Hola,
¿eres nuevo aquí?

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

Tengo cuenta

Regístrate

Ver video

PID2019-109247GB-I00

Financiado

Cerrado

REDES BAYESIANAS PARA FLUJOS DE DATOS CONTINUOS

HOY EN DIA LA SOCIEDAD GENERA GRANDES VOLUMENES DE DATOS QUE DEBEN SER TRANSFORMADOS EN CONOCIMIENTO EXPRESADO COMO UN MODELO COMPUTACIONAL, LAS TECNICAS DE APRENDIZAJE AUTOMATICO LLEVAN A CABO ESTA TRANSFORMACION Y SE HAN CONVERT... ver más

01/01/2019

UPM

154K€

Presupuesto del proyecto: 154K€

Líder del proyecto

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

Total investigadores 3948

Fecha límite participación Sin fecha límite de participación.

Financiación concedida El organismo AGENCIA ESTATAL DE INVESTIGACIÓN notifico la concesión del proyecto el día 2019-01-01 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

Proyectos interesantes

PID2021-123654OB-C32

Data Science

Software

114K€ Cerrado

PID2020-112581GB-C21

Data Science

Software

363K€ Cerrado

PRE2020-094828

Data Science

Software

99K€ Cerrado

TIN2016-78365-R

Data Science

Software

227K€ Cerrado

GTBB

Data Science

Software

2M€ Cerrado

HEISENDATA

Data Science

Software

100K€ Cerrado

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 3948

Presupuesto del proyecto 154K€

Fecha límite de participación Sin fecha límite de participación.

Descripción del proyecto HOY EN DIA LA SOCIEDAD GENERA GRANDES VOLUMENES DE DATOS QUE DEBEN SER TRANSFORMADOS EN CONOCIMIENTO EXPRESADO COMO UN MODELO COMPUTACIONAL, LAS TECNICAS DE APRENDIZAJE AUTOMATICO LLEVAN A CABO ESTA TRANSFORMACION Y SE HAN CONVERTIDO EN UNA TECNOLOGIA AMPLIAMENTE ACEPTADA, LAS REDES BAYESIANAS OFRECEN UNA REPRESENTACION INTERPRETABLE Y EXPLICITA DEL CONOCIMIENTO INCIERTO CON UN CAMPO ACTIVO DE INVESTIGACION Y APLICACIONES REALES EXITOSAS COMPETITIVAS CON EL ESTADO DEL ARTE, LOS DOMINIOS INDUSTRIALES ENGLOBADOS EN EL TERMINO INDUSTRIA 4,0 SE ENFRENTAN A ESTOS ENORMES VOLUMENES DE DATOS FLUJOS CONTINUOS DE DATOS-, DONDE ES PROBABLE QUE SURJAN CAMBIOS DE CONCEPTO SIENDO NECESARIOS TANTO SU DETECCION COMO LA ADAPTACION DEL MODELO,LA NATURALEZA CONTINUA DEL TIEMPO Y DE LOS ESTADOS DE LA MAYORIA DE LAS VARIABLES EN LA INDUSTRIA REQUIERE EXTENDER LOS MODELOS ACTUALES DE REDES BAYESIANAS, LA TRADICIONAL DISCRETIZACION DEL TIEMPO Y LA ESTACIONARIEDAD (ESTRUCTURA FIJA) ASUMIDAS EN LAS PRIMERAS REDES BAYESIANAS PARA DATOS DINAMICOS (LAS REDES BAYESIANAS DINAMICAS) SON MUY LIMITADAS PARA TRATAR CON FLUJOS CONTINUOS DE DATOS, REFINAMIENTOS POSTERIORES, COMO LAS REDES NO ESTACIONARIAS Y LAS REDES DE TIEMPO VARIABLE, PERMITEN EVOLUCIONAR LAS ESTRUCTURAS EN EL TIEMPO, MAS AUN, LAS MARCAS DE TIEMPO NO NECESITAN SER DISCRETIZADAS EN LAS REDES BAYESIANAS DE TIEMPO CONTINUO (O EN SUS EXTENSIONES A VERSIONES NO ESTACIONARIAS), SIN EMBARGO, EL ESPACIO DE ESTADOS CONTINUO EN ESTAS REDES BAYESIANAS DE TIEMPO CONTINUO TIENE TAMBIEN QUE DISCRETIZARSE Y LOS RESULTADOS DEPENDEN FUERTEMENTE DE LA TASA DE DISCRETIZACION, EN ESTE PROYECTO CONJETURAMOS QUE LOS ESPACIOS DE ESTADOS CONTINUOS PUEDEN MODELIZARSE CON GAUSIANAS MULTIVARIANTES (FACTORIZADAS) Y/O TECNICAS DE ESTIMACION DE DENSIDADES KERNEL, TANTO EN TIEMPO DISCRETO COMO EN CONTINUO, LOS DERIVADOS DE ESTOS MODELOS ESENCIALES PLANTEAN RETOS IMPORTANTES EN TODAS LAS TAREAS DEL APRENDIZAJE AUTOMATICO, PARTICULARMENTE EN CLUSTERING PROBABILISTICO (ESPECIALMENTE MODELOS OCULTOS DE MARKOV), CLASIFICACION SUPERVISADA UNI- Y MULTIDIMENSIONAL, SELECCION DE SUBCONJUNTOS DE VARIABLES, REDES DE GRAN TAMAÑO PARA HORIZONTES DE TIEMPO LARGOS Y SU VISUALIZACION, Y PROCEDIMIENTOS DE DETECCION DE LOS CAMBIOS DE CONCEPTO Y LA POSTERIOR ADAPTACION DEL MODELO DENTRO DE ESTOS CONTEXTOS, TRES PROBLEMAS EN LA INDUSTRIA 4,0 MOTIVAN LA NECESIDAD DE ESTOS NUEVOS DESARROLLOS METODOLOGICOS, PRIMERO, LA PREDICCION A LARGO PLAZO DE LA TEMPERATURA EN HORNOS DE REFINERIAS; SEGUNDO, LA PREDICCION DE VIDA UTIL RESTANTE DE HERRAMIENTAS DE MECANIZADO EN EL SECTOR MANUFACTURERO; Y TERCERO, LA IDENTIFICACION EN TIEMPO REAL DE LOS GRANDES CONSUMIDORES DE ENERGIA EN UNA PLANTA AUTOMOVILISTICA, SIN NECESIDAD DE INVERTIR EN NUEVO EQUIPAMIENTO, LAS SOLUCIONES INTELIGENTES QUE RESUELVEN ESTOS PROBLEMAS DARAN LUGAR A PROCESOS MAS EFICIENTES, CAPACES DE AHORRAR TIEMPO, DINERO Y ENERGIA, Y AL MISMO TIEMPO PROPORCIONARAN POLITICAS DE MANTENIMIENTO PREDICTIVO EFECTIVAS, DOS EPOS, REPSOL Y AINGURA IIOT, APOYAN ESTA PROPUESTA, REDES BAYESIANAS\APRENDIZAJE A PARTIR DE DATOS\CLASIFICACION SUPERVISADA Y NO SUPERVISA\FLUJOS DE DATOS\CAMBIO DE CONCEPTO\INDUSTRIA 4.0

Conecta tu I+D

Entra hoy

¿Olvidé mi contraseña?

Financiación

Empresas

CTIs/Universidades

Proyectos

Investigadores