Hola,
¿eres nuevo aquí?

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

Tengo cuenta

Regístrate

Ver video

EUR2020-112096

Financiado

Cerrado

BAYESIAN SEMIPARAMETRIC STRUCTURAL LEARNING

ESTE PROYECTO PROPONE METODOLOGIA ESTADISTICA PARA DESCUBRIR Y TESTEAR PATRONES COMPLEJOS A PARTIR DE DATOS OBSERVADOS, CON ENFASIS EN ESCENARIOS ESPACIO-TEMPORALES MOTIVADOS POR UNA NOVEDOSA Y DESAFIANTE APLICACION EN NEUROCIENCI... ver más

01/01/2020

UPF

60K€

Presupuesto del proyecto: 60K€

Líder del proyecto

UNIVERSITAT POMPEU FABRA No se ha especificado una descripción o un objeto social para esta compañía.

Total investigadores 322

Fecha límite participación Sin fecha límite de participación.

Financiación concedida El organismo AGENCIA ESTATAL DE INVESTIGACIÓN notifico la concesión del proyecto el día 2020-01-01 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

UPF

Lider

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

Proyectos interesantes

ANLSDA Advance Challenging Statistical Analysis for Massive High Di... 100K€ Cerrado

FLEXIBNPP Flexible Bayesian Non Parametric Priors 100K€ Cerrado

PID2019-106811GB-C31 FISICA ESTADISTICA DE SELECCION Y VALIDACION DE MODELOS PARA... 104K€ Cerrado

SNP Inference for Semi Nonparametric Econometric Models 866K€ Cerrado

PRE2020-092775 ANALISIS ESTADISTICO DE EVENTOS EN ESPACIO-TIEMPO SOBRE REDE... 99K€ Cerrado

PID2019-106811GB-C33 FISICA ESTADISTICA PARA CIUDADES: MODELOS ESTOCASTICOS Y EXP... 77K€ Cerrado

Líder del proyecto

UNIVERSITAT POMPEU FABRA No se ha especificado una descripción o un objeto social para esta compañía.

Total investigadores 322

Presupuesto del proyecto 60K€

Fecha límite de participación Sin fecha límite de participación.

Descripción del proyecto ESTE PROYECTO PROPONE METODOLOGIA ESTADISTICA PARA DESCUBRIR Y TESTEAR PATRONES COMPLEJOS A PARTIR DE DATOS OBSERVADOS, CON ENFASIS EN ESCENARIOS ESPACIO-TEMPORALES MOTIVADOS POR UNA NOVEDOSA Y DESAFIANTE APLICACION EN NEUROCIENCIA, LA APPLICACION SURGE DE UNA COLABORACION EXCLUSIVA FACILITADA POR AVANCES EN TECNOLOGIA PARA MEDIR LA ACTIVIDAD CEREBRAL Y ESTUDIAR SU RELACION CON LA TOMA DE DECISIONES HUMANA, SIN EMBARGO NUESTRO FOCO DE ATENCION ES EL DESARROLLO DE UN ESTUDIO QUE TIENE INTERES GENERICO PARA METODOLOGIA ESTADISTICA Y MUCHAS OTRAS APLICACIONES, ESPECIFICAMENTE, PLANTEAMOS ESTUDIAR CUESTIONES FUNDAMENTALES RELACIONAS CON LA SELECCION BAYESIANA DE MODELOS (BMS) EN MODELOS PARAMETRICOS, SEMI-PARAMETRICOS Y NO PARAMETRICOS, ENFATIZAMOS PROBLEMAS QUE PRESENTAN RETOS PARTICULARES DEBIDO A SER ALTAMENTE DIMENSIONALES (MUCHOS MODELOS A CONSIDERAR) Y/O A PLANTEARSE UN PROBLEMA COMPLEJO DENOMINADO COMO SELECCION DE DOMINIO,NUESTRO ESTUDIO INCLUYE CUESTIONES TEORICAS RELACIONADAS CON LAS PROPIEDADES FRECUENTISTAS DE BMS, ASI COMO DE METODOS L0 RELACIONALES, EN CUANDO A CONSEGUIR UN BUEN BALANCE ENTRE ESPARSIDAD Y POTENCIA ESTAISTICA, EVALUAR POSIBLES PROBLEMAS CON GUIAS PROPORCIONADAS POR RESULTADOS ASINTOTICOS, Y ENTENDER VENTAJAS-INCONVENIENTES ENTRE METODOS PARAMETRICOS Y NO PARAMETRICOS, Y LA SUTIL RELACION ENTRE ESTOS ASPECTOS Y TRABAJAR CON MODELOS MAL ESPECIFICADOS, AUNQUE EL ESTUDIO NO SE RESTRINGE A ESTE ESCENARIO, EL FOCUS ES EN PROBLEMAS ALTAMENTE DIMENSIONALES Y/O NO PARAMETRICOS, EXPLORAMOS ASPECTOS EN EL APRENDIZAJE DE ESTRUCTURA NO PARAMETRICA, RELACIONADOS CON LA FACTIBILIDAD DE USAR APROXIMACIONES BASADAS EN BASES FUNCIONALES CONTINUAS, DICHOS ASPECTOS TIENEN INTERES FUNDAMENTAL PARA LA TEORIA Y METODOLOGIA DE ANALISIS DE DATOS,EL PROYECTO TAMBIEN ESTUDIA ASPECTOS COMPUTACIONALES RELACIONADOS CON EL PROBLEMA CLASICO NO RESUELTO DE SELECCION DEL MEJOR SUBCONJUNTO, Y CON EL DESARROLLO DE VAIAS HERRAMIENTAS COMPUTACIONALES, ESTAS INCLUYEN ALGORITMOS DE PROPOSITO GENERAL Y DE INTERES EN SITUACIONES DONDE BMS FRECUENTEMENTE SE CONSIDERA INFACTIBLE, ASI COMO ALGORITMOS ESPECIFICAMENTE DISEÑADOS PARA PROBLEMAS DE APRENDIZAJE ESTRUCTURAL NO PARAMETRICO, INFERENCIA ALTAMENTE DIMENSIONAL\SELECCION DE MODELOS\COMPUTACION\ESTADISTICA MATEMATIC\INFERENCIA BAYESIANA\MODELOS MAL ESPECIFICADOS\INFERENCIA NO PARAMETRICA

Conecta tu I+D

Entra hoy

¿Olvidé mi contraseña?

Financiación

Empresas

CTIs/Universidades

Proyectos

Investigadores