GIUV2013-017
IDAL tiene como principal objetivo el estudio y aplicación de métodos inteligentes de análisis de datos para el reconocimiento de patrones, con aplicaciones en problemas de predicción, clasificación o determinación de tendencias. Sus miembros aplican, a grandes bases de datos, métodos estadísticos clásicos y técnicas de aprendizaje automático: contraste de hipótesis, modelos lineales, selección y extracción de características más relevantes, redes neuronales, algoritmos de clustering, árboles de decisión, máquinas de vectores soporte, modelos gráficos probabilísticos, visualización por manifolds, lógica borrosa, aprendizaje reforzado, etc. El fin último de la aplicación de estos métodos es la generación de modelos matemáticos que permitan la optimización de procesos y recursos, así como llegar a la toma de decisiones óptimas. Un claro ejemplo de lo comentado es el área de salud, donde IDAL ha desarrollado aplicaciones de ayuda a la decisión clínica basadas en el análisis de datos. Estas aplicaciones permiten mejorar la calidad de vida del paciente (estableciendo pautas de actuación clínica óptimas) al tiempo que reducen costes en el gasto sanitario. Complementando este...IDAL tiene como principal objetivo el estudio y aplicación de métodos inteligentes de análisis de datos para el reconocimiento de patrones, con aplicaciones en problemas de predicción, clasificación o determinación de tendencias. Sus miembros aplican, a grandes bases de datos, métodos estadísticos clásicos y técnicas de aprendizaje automático: contraste de hipótesis, modelos lineales, selección y extracción de características más relevantes, redes neuronales, algoritmos de clustering, árboles de decisión, máquinas de vectores soporte, modelos gráficos probabilísticos, visualización por manifolds, lógica borrosa, aprendizaje reforzado, etc. El fin último de la aplicación de estos métodos es la generación de modelos matemáticos que permitan la optimización de procesos y recursos, así como llegar a la toma de decisiones óptimas. Un claro ejemplo de lo comentado es el área de salud, donde IDAL ha desarrollado aplicaciones de ayuda a la decisión clínica basadas en el análisis de datos. Estas aplicaciones permiten mejorar la calidad de vida del paciente (estableciendo pautas de actuación clínica óptimas) al tiempo que reducen costes en el gasto sanitario. Complementando este conocimiento, el grupo tiene una amplia experiencia en el procesado de señales (análisis espectral, filtrado digital, procesado adaptativo, etc.) por su trabajo de más de 10 años en el procesado de bioseñales (ECG y EEG principalmente). Con todo este background IDAL es capaz de analizar un amplio abanico de datos y señales. Este hecho queda refrendado por el gran número de contratos tanto privados como públicos que ha desarrollado en diferentes áreas del conocimiento. Además, la mayor parte de los trabajos prácticos realizados se han reflejado en importantes publicaciones científicas con altos parámetros de impacto y en un gran número de comunicaciones a congresos internacionales dentro del área de análisis de datos. Entre las aplicaciones desarrolladas, (fuera del área de salud ya comentadas) se encuentran, entre otras, las siguientes: recomendadores web, modelos para la administración óptima de incentivos con el fin de fidelizar clientes, recomendadores de calzado basados en medidas, y otros trabajos de consultoría de análisis de datos. Además de su vertiente práctica IDAL, desarrolla nuevos algoritmos de análisis de datos mejorando las prestaciones de los existentes. Este trabajo de investigación se refleja también en una amplia difusión en forma de diferentes publicaciones en revistas de impacto y congresos relevantes para la comunidad científica del análisis de datos.
[Leer más][Ocultar]
[Leer más][Ocultar]
- Minería de datos avanzada
- Extracción de conocimiento de grandes bases de datos
- Aplicación de sistemas expertos en aplicaciones reales
- Desarrollo de nuevos algoritmos de análisis de datos
- Big data
- Análisis inteligente de datos. Aplicación de técnicas de aprendizaje automático para problemas de predicción, clasificación y reconocimiento de patrones o tendencias.
- Optimización de procesos. Desarrollo de modelos de aprendizaje reforzado y programación dinámica para la reducción de costes, mejora de parámetros importantes y aumento de la eficiencia.
- Sistemas de recomendación. Desarrollo de recomendadores de productos a partir de las características del cliente y gestión de promociones personalizadas.
- Captación y procesado de señales. Desarrollo de equipos y algoritmos a medida para adquisición y tratamiento de señales de todo tipo.
- Big data. Análisis de grandes bases de datos en las que se tienen tres características que las hacen especiales: velocidad de crecimiento, variedad en las clases de datos y volumen.
- Procesado de lenguaje natural. Extracción de información estructurada y conocimiento a partir del análisis de texto libre con información a priori desestructurada
- Aprendizaje automático cuántico. Utilización del formalismo de la mecánica cuántica para mejorar las prestaciones de algoritmos de aprendizaje automático. Utilización de aprendizaje automático para la descripción y extracción de conocimiento de fenómenos cuánticos.
| Nombre | Carácter de la participación | Entidad | Descripción |
|---|---|---|---|
| Antonio José Serrano López | Director-a | UVEG-Valencia | Titular d'Universitat |
| Equip d'investigació | |||
| Juan José Carrasco Fernández | Membre | UVEG-Valencia | Investigador-a doctor-a UVEG Senior |
| Antonio Ferrer Sánchez | Membre | UVEG-Valencia | Investigador-a en Formació altres Lley de Ciència |
| Juan Gómez Sanchis | Membre | UVEG-Valencia | Titular d'Universitat |
| José Rafael Magdalena Benedicto | Membre | UVEG-Valencia | Titular d'Universitat |
| José David Martín Guerrero | Membre | UVEG-Valencia | Catedràtic-a d'Universitat |
| Marcelino Martínez Sober | Membre | UVEG-Valencia | Catedràtic-a d'Universitat |
| Fernando Mateo Jiménez | Membre | UVEG-Valencia | Professor-a Ajudant-a Doctor-a |
| Oscar José Pellicer Valero | Membre | UVEG-Valencia | Investigador-a en Formació Predoctoral FPU |
| Emilio Soria Olivas | Membre | UVEG-Valencia | Catedràtic-a d'Universitat |
| Joan Vila Francés | Membre | UVEG-Valencia | Titular d'Universitat |
| Yolanda Vives Gilabert | Membre | UVEG-Valencia | Professor-a Ajudant-a Doctor-a |
| Carlos Flores Garrigo | Col·laborador-a | UVEG-Valencia | Tècnic-a Superior UVEG |
| Sonia Pérez Díaz | Col·laborador-a | UAH-Madrid | Catedràtic-a d'Universitat |
| Juan Francisco Rodríguez Hernández | Col·laborador-a | AUS-US | Investigador-a |
| José Enrique Vila Gisbert | Col·laborador-a | UVEG-Valencia | Titular d'Universitat |
| Equip de Treball | |||
| Juan José Garcés Iniesta | Equip de Treball | UVEG-Valencia | Tècnic-a Mitjà UVEG |
