MODELADO PROBABILISTICO EN APRENDIZAJE AUTOMATICO Y OPTIMIZACION: APRENDIZAJE DE...
MODELADO PROBABILISTICO EN APRENDIZAJE AUTOMATICO Y OPTIMIZACION: APRENDIZAJE DE MODELOS, PERMUTACIONES Y SERIES TEMPORALES
EL PRESENTE PROYECTO DE INVESTIGACION TIENE COMO OBJETIVO LLEVAR A CABO DESARROLLOS METODOLOGICOS EN EL AMBITO DEL MODELADO PROBABILISTICO, TRATANDO PROBLEMAS DE APRENDIZAJE AUTOMATICO Y DE OPTIMIZACION COMBINATORIA, AUNQUE EL PRO...
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 2013-01-01
No tenemos la información de la convocatoria
0%
100%
Características del participante
Este proyecto no cuenta con búsquedas de partenariado abiertas en este momento.
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
Fecha límite de participación
Sin fecha límite de participación.
Descripción del proyecto
EL PRESENTE PROYECTO DE INVESTIGACION TIENE COMO OBJETIVO LLEVAR A CABO DESARROLLOS METODOLOGICOS EN EL AMBITO DEL MODELADO PROBABILISTICO, TRATANDO PROBLEMAS DE APRENDIZAJE AUTOMATICO Y DE OPTIMIZACION COMBINATORIA, AUNQUE EL PROYECTO ABORDARA UN AMPLIO ABANICO DE TIPOS DE DATOS Y DE PROBLEMAS DE OPTIMIZACION, ESTE HACE ESPECIAL HINCAPIE EN EL TRATAMIENTO DE PROBLEMAS CUYA ENTIDAD BASICA SEAN LAS PERMUTACIONES Y LAS SERIES TEMPORALES, COMO METODO PARA VALIDAR LOS DESARROLLOS METODOLOGICOS REALIZADOS, EL PROYECTO PLANTEA SU APLICACION EN DIVERSOS AMBITOS COMO SON LA INFORMATICA BIOMEDICA, LA BIOINFORMATICA, LA NUEROCIENCIA Y LA ARQUITECTURA DE COMPUTADORES,DENTRO DEL AMBITO DEL APRENDIZAJE AUTOMATICO NOS PLANTEAMOS COMO PRINCIPALES OBJETIVOS RELACIONADOS CON EL APRENDIZAJE DE MODELOS LOS SIGUIENTES: (I) APRENDER MODELOS PROBABILISTICOS A PARTIR DE DATOS DE RANKING O PERMUTACIONES, (II) APRENDIZAJE DE MODELOS GRAFICOS DESCOMPONIBLES (III) APRENDIZAJE DE REDES BAYESIANAS PARA CLASIFICACION A PARTIR DE DATOS DE "CROWDS" MULTIDIMENSIONALES, (IV) APRENDER KERNELS EN ESPACIOS ACOTADOS Y FINALMENTE (V) AUTOMATIZAR LA ELECCION DE DISTANCIAS PARA ANALIZAR BASES DE DATOS DE SERIES TEMPORALES,EN EL AMBITO DE LA OPTIMIZACION COMBINATORIA NUESTROS PRINCIPALES OBJETIVOS SON: (I) DISEÑAR ALGORITMOS DE ESTIMACION DE DISTRIBUCIONES PARA PROBLEMAS DE OPTIMIZACION COMBINATORIA BASADOS EN PERMUTACIONES, (II) DISEÑAR ALGORITMOS DE ESTIMACION DEL NUMERO DE OPTIMOS LOCALES EN INSTANCIAS DE PROBLEMAS DE OPTIMIZACION COMBINATORIA Y FINALMENTE (III) CREAR UN METODO PARA GENERAR PROBLEMAS ARTIFICIALES DE OPTIMIZACION COMBINATORIA BASADOS EN PERMUTACIONES,LA MAYORIA DE LOS DESARROLLOS METODOLOGICOS QUE SE LLEVEN A CABO EN LOS DOS AMBITOS ANTERIORES SERAN EVALUADOS EN LA RESOLUCION DE UN PROBLEMA PRACTICO, LAS APLICACIONES QUE VAMOS A CONSIDERAR SON LAS SIGUIENTES: (I) PREDICCION DE LA PROBABILIDAD DE IMPLANTACION DE OVOCITOS EN REPRODUCCION ASISTIDA, (II) IDENTIFICACION DE POSICIONES DIFERENCIALMENTE METILADAS A PARTIR DE DATOS DE METILACION (III) ANALISIS DE EEG AND MEG DATA EN EL CONTEXTO DE INTERFACES CEREBRO-COMPUTADOR DE MULTIPLES INDIVIDUOS Y (IV) DISEÑOS DE POLITICAS OPTIMAS DE USO DE RESCURSOS EN PLATAFORMAS DE TIPO "CLOUD COMPUTING", MODELADO PROBABILÍSTICO\ APRENDIZAJE AUTOMÁTICO\ OPTIMIZACIÓN COMBINATORIA\ PERMUTACIONES\ SERIES TEMPORALES\ APRENDIZAJE DE MODELOS\ INFORMÁTICA BIOMÉDICA\ NEUROCIENCIA\ COMPUTACIÓN CLOUD