Hola,
¿eres nuevo aquí?

Registrate y conecta tu empresa con financiación pública, partners y proyectos.

TIN2013-41592-P

Financiado

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 3944

Financiación concedida El organismo AGENCIA ESTATAL DE INVESTIGACIÓN notifico la concesión del proyecto el día 2013-01-01

0% 100%

Participantes

UPM

Lider

Proyectos interesantes

TIN2010-14931 MODELOS GRAFICOS PROBABILISTICOS EN APRENDIZAJE AUTOMATICO Y... 159K€ Cerrado

BES-2014-068637 APRENDIZAJE DE REDES BAYESIANAS CON VARIABLES SIN Y CON DIRE... 88K€ Cerrado

IJCI-2017-31324 Modelos gráficos probabilísticos 64K€ Cerrado

TIN2010-20900-C04-04 MINERIA DE DATOS CON PGMS: NUEVOS ALGORITMOS Y APLICACIONES.... 70K€ Cerrado

PID2019-105058GA-I00 PROCESADO DE DATOS UNIFICADO MEDIANTE TRANSFORMACIONES PROBA... 41K€ Cerrado

TED2021-131310B-I00 REDES BAYESIANAS PARA APRENDIZAJE AUTOMATICO Y OPTIMIZACION... 414K€ Cerrado

Últimas noticias

29-11-2024: IDAE En las últimas 48 horas el Organismo IDAE ha otorgado 4 concesiones

29-11-2024: ECE En las últimas 48 horas el Organismo ECE ha otorgado 2 concesiones

29-11-2024: CMVAMADRID En las últimas 48 horas el Organismo CMVAMADRID ha otorgado 37 concesiones

Líder del proyecto

UNIVERSIDAD POLITÉCNICA DE MADRID

Total investigadores 3944

Presupuesto del proyecto 61K€

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

Financiación

Empresas

CTIs/Universidades

Proyectos

Investigadores