AVANCES EN METODOS NUCLEO PARA DATOS ESTRUCTURADOS
EN LA ULTIMA DECADA HA HABIDO UN FUERTE INCREMENTO DE DATOS ESTRUCTURADOS PROVENIENTES DE DIFERENTES INSTRUMENTOS Y SENSORES, CON DIFERENTE COMPLEJIDAD Y FUENTES DE RUIDO. DESDE LAS SERIES TEMPORALES DE DATOS GEOESPACIALES Y LAS I...
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 2016-01-01
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
TIN2013-42351-P
ALGORITMOS AVANZADOS PARA ANALISIS DE DATOS
68K€
Cerrado
TIN2013-41592-P
APRENDIZAJE DE REDES BAYESIANAS CON VARIABLES SIN Y CON DIRE...
61K€
Cerrado
PID2019-105058GA-I00
PROCESADO DE DATOS UNIFICADO MEDIANTE TRANSFORMACIONES PROBA...
41K€
Cerrado
Fecha límite de participación
Sin fecha límite de participación.
Descripción del proyecto
EN LA ULTIMA DECADA HA HABIDO UN FUERTE INCREMENTO DE DATOS ESTRUCTURADOS PROVENIENTES DE DIFERENTES INSTRUMENTOS Y SENSORES, CON DIFERENTE COMPLEJIDAD Y FUENTES DE RUIDO. DESDE LAS SERIES TEMPORALES DE DATOS GEOESPACIALES Y LAS IMAGENES DE SATELITE, HASTA BIOSEÑALES E INFORMES MEDICOS, ASI COMO FLUJOS DE DATOS DE TELECOMUNICACIONES E INTERNET, TODOS COMPARTEN RASGOS COMUNES: REDUNDANCIAS ESPACIALES, TEMPORALES, Y ESPECTRALES, RELACIONES MULTIMODALES COMPLEJAS, MUESTREO NO UNIFORME, Y FUENTES HETEROGENEAS DE RUIDO. EL ANALISIS DE ESTOS DATOS ES COMPLEJO Y LOS METODOS TRADICIONALES DE MACHINE LEARNING ASUMEN ERRONEAMENTE QUE LAS SEÑALES SON INDEPENDIENTES E IDENTICAMENTE DISTRIBUIDAS (IID), OBVIANDO UNA POSIBLE ESTRUCTURA SUBYACENTE, ASI COMO LAS CARACTERISTICAS DEL SISTEMA FISICO QUE GENERO LAS OBSERVACIONES. LOS METODOS KERNEL Y METODOS BAYESIANOS RELACIONADOS, COMO LOS BASADOS EN PROCESOS GAUSSIANOS, EXPLOTAN ESTAS ESTRUCTURAS DE LOS DATOS PARA LA PREDICCION Y CLASIFICACION DE ESTAS SEÑALES, PERMITEN CODIFICAR CONOCIMIENTO A PRIORI SOBRE LOS DATOS, Y APRENDER LAS FUNCIONES LATENTES QUE LOS EXPLICAN. LA VISION A LARGO PLAZO DE LA RED KERMES ES ABRIR NUEVAS FRONTERAS Y PROMOVER LA INVESTIGACION DE NUEVOS ALGORITMOS KERNEL CAPACES DE DESCUBRIR Y CODIFICAR EL CONOCIMIENTO SUBYACENTE EN DATOS ESTRUCTURADOS, UN PASO PREVIO AL OBJETIVO MUCHO MAS AMBICIOSO DEL RAZONAMIENTO ARTIFICIAL BASADO EN DATOS EMPIRICOS. LA RED PRETENDE TAMBIEN AUMENTAR LA ESCALA PARA TRABAJAR CON MILLONES DE MUESTRAS, DERIVAR INTERVALOS DE CONFIANZA RAZONABLES/CREIBLES PARA LAS PREDICCIONES Y AVANZAR EN LA INFERENCIA CAUSAL EMPIRICA. LA RED DARA LUGAR A UNA COLABORACION MULTIDISCIPLINAR ENTRE LOS CAMPOS DEL MACHINE LEARNING, EL PROCESAMIENTO DE SEÑALES Y LA ESTADISTICA BAYESIANA. DE ESTE MODO SE CREARA UNA MASA CRITICA QUE PERMITA LANZAR NUEVAS PROPUESTAS DE PROYECTOS CIENTIFICOS EN EL FUTURO. POR ULTIMO SE REALIZARAN ACTIVIDADES DE TRANSFERENCIA TECNOLOGICA Y COLABORACION CON EMPRESAS SECTORIALES. ÉTODOS NÚCLEO (KERNEL METHODS)\TELEDETECCIÓN Y COMUNICACIONES\APLICACIONES EN BIOENGENIERÍA\PROCESADO DE IMÁGENES\SERIES TEMPORALES\KRIGING\PROCESOS GAUSSIANOS