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

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 3944

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%

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

TIN2013-41592-P APRENDIZAJE DE REDES BAYESIANAS CON VARIABLES SIN Y CON DIRE... 61K€ Cerrado

TIN2010-14931 MODELOS GRAFICOS PROBABILISTICOS EN APRENDIZAJE AUTOMATICO Y... 159K€ Cerrado

IJC2019-039152-I Deep Learning and Neural-symbolic learning and reasoning for... 93K€ Cerrado

TIN2016-78365-R UNA APROXIMACION DESDE LA INTELIGENCIA COMPUTACIONAL AL TRAT... 227K€ Cerrado

PID2019-106758GB-C33 APRENDIZAJE AUTOMATICO EXPLICABLE: UNA APROXIMACION PROBABIL... 109K€ Cerrado

TIN2013-41272-P MODELADO PROBABILISTICO EN APRENDIZAJE AUTOMATICO Y OPTIMIZA... 102K€ 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 414K€

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