Experimentación e investigación en IA básica y aplicada a tareas de diferentes ámbitos
Descripción
La IA, o inteligencia artificial, cubre una gran cantidad de técnicas y tiene interés en multitud de dominios o campos de aplicación. De este modo, se cubren técnicas de aprendizaje automático, pasando por visión por computador, lingüística computacional, procesamiento del lenguaje natural o la minería de datos. Y todas ellas son técnicas que se pueden aplicar en multitud de dominios: salud, finanzas, industria, transporte, etc.
Dentro de esta gran variedad, la presente línea de trabajos se centra más concretamente en investigar técnicas de aprendizaje automático, visión por computador y su combinación para ser aplicadas en distintos ámbitos (p.e. industrial, transporte, etc.) donde su combinación da lugar a resultados prometedores en la automatización y mejora de sus procesos. Además, hay que destacar el uso de técnicas de reconocimiento de patrones tanto en el aprendizaje automático como en la visión por computador para detección de objetos, reconocimiento del entorno y análisis de escenas que apoyan a la toma de decisiones. Así pues, PRAIA ha adquirido conocimientos y realiza investigación usando distintas técnicas en los campos mencionados. Estas técnicas cubren desde:
- Técnicas de preproceso de datos, incluyendo normalizaciones, tipificaciones, gestión de valores ausentes, gestión de valores anómalos, supervisión imperfecta, extracción de componentes principales y de componentes independientes, etc.
- Técnicas de extracción de características tradicionales basadas en el conocimiento a priori, incluyendo espacios de representación para modelos geométricos, estadísticos o basados en la teoría de la decisión, espacios métricos y pseudo-métricos, y codificaciones orientadas a modelos sintácticos y estructurales.
- Técnicas de identificación de características mediante “ensembles”. Para tareas en las que se dispone de pocas muestras y un elevado número de variables (características) las técnicas tradicionalmente usadas en el campo de reconocimiento de formas para la selección de características no son directamente aplicables debido a la escasa significancia estadística de los resultados que se obtienen ya que la relación entre muestras y variables es justamente la inversa a la deseable. Para afrontar este problema que actualmente está apareciendo en muchas aplicaciones es posible utilizar una técnica conocida como “ensembles” para la selección de características.
- Técnicas de selección y combinación de atributos o características de los datos (horizontales), incluyendo análisis supervisados y no supervisados, discriminativos y no discriminativos, formales y basados en el conocimiento, de tipo “wrapper” o paramétricos, etc.
- Técnicas de selección, extracción y combinación de instancias de los datos (verticales), incluyendo métodos de editado y condensado, métodos supervisados y no supervisados, discriminativos y no discriminativos.
- Técnicas de Reconocimiento estadístico y geométrico, incluyendo modelos de vecindad (p.ej. KNN), modelos discriminativos basados en “kernel” y en márgenes (p.ej. SVM, RBF. . . ), modelos conexionistas (p.ej. Redes Neuronales, Deep Learning...), basados árboles de decisión (Random Forest, Gradient Boosted Trees), etc.
- Técnicas de Reconocimiento Estructural y Sintáctico, incluyendo modelos basados en autómatas y transductores estocásticos o con pesos, inferencia gramatical, modelos de Markov, aprendizaje discriminativo, etc.