Hola,
¿eres nuevo aquí?

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

Tengo cuenta

Regístrate

Ver video

TIN2010-20900-C04-04

Financiado

MINERIA DE DATOS CON PGMS: NUEVOS ALGORITMOS Y APLICACIONES. MD-PGMS-UPM

EL OBJETIVO DE ESTE (SUB)PROYECTO ES LLEVAR A CABO DESARROLLOS METODOLOGICOS BASADOS EN MODELOS GRAFICOS PROBABILISTICOS (MGPS) QUE CONDUZCAN A LA CREACION DE SISTEMAS INTELIGENTES CAPACES DE HACER FRENTE A PROBLEMAS DEL MUNDO REA... ver más

01/01/2010

UPM

70K€

Presupuesto del proyecto: 70K€

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 2010-01-01 No tenemos la información de la convocatoria

0% 100%

Participantes

UPM

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

BES-2011-049145 MINERIA DE DATOS CON MODELOS GRAFICOS PROBABILISTICOS: NUEVO... 43K€ Cerrado

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

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

BLaSt Better Languages for Statistics foundations for non paramet... 2M€ Cerrado

BES-2017-080857 MODELOS GRAFICOS PROBABILITICOS Y ANALITICA ESCALABLE DE DAT... 93K€ Cerrado

TIN2011-27479-C04-04 MINERIA EN DATOS BIOLOGICOS Y SOCIALES: ALGORITMOS, TEORIA E... 18K€ Cerrado

Líder del proyecto

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

Total investigadores 3944

Presupuesto del proyecto 70K€

Descripción del proyecto EL OBJETIVO DE ESTE (SUB)PROYECTO ES LLEVAR A CABO DESARROLLOS METODOLOGICOS BASADOS EN MODELOS GRAFICOS PROBABILISTICOS (MGPS) QUE CONDUZCAN A LA CREACION DE SISTEMAS INTELIGENTES CAPACES DE HACER FRENTE A PROBLEMAS DEL MUNDO REAL,EL PROYECTO GLOBAL, COORDINADO CON CUATRO EQUIPOS, SE CENTRARA EN TRES AREAS: APRENDIZAJE DE MGPS, CLASIFICACION SUPERVISADA E INFERENCIA, Y HABRA UNA CUARTA PARTE DIRIGIDA A LA APLICACION DE ESTA INVESTIGACION A UNA VARIEDAD DE PROBLEMAS REALES CON INCERTIDUMBRE, AUNQUE ESTE SUBPROYECTO COLABORARA EN LA MAYORIA DE LAS TAREAS DEL PROYECTO COORDINADO, DIRIGIRA SUS ESFUERZOS A DISEÑAR ALGORITMOS EN SITUACIONES DESAFIANTES EN LAS QUE LOS ALGORITMOS ACTUALES DEJAN DE SER VALIDOS,ESPECIFICAMENTE, EN EL PRIMER AREA DEL APRENDIZAJE DE MGPS, PRETENDEMOS PROPONER NUEVAS MEDIDAS DE BONDAD DE UNA ESTRUCTURA, COMO LAS BASADAS EN REGULARIZACION-LP O MEDIDAS MULTIOBJETIVO, LAS TECNICAS DE REGULARIZACION REDUCEN EL PROBLEMA DE LA INESTABILIDAD EN LA ESTIMACION DE PARAMETROS PRESENTE EN DATOS CONTEMPORANEOS CON DIMENSIONES EXTREMADAMENTE ALTAS Y TAMAÑOS MUESTRALES PEQUEÑOS, CONDUCEN ADEMAS A MODELOS PARSIMONIOSOS, LAS MEDIDAS MULTIOBJETIVO SURGEN PARA CAPTAR LAS (POSIBLES) INTERACCIONES ENTRE VARIAS MEDIDAS QUE SE USEN, INTENTANDO OPTIMIZAR TODAS SIMULTANEAMENTE, ADEMAS, PLANEAMOS CREAR NUEVAS ESTRUCTURAS (PRINCIPALMENTE REDES BAYESIANAS) QUE ADMITAN LA PROPIEDAD DE AUTO-SEMEJANZA PARA MODELIZAR SISTEMAS QUE SE CLONAN A DIFERENTES ESCALAS, ESTO IMPLICARA DISEÑAR NUEVOS ALGORITMOS QUE APRENDAN ESTAS NUEVAS ESTRUCTURAS Y SIMULEN DATOS DE LA DISTRIBUCION DE PROBABILIDAD SUBYACENTE, MAS AUN, ESPERAMOS INCORPORAR LA COMPONENTE ESPACIAL A ESTAS REDES,EN EL AREA DE LA CLASIFICACION SUPERVISADA, ABORDAREMOS LA EXTENSION DEL CASO DE UNA SOLA VARIABLE CLASE A MUCHAS VARIABLES CLASE VIA LOS CLASIFICADORES BAYESIANOS, NUESTRO OBJETIVO ES USAR MGPS GENERALES Y NO RESTRINGIDOS PERMITIENDO TAMBIEN DATOS QUE SUPONEN UN RETO POR TENER ALTA DIMENSION, VALORES PERDIDOS, Y POCAS OBSERVACIONES, YENDO MAS ALLA, LA EXTENSION PUEDE ABARCAR EL CASO CONTINUO --REGRESION CON SALIDAS MULTIPLES-- DONDE LOS MODELOS DE REGRESION Y CLASIFICACION PUEDEN COLABORAR, MAS AUN, PRETENDEMOS DISEÑAR NUEVOS ALGORITMOS QUE PUEDAN ENFRENTARSE A LAS LIMITACIONES COMPUTACIONALES Y DE MEMORIA Y A LA ACTUALIZACION DE LA DISTRIBUCION SUBYACENTE EN DATOS MASIVOS Y EN DATA STREAMS (QUIZA CON INSTANCIAS NO ETIQUETADAS) QUE SON TAN CORRIENTES HOY EN DIA, ASIMISMO, SE PLANTEAN NUEVAS APORTACIONES MAS EFICIENTES PARA EL APRENDIZAJE DISCRIMINATIVO DE CLASIFICADORES BASADOS EN REDES BAYESIANAS UTILIZANDO TRANSFORMACIONES QUE PERMITEN QUE ESTOS SE CONVIERTAN PRECISAMENTE EN PROBLEMAS EQUIVALENTES DE REGRESION LOGISTICA,FINALMENTE, SE EVALUARAN LOS NUEVOS DESARROLLOS METODOLOGICOS DE ESTE PROYECTO SOBRE PROBLEMAS REALES RELACIONADOS CON LA COMPUTACION EVOLUTIVA, BIOMEDICINA, NEUROCIENCIA Y BIBLIOMETRIA, MODELOS GRAFICOS PROBABILISTICOS\REDES BAYESIANAS\CLASIFICACION SUPERVISADA\REGRESION LOGISTICA\COMPUTACION EVOLUTIVA

Conecta tu I+D

Entra hoy

¿Olvidé mi contraseña?

Financiación

Empresas

CTIs/Universidades

Proyectos

Investigadores