Hola,
¿eres nuevo aquí?

Regístrate gratis y conecta tu empresa con financiación pública, partners y proyectos.

Tengo cuenta

Regístrate

Ver video

TIN2013-41592-P

Financiado

Cerrado

APRENDIZAJE DE REDES BAYESIANAS CON VARIABLES SIN Y CON DIRECCIONALIDAD PARA DES...

APRENDIZAJE DE REDES BAYESIANAS CON VARIABLES SIN Y CON DIRECCIONALIDAD PARA DESCUBRIMIENTO DE ASOCIACIONES, PREDICCION MULTIRESPUESTA Y CLUSTERING LAS REDES BAYESIANAS SON MODELOS GRAFICOS PROBABILISTICOS CON UNA REPRESENTACION EXPLICITA E INTERPRETABLE DEL CONOCIMIENTO INCIERTO BASADA EN EL CONCEPTO DE INDEPENDENCIA CONDICIONAL, A PESAR DE LOS PROGRESOS PERMANENTES EN ESTE... ver más

01/01/2013

UPM

61K€

Presupuesto del proyecto: 61K€

Líder del proyecto

UNIVERSIDAD POLITÉCNICA DE MADRID No se ha especificado una descripción o un objeto social para esta compañía.

Total investigadores 3947

Fecha límite participación Sin fecha límite de participación.

Financiación concedida El organismo AGENCIA ESTATAL DE INVESTIGACIÓN notifico la concesión del proyecto el día 2013-01-01 No tenemos la información de la convocatoria

0% 100%

Información adicional privada

No hay información privada compartida para este proyecto. Habla con el coordinador.

Participantes

UPM

Lider

Proyectos interesantes

TIN2013-42351-P

Data Science

Software

68K€ Cerrado

PID2019-105058GA-I00

Data Science

Software

41K€ Cerrado

INFPROBMOD

Data Science

Software

163K€ Cerrado

GRAPHMODE

Data Science

Software

2M€ Cerrado

TIN2010-14931

Data Science

Software

159K€ Cerrado

BES-2014-068637

Data Science

Machine Learnin...

88K€ Cerrado

Conecta tu I+D

¿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

Líder del proyecto

UNIVERSIDAD POLITÉCNICA DE MADRID No se ha especificado una descripción o un objeto social para esta compañía.

Total investigadores 3947

Presupuesto del proyecto 61K€

Fecha límite de participación Sin fecha límite de participación.

Descripción del proyecto LAS REDES BAYESIANAS SON MODELOS GRAFICOS PROBABILISTICOS CON UNA REPRESENTACION EXPLICITA E INTERPRETABLE DEL CONOCIMIENTO INCIERTO BASADA EN EL CONCEPTO DE INDEPENDENCIA CONDICIONAL, A PESAR DE LOS PROGRESOS PERMANENTES EN ESTE CAMPO DESDE SU INTRODUCCION EN 1988, LOS ACTUALES PROBLEMAS EN APRENDIZAJE AUTOMATICO Y LAS APLICACIONES REALES DEMANDAN NUEVOS AVANCES, ESPECIFICAMENTE, LOS ASPECTOS DE DIRECCIONALIDAD Y ESPACIALIDAD, DATOS DE DIFERENTE NATURALEZA Y APRENDIZAJE SUPERVISADO Y NO SUPERVISADO MULTIDIMENSIONAL (CLASIFICACION, REGRESION Y CLUSTERING) SON TEMAS CANDENTES EN PROBLEMAS REALISTAS, LAS REDES BAYESIANAS DESTACAN COMO MODELOS IDEALES PARA AFRONTAR ESTOS ESCENARIOS,ESTE PROYECTO TIENE CINCO OBJETIVOS:1, DESCUBRIR ASOCIACIONES EN REDES BAYESIANAS CON VARIABLES DISCRETAS, CONTINUAS Y DIRECCIONALES, PROPONEMOS NUEVOS METODOS PARA APRENDER LA DISTRIBUCION CONJUNTA CON MIXTURAS DE POLINOMIOS BASADA EN INTERPOLACION CON B-SPLINES, VON MISES Y OTRAS DISTRIBUCIONES DIRECCIONALES, Y DATOS ESPACIALES,2, APRENDER CLASIFICADORES BAYESIANOS MULTIDIMENSIONALES CON PREDICTORAS DISCRETAS, CONTINUAS Y DIRECCIONALES, PARA EL CASO UNIDIMENSIONAL SE EXPLORAN INSTANCIAS MULTIPLES, CONJUNTOS HOMOLOGOS Y COSTE-SENSIBILIDAD, PARA EL CASO MULTIDIMENSIONAL, EXTENDEMOS LOS CLASIFICADORES USUALES CON PREDICTORAS DISCRETAS PARA ABORDAR PREDICTORAS CONTINUAS Y DIRECCIONALES, OTROS ASPECTOS SON LA VALIDACION CRUZADA ESTRATIFICADA, VARIOS ANOTADORES DE ETIQUETAS Y FUNCIONES CLASE-PREDICTORA NO DEFINIDAS PARA LAS VARIABLES DEL DOMINIO,3, APRENDER REDES BAYESIANAS PARA REGRESION MULTIRESPUESTA CON PREDICTORAS DISCRETAS, CONTINUAS Y DIRECCIONALES, SE EXTENDIEN LAS IDEAS DEL ANTERIOR OBJETIVO AL CASO DE RESPUESTA CONTINUA DONDE SE PREDICEN A LA VEZ MUCHAS VARIABLES DE VALOR REAL,4, APRENDER REDES BAYESIANAS PARA CLUSTERING CON VARIABLES DISCRETAS, CONTINUAS Y DIRECCIONALES, ADAPTAMOS EL ALGORITMO EM ESTRUCTURAL PARA DATOS DE DIFERENTE TIPO, TAMBIEN CONSIDERAMOS LA SELECCION DE VARIABLES POR CLUSTER, CLUSTERING SEMI-SUPERVISADO Y EL MULTIDIMENSIONAL, DONDE SE OBTIENE UN UNICO MODELO CON MULTIPLES VARIABLES OCULTAS PERMITIENDO QUE LOS DATOS SE PARTICIONEN A LO LARGO DE MULTIPLES DIMENSIONES,5, APLICACIONES A NEUROCIENCIA QUE MOTIVAN LOS DESARROLLOS PREVIOS, PRIMERO, EN NEUROANATOMIA, MODELAMOS: ANGULOS DE RAMIFICACION DENDRITICA POR ORDEN ESTANDAR Y POR AREA CORTICAL, ARBOLES BASALES COMPLETOS EN NEURONAS PIRAMIDALES, DISTRIBUCION ESPACIAL Y CLUSTERING DE ESPINAS DENDRITICAS, DISTRIBUCION ESPACIAL DE SINAPSIS, NOMENCLATURA ACORDADA DE INTERNEURONAS GABAERGICAS, CABLEADO OPTIMO DE LA LONGITUD AXONAL/DENDRITICA, PREDICCION DE LA MORFOLOGIA A PARTIR DE LA ELECTROFISIOLOGIA, SEGUNDO, EN LA ENFERMEDAD DE ALZHEIMER, ABORDAMOS LA DETECCION DE DIFERENCIAS ENTRE CEREBROS NORMALES Y PATOLOGICOS PARA EL DIAGNOSTICO PRECOZ, ESPERAMOS PRODUCIR RESULTADOS A DIFERENTES NIVELES, EN EL NIVEL ACADEMICO SE PREVEE LA PUBLICACION DE ARTICULOS EN REVISTAS Y CONGRESOS, DESARROLLO DE TESIS DOCTORALES, COMPARTICION DEL SOFTWARE LIBRE IMPLEMENTADO Y FORTALECIMIENTO DE NUESTRA VISIBILIDAD INTERNACIONAL, EN EL NIVEL DE TRANSFERENCIA DE LA INVESTIGACION, ESPERAMOS SOLICITAR UNA PATENTE RELACIONADA CON EL DIAGNOSTICO TEMPRANO DEL ALZHEIMER Y EXPLOTAR NUESTROS RESULTADOS CON ALGUNA COMPAÑIA FARMACEUTICA, EN EL NIVEL DE LA SOCIEDAD, PRETENDEMOS ACERCAR LA CULTURA CIENTIFICA A LOS CIUDADANOS DIVULGANDO NUESTROS AVANCES EN LOS MEDIOS DE COMUNICACION, REDES BAYESIANAS\ APRENDIZAJE A PARTIR DE DATOS\ DISTRIBUCIÓN DE VON MISES\ ESTADÍSTICA DIRECCIONAL\ CLASIFICACIÓN MULTIDIMENSIONAL\ REGRESIÓN MULTIRESPUESTA\ CLUSTERING MULTIDIMENSIONAL\ NEUROCIENCIA

Conecta tu I+D

Entra hoy

¿Olvidé mi contraseña?

Financiación

Empresas

CTIs/Universidades

Proyectos

Investigadores