Links relacionados

Proyectos de Investigación

Actuales:

  1. PICT 2012-0191

Anteriores:

  1. PICT 2008-0237- Agencia -(2008-2010). El campo del Aprendizaje Automatizado (Machine Learning) es parte central de la nueva revolución tecnológica basada en el uso inteligente de la información. Tradicionalmente, los principales problemas que se investigan en esta área son los de reconocimiento de patrones o Clasificación, aproximación de funciones de variable continua o Regresión, y descubrimiento de estructuras ocultas en datos o Clustering. Lógicamente, el desarrollo de nuevos métodos y algoritmos se concentró en un principio en los problemas más simples o típicos de encontrar, por ejemplo en problemas estacionarios en el tiempo, con una abundante cantidad de ejemplos de los cuales aprender y con solo unas pocas clases bastante balanceadas entre si. Sin embargo, los nuevos tipos de datos provenientes de la genómica, la proteómica, los equipos de monitoreo continuo de sistemas críticos, etc., han introducido nuevos desafíos en Aprendizaje Automatizado. Este proyecto propone el desarrollo de nuevos métodos (o la extensión de los métodos actuales cuando sea apropiado) para poder modelar eficientemente esta nueva clase de datos, incluyendo problemas de regresión y clasificación no-estacionarios y/o con gran nivel de ruido, problemas de clasificación y clustering con un número extremadamente alto de variables de entrada, o problemas de clasificación con un importante desbalance entre clases. En todas las líneas del proyecto se incluyen aplicaciones a problemas actuales de gran interés tecnológico, abarcando áreas de la biotecnología, la agrotecnología y la industria siderúrgica.

  2. PICT 2006-0643 - Agencia -(2008-2010). Este proyecto propone el desarrollo de nuevos métodos de selección de características (o variables) aplicables a datasets anchos (con muchas más variables que ejemplos) que, además de producir buenas seleccciones, sean eficientescomputacionalmente y estables ante mínimos cambios en los datos. Los métodos propuestos son extensiones del algoritmo de Eliminación Recursiva de Variables (RFE) de probada capacidad. Estos metodos serán extendidos a problemas no supervizados, donde el mayor desafío es encontrar una adecuada medida de bondad de los modelos para seleccionar las variables con el algoritmo RFE. Todos los desarrollos serán aplicados a problemas reales de gran importancia en genómica, proteómica, análisis de calidad de productos agroalimentarios y otros.