Q<N-2 EN EL APRENDIZAJE DANDO LUGAR A LOS LLAMADOS GRAFOS-QP, A PARTIR DE LOS CUALES SE PUEDEN APRENDER MMGS, LOS OBJETIVOS DE ESTE PROYECTO SON EL DESARROLLO DE ALGORITMOS PARA EL APRENDIZAJE AUTOMATICO DE MMGS MEDIANTE GRAFOS-QP, QUE AMPLIEN SU RANGO DE APLICACION A LA MODELIZACION DE REDES DE REGULACION MOLECULAR MEDIANTE: 1, LA RECUPERACION DE GRAFOS-QP A PARTIR DE DATOS NO-NORMALES; 2, LA EXTENSION DE LA TEORIA DE GRAFOS-QP A GRAFOS DIRIGIDOS ACICLICOS; 3, LA RECUPERACION DE GRAFOS-QP A PARTIR DE DATOS TEMPORALES, red\grafo-qp\modelo\Markov\microarray