Filtrar por:
  • Diversificación Avanzada de Máquinas de Aprendizaje (Advanced Diversification for Learning Machines)

    Líderes del proyecto

    Pedro Antonio Gutiérrez

    DIVERSIFICACIÓN AVANZADA DE MÁQUINAS DE APRENDIZAJE (ADVANCED DIVERSIFICATION FOR LEARNING MACHINES) TIN2015-70308-REDT 

    Financial Entity: Ministerio de Economía y Competitividad.MINECO
    Principal Investigator: Aníbal Ramón Figueiras Vidal. En la UCO: Pedro Antonio Gutiérrez Peña
    Budget: 35.000 Euros. 

     

    La   Red   Temática   DAMA,   constituida   por   6 grupos   de   investigación   con   demostrable  cooperación   anterior,   se   orienta   científico-­técnicamente   a   introducir   nuevos métodos   de  diversificación,   mejora   de   los   conocidos, combinaciones   de   ellos,   empleo   de   nuevos aprendices (incluyendo  las  muy  celebradas  Redes  Profundas),  extensiones  a problemas  de  Aprendizaje   Máquina   de   particular   relevancia (desequilibrados,   ordinales,   semi-­   y   no-­supervisados,  etc.),  aprovechamiento  en  tareas  secundarias  (como  imputación, selección  de  rasgos  y  ponderación  de  errores  muestrales), llegando  a  las  aplicaciones,  preferentemente  en   los   ámbitos de   Finanzas,   Energía,   Márketing   Inteligente   e   Industria Química,  Farmacéutica  y  Biotecnológica,  con  el  apoyo  de  media docena  de  empresas  especializadas.

    Se   operará   constituyendo   equipos   inter-­grupales   dedicados   a   temas   específicos; celebrando   unas   Jornadas   Anuales   de   la   Red   Temática   DAMA   con   propósitos   de   coordinación, formación,   investigación,   transferencia   y   difusión;;   y buscando   la   visibilización internacional   vía   resultados científicos,   propuestas   de   proyectos   europeos,   y   cooperación   internacional   (preferentemente   a   través   de   estructuras análogas,   como   el   “Data   Science   &  Engineering   Consortium”  USA-­LatAm-­España,   del   que   dos   universidades   solicitantes  ya   forman  parte). 

  • Algoritmos de clasificación ordinal en energias renovables (ORdinal Classification and prediction Algorithms in Renewable Energy, ORCA-RE)

    Líderes del proyecto

    Pedro Antonio Gutiérrez; César Hervás-Martínez

    ALGORITMOS DE CLASIFICACION ORDINAL Y PREDICCION EN ENERGIAS RENOVABLES     (ORDINAL CLASSIFICATION AND PREDICTION ALGORITHMS IN RENAWABLE ENERGY, ORCA-RE) TIN2014-54583-C2-1-R 

    Financial Entity: Ministerio de Economía y Competitividad.MINECO
    Principal Investigator: César Hervás Martínez and Pedro Antonio Gutiérrez
    Budget: 79.200 Euros. 

     

    Given that fossil energy resources will not satisfy the energy demand of the world population within a relatively short period of time, a very important research trend is now investigating in alternative sources of efficient, reliable and clean energy, to boost the performance of current infrastructures. Predicting the amount of energy produced is essential for assuring an effective inclusion of these energies in the electrical network. This kind of energies are associated to physical phenomena with an important unknown random component, producing high variability. In this way, their prediction is not affordable, in general, using classical predictive methodologies. Because of this, the coordinated project ORCA-RE is aimed to explore, develop and extend various machine learning methodologies to tackle the problem of production estimation of Wind Energy, Solar Energy and Wave Energy. Different paradigms, such as ordinal classification or time series segmentation, will be analysed, which have a great interest for the central problem of this project and which have been scarcely studied in comparison to nominal classification, both in Spain and in the rest of the world. Both research groups have previous, coordinated and contrasted experience in this field. The predictions based on ordinal classification will be compared to the use of segmentation, to evaluate the influence of the temporal component. In this way, we are pursuing the following objectives related with the challenge of alternative energy sources:
    1) To use Computational Intelligence techniques to develop new ordinal classification models and imbalanced ordinal classification models, and to analyse new classifier evaluation metrics. Use of mono and multi-objective hybrid methodologies (this last paradigm needed because some of the classifier evaluation metrics are opposite).
    2) To develop time series segmentation algorithms applied to renewable energies based on statistical and bio-inspired methods. Medium-term prediction using the result of these segmentation algorithms.
    3) To develop new bio-inspired models for the evolution of classifiers and regressors using grouping genetic algorithms and new single population co-evolution models using the Coral Reefs Optimization paradigm.
    4) To apply these models to different renewable energy problems, mainly prediction and resource estimation in Wind Energy, Solar Energy and Wave Energy. Application to other real problems of time series segmentation and prediction.
    5) To develop a software package to be used in the framework NNEP incorporating all the new models developed in the project, and a package for the WEKA framework incorporating some of the main ordinal classification methods, which would allow the spreading of this paradigm in the scientific community. 

  • Climate tipping points: Detection and analysis of patterns using an ordinal regression approach. Proyecto Ariadna.

    Líderes del proyecto


    Financial Entity: European Space Agency (ESA)
    Principal Investigators: César Hervás Martínez, Pedro Antonio Gutiérrez Peña

     

     This project aimed at gaining knowledge about the typical statistical behaviour of paleoclimate data series before the occurrence of a tipping point to allow the detection of warning signs for upcoming abrupt climate transitions. Tools developped in the field of machine learning and soft computing were applied to Greenland ice core data to provide insights on the dynamical system under study. 


    In this project we proposed a time series segmentation algorithm combining a clustering technique and a genetic algorithm to automatically find segments sharing common patterns from paleoclimate time series. The segments were transformed into a six-dimensional space composed of six statistical measures most of which have been previously considered in the detection of critical transitions.

    Experimental results showed that the proposed approach applied to paleoclimate data could effectively assess warning signals of Dansgaard-Oeschger (DO) events and uncover commonalities and differences in their statistical and dynamical behaviour. In particular, strong warning signals were detected in the GISP2 and NGRIP δ18O ice core data for several DO events (e.g. DO 1, 4, 8 & 12) in the form of increasing variance, autocorrelation and mean square error. The increase in mean square error, suggesting nonlinear behaviour, has been found to correspond with an increase in variance prior to several DO events for ∼90% of the algorithm runs for the GISP2 δ18O dataset and for ∼100% of the algorithm runs for the NGRIP δ18O dataset. The proposed approach applied to paleoclimate data provides a novel visualisation tool in the field of climate time series analysis of critical transitions. 

  • NEuro-MOdelado AVAnzado para Clasificación Ordinal y Nominal mediante algoritmos de aprendizaje híbrido. Aplicaciones en teledetección para agricultura y en biomedicina de trasplantes (NEMO-AVACO)

    Líderes del proyecto

    César Hervás-Martínez

    Junta de Andalucía.Proyecto P2011-TIC-7508

     Financiación: 64.377€

  • NEMOTECH: Técnicas de Neuro-Modelado utilizando Algoritmos de Aprendizaje Híbridos. Aplicaciones en Biomedicina de Trasplantes, Agronomía y Microbiología Predictiva

    Líderes del proyecto

    César Hervás-Martínez

    Proyecto de Excelencia Plan Nacional I+D+i, MICINN, TIN2011-22794

    Financiación: 65.461€

  • Red Temática Española para el Avance y la Transferencia de la Inteligencia Computacional Aplicada (ATICA)

    Líderes del proyecto

    César Hervás-Martínez

    Ministerio de Economía y Competitividad, Subprograma de Acciones Complementarias a Proyectos de Investigación Fundamental No Orientada, TIN2011-14083-E.

    Financiación: 12.000€

  • Análisis espacial y de clasificación ordinal de la distribución geográfica de enfermedades mentales en Andalucía

    Líderes del proyecto


    Financial Entity: INSTITUTO DE SALUD CARLOS III
    Principal Investigator: Garcia-Alonso, Carlos Ramon
    Budget: 23440,12 Euros. 

  • Research on financing systems' effect on the quality of mental health care (Refinement)

    Líderes del proyecto


    RESEARCH ON FINANCING SYSTEMS' EFFECT ON THE QUALITY OF MENTAL HEALTH CARE (REFINEMENT) Code: EC-GA N°261459

    Financial Entity: VII PROGRAMA MARCO DE LA UNIÓN EUROPEA, COMISIÓN EUROPEA
    Coordinator: Professor Francesco Amaddeo
    Person responsable in Spain: Carlos Ramón García Alonso

  • Red Española de Minería de Datos y Aprendizaje (Redmidas)

    Líderes del proyecto

    César Hervás-Martínez

    Ministerio de Ciencia e Innovacion, OPN - Accion Complementaria TIN2010-09163-E

    Financiación: 10.000€

  • Regresion logística con covariables obtenidas mediante Aprendizaje Hibrido de Redes Neuronales de Unidades Producto: Aplicaciones al Análisis de Eficiencia y de Medidas de Condicionalidad en Cultivos Andaluces (REGLOG-NEURONAL)

    Líderes del proyecto

    César Hervás-Martínez

    Proyecto de Excelencia, Consejería de Innovación, Ciencia y Empresa, Junta de Andalucía, P08-TIC-3745

    Financiación: 184757€

Resultados 1 - 10 de 14