Red Española de Minería de Datos y Aprendizaje (Redmidas)

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)

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

Financiación: 184757€

Tendencias Actuales y Nuevos Retos en KEEL: Aprendizaje Multi-Instancia, Redes Neuronales Evolutivas, Minería de Datos Educativos y Minería de Datos Web

Ministerio de Educación y Ciencia, TIN2008-06681-C06-03/TIN

Financiación: 112.530€

MINDAT-PLUS: Minería de Datos para los Usuarios

Proyecto de Excelencia. Junta de Andalucía. Orden de 18 de 07 de 2005 (BOJA 138)

Modelos de Aprendizaje Evolutivo de Redes Neuronales de Unidades Producto. Programación genética y reglas de asociación. Librería Evolutiva JCLEC. Métodos inferenciales robustos asociados

Ministerio de Educación y Ciencia y fondos del FEDER, TIN2005-08386-C05-02

Financiación: 164800€

Modelos de Aprendizaje Evolutivo, Coevolutivo y Multicriterio de Redes Neuronales y Regresión Simbólica en el entorno KEEL

Proyecto Coordinado. Ministerio de Educación y Ciencia. TIC2002-04036-C05-02

Financiación: 69340.01€

Aprendizaje Coevolutivo Multicriterio para el Desarrollo de Modelos de Redes Neuronales y de Regresión Simbólica Aplicados a Diferentes Problemas de cinética química, Crecimiento Microbiano, Predicción

Proyecto Coordinado. Ministerio de Educación y Ciencia. CICYT TIC2001-2577

Financiación: 10.367,46 €

Previsión de series temporales y clasificación ordenada aplicadas a las energías renovables y a los fenómenos atmosféricos (TIMEFLIES)

Organismo: Universidad de Córdoba

Perido: 2024-2025

 

Resumen en español:

El análisis de series temporales ha cobrado relevancia en el aprendizaje automático gracias a los avances en almacenamiento de datos y tecnología de sensores. Las áreas clave de investigación incluyen la Clasificación Ordinal de Series Temporales (TSOC) y la Predicción (TSF). TSOC, un campo novedoso, se centra en clasificar series temporales con etiquetas secuenciales (p. ej., gravedad de una ola de calor) y busca adaptar técnicas de clasificación nominal para una mayor aplicabilidad. TSF predice valores futuros a partir de observaciones pasadas, con énfasis en regresión extrínseca para mayor precisión.

Este proyecto se centra en aplicaciones de energía renovable y meteorología, abordando retos como la predicción de recursos y eventos climáticos extremos. La integración de aprendizaje profundo y herramientas de código abierto como aeon busca mejorar la comprensión y predicción de estos fenómenos, aprovechando métodos innovadores para mayor impacto.

 

Resumen en inglés:

Time series analysis has gained prominence in machine learning due to advancements in data storage and sensor technology. Key research areas include Time Series Ordinal Classification (TSOC) and Forecasting (TSF). TSOC, a novel field, focuses on classifying time series with sequential labels (e.g., heatwave severity) and aims to adapt nominal classification techniques for broader applicability. TSF predicts future values based on past observations, with an emphasis on extrinsic regression for improved accuracy.

This project prioritizes renewable energy and meteorology applications, addressing challenges like resource prediction and extreme weather events. The integration of deep learning and open-source tools like aeon aims to enhance understanding and prediction of these phenomena, leveraging innovative methods for greater impact.

 

 

Nuevos modelos EXplicables en clasificación Ordinal (NEXO): aplicaciones a energías renovables y biomedicina

Organismo: Ministerio de ciencia, inovación y universidades

Periodo: 2024-2027

 

Resumen en español:

El sub-proyecto "Nuevos modelos EXplicables en clasificación Ordinal (NEXO): aplicaciones a energías renovables y biomedicina" forma parte del Proyecto Coordinado NEXO entre los grupos GHEODE y AYRNA de la Universidad de Alcalá y la Universidad de Córdoba, respectivamente. Este sub-proyecto tiene como principal objetivo el desarrollo de nuevos algoritmos de clasificación ordinal basados en aprendizaje profundo con especial interés en potenciar su explicabilidad, y su aplicación en problemas reales de energías renovables y biomedicina. Las principales tareas están centradas en el desarrollo de estrategias para obtener modelos de clasificación ordinal explicables, utilizando para ello versiones ordinales de árboles de decisión y ensambles de los  mismos y de estrategias que permitan explicar redes profundas ordinales. De esta forma, se abordará el uso de técnicas de etiquetado suave con distribuciones unimodales, junto con técnicas de predicción conformal. Se tendrá en especial consideración la adaptación de estas metodologías para el tratamiento de series temporales, debido a que este tipo de datos son especialmente  frecuentes en energías renovables. En la parte práctica del proyecto, se propone la aplicación de las técnicas desarrolladas para abordar problemas de clasificación ordinal en problemas en energías renovables (recurso eólico, solar, hidro-generación) y en problemas de biomedicina (predicción de supervivencia para asignación donante-receptor y mitigación del sesgo de género en la estimación de la severidad en lista de espera, ambos para trasplante de hígado). Por último, el proyecto considera la publicación de bibliotecas software públicas que permitan el acceso a los algoritmos desarrollados por parte del mayor número posible de investigadores.

 

Resumen en inglés:

The sub-project "New EXplainable models for Ordinal classification (NEXO): applications to renewable energy and biomedicine" is part of the Coordinated Project NEXO between the GHEODE and AYRNA groups of the University of Alcalá and the University of Córdoba, respectively. This sub-project has as its main objective the development of new ordinal classification algorithms based on deep learning with special interest in enhancing their explainability, and their application in real problems of renewable energies and biomedicine. The main tasks are focused on the development of strategies to obtain explainable ordinal classification models, using for this ordinal versions of decision trees and ensembles of them, together with strategies that allow explaining deep ordinal networks. In this way, the use of soft labelling techniques with unimodal distributions will be addressed, along with conformal prediction techniques. Special consideration will be given to the adaptation of these methodologies for the treatment of time series, since this type of data is especially frequent in renewable energies. In the practical part of the project, the application of the developed techniques to address ordinal classification problems in renewable energy problems (wind, solar, hydro-generation resources) and in biomedical problems (survival prediction for donor-recipient allocation and mitigation of gender bias in the estimation of severity on the waiting list, both for liver transplantation) is proposed. Finally, the project considers the publication of public software libraries that allow access to the algorithms developed by the largest possible number of researchers.