Hola,
¿eres nuevo aquí?

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

Tengo cuenta

Regístrate

Ver video

TED2021-131310B-I00

Financiado

Cerrado

REDES BAYESIANAS PARA APRENDIZAJE AUTOMATICO Y OPTIMIZACION INTERPRETABLES

LA ACEPTACION DE LOS SISTEMAS INTELIGENTES COMO SOPORTE A DECISIONES EN NUESTRO DIA A DIA RESULTA UN ELEMENTO CLAVE PARA LA DIGITALIZACION DE LA SOCIEDAD. EL SER HUMANO NECESITA CONFIAR Y ENTENDER LOS PROCESOS DE MODELIZACION Y DE... ver más

01/01/2021

UPM

414K€

Presupuesto del proyecto: 414K€

Líder del proyecto

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

Total investigadores 3949

Fecha límite participación Sin fecha límite de participación.

Financiación concedida El organismo AGENCIA ESTATAL DE INVESTIGACIÓN notifico la concesión del proyecto el día 2021-01-01 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.

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

Líder del proyecto

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

Total investigadores 3949

Presupuesto del proyecto 414K€

Fecha límite de participación Sin fecha límite de participación.

Descripción del proyecto LA ACEPTACION DE LOS SISTEMAS INTELIGENTES COMO SOPORTE A DECISIONES EN NUESTRO DIA A DIA RESULTA UN ELEMENTO CLAVE PARA LA DIGITALIZACION DE LA SOCIEDAD. EL SER HUMANO NECESITA CONFIAR Y ENTENDER LOS PROCESOS DE MODELIZACION Y DE TOMA DE DECISIONES INHERENTES A LOS MISMOS. ES POR ELLO QUE LA POSIBILIDAD DE INTERPRETAR POR EL SER HUMANO ESTOS SISTEMAS INTELIGENTES RESULTA UN ELEMENTO CLAVE PARA SU ACEPTACION Y POR CONSIGUIENTE SU DIFUSION. LAS REDES BAYESIANAS SON UN PARADIGMA BASADO EN LA TEORIA DE GRAFOS Y LA TEORIA DE LA PROBABILIDAD, AMBAS BIEN COMPRENDIDAS POR LA COMUNIDAD CIENTIFICA, QUE PERMITEN UNA GRAN FLEXIBILIDAD EN CUANTO A LOS TIPOS DE RAZONAMIENTO A LLEVAR A CABO (DIAGNOSTICO, PREDICTIVO, PRESCRIPTIVO, ABDUCTIVO, ) Y CON UNA METODOLOGIA RECONOCIDA Y COMPETITIVA EN DISTINTAS TAREAS DE APRENDIZAJE AUTOMATICO (CLUSTERING, CLASIFICACION SUPERVISADA Y APRENDIZAJE POR REFUERZO) Y DE LA OPTIMIZACION HEURISTICA, LO QUE HA POSIBILITADO QUE SE HAYAN DESARROLLADO APLICACIONES EXITOSAS EN DIVERSOS DOMINIOS INCLUYENDO LA NEUROCIENCIA Y LA INDUSTRIA 4.0. LA HIPOTESIS EN LA QUE SE FUNDAMENTA ESTE PROYECTO ES QUE LAS REDES BAYESIANAS CONSTITUYEN UN PARADIGMA CAPAZ DE PROPORCIONAR RESPUESTAS INTERPRETABLES POR EL SER HUMANO A PROBLEMAS DE MODELIZACION EN APRENDIZAJE AUTOMATICO Y EN OPTIMIZACION HEURISTICA. EL PROYECTO PROPONE DESARROLLAR E IMPLEMENTAR NUEVA METODOLOGIA PARA FACILITAR QUE EL SER HUMANO SEA CAPAZ DE INTERPRETAR ADECUADAMENTE TODAS LAS FASES NECESARIAS PARA QUE UNA RED BAYESIANA AYUDE A TOMAR DECISIONES. PARA ELLO SE PLANTEA DESARROLLAR UN INTERFAZ WEB DE CODIGO ABIERTO QUE POSIBILITE LA INTERACCION EN TAREAS COMO (A) EL APRENDIZAJE DE REDES BAYESIANAS A PARTIR DE DATOS SIGUIENDO UNA APROXIMACION DE PUNTUACION MAS BUSQUEDA, TANTO EN EL ESPACIO DE GRAFOS ACICLICOS DIRIGIDOS, COMO EN EL ESPACIO DE ORDENES ENTRE LAS VARIABLES, O EN EL DE CLASES DE EQUIVALENCIA, PERO TAMBIEN CUANDO LA MODELIZACION SE EFECTUA POR MEDIO DE LA DETECCION DE INDEPENDENCIAS CONDICIONALES; (B) LA INFERENCIA TANTO EXACTA COMO APROXIMADA DE PROPAGACIONES DE LA EVIDENCIA SIMPLES, O COMPLEJAS COMO EN EL CASO DEL RAZONAMIENTO ABDUCTIVO Y LA EXPLICACION MAS RELEVANTE; (C) LA VISUALIZACION DE DICHAS REDES, QUE PERMITA VER LA IMPORTANCIA CONCEDIDA A LOS DISTINTOS NODOS Y ARCOS, ASI COMO EL EFECTO DE LA PROPAGACION DE LA EVIDENCIA EN LAS CORRESPONDIENTES TABLAS DE PROBABILIDAD CONDICIONAL, O EL CHEQUEO EN LA ESTRUCTURA GRAFICA DE LAS INDEPENDENCIAS CONDICIONALES ENTRE TRIPLETAS DE VARIABLES, Y LA COMPARACION ESTRUCTURAL Y DE DISTRIBUCIONES DE PROBABILIDAD ENTRE DISTINTAS REDES BAYESIANAS; (D) EL ENTENDIMIENTO DE MODELOS DE CLUSTERING PROBABILISTICO, DE MODELOS DE CLASIFICADORES BAYESIANOS Y DE LAS POLITICAS DE DECISION USADAS POR UN AGENTE EN UN SISTEMA DE APRENDIZAJE POR REFUERZO; (E) EL ESTUDIO DE LA EVOLUCION DE LAS ESTRUCTURAS DE REDES BAYESIANAS INDUCIDAS A PARTIR DE LOS MEJORES INDIVIDUOS EN CADA GENERACION DE UN ALGORITMO DE ESTIMACION DE DISTRIBUCIONES PARA LA RESOLUCION DE PROBLEMAS DE OPTIMIZACION; Y (F) LA RESOLUCION DE TRES CASOS DE ESTUDIO DOS DE ELLOS EN LA DENOMINADA INDUSTRIA 4.0 Y EL TERCERO EN NEUROANATOMIA. NTERPRETABILIDAD. APRENDIZAJE AUTOMATIC\REDES BAYESIANAS\OPTIMIZACION HEURISTICA

Conecta tu I+D

Entra hoy

¿Olvidé mi contraseña?

Financiación

Empresas

CTIs/Universidades

Proyectos

Investigadores