Search

Este artículo presenta los conceptos básicos y fundamentales relativos a máquinas de aprendizaje con transferencia de información entre tareas relacionadas. Las capacidades y ventajas de esta metodología se demuestran en un ejemplo real de predicción de series temporales de carácter financiero. Ministerio de Educación y Ciencia. Proyecto TEC2006-13338/TCM.

[SPA] El presente trabajo reporta las experiencias obtenidas en la impartición de varias asignaturas del Grado de Ingeniería Informática en la Universidad Católica San Antonio de Murcia, durante el curso 2010-2011. La principal contribución del trabajo está dada por la recomendación de un conjunto de actividades metodológicas utilizadas para la enseñanza a distancia, destacando las principales fortalezas. Se analiza de manera crítica algunas evidencias relacionadas con la evaluación del proceso de enseñanza aprendizaje desde el punto de vista de los resultados obtenidos por los estudiantes, la labor del profesor, el uso de las herramientas, la efectividad de las metodologías utilizadas, entre otros. [ENG] This paper shows the most relevant experiencies collected form the teaching of sevelar subjects of the Computer Engineering Degree, at Universidad Católica San Antonio de Murcia, during the curse 2010-2011. The main contribution of this work is related with the recomendation of a set of teaching learning activities using in on line teaching. The most importat strengths are reported. Some evidences related to the evaluaciotn of the teaching/learning process are given. They are based on the analysis of the results obtained by students, the teacher's work, the use of tools, the effectiveness of the methodologies used, etc. Campus Mare Nostrum, Universidad Politécnica de Cartagena, Universidad de Murcia, Región de Murcia

Se presenta un nuevo método para la detección y caracterización de señales tonales emitidas por cetáceos. Las señales son atuomáticamente detectadas a partir del espectrograma, aisladas mediante un proceso de segmentación basado en regiones, extraídas tras un proceso de resolución de cruces y caracterizadas automáticamente mediante un número fijo de coeficientes derivados de la aplicación de redes neuronales de funciones de base radial. Estos coeficientes pueden ser empelados para una posterior clasificación de las señales basada en sus características. Las presentaciones del método han sido extensivamente evaluadas a partir de señales simuladas y registros de grabaciones en la mar.

MultiTask Learning (MTL) is a procedure to train a neural network to learn several related tasks simultaneously considering one of them as main task and the others as secondary tasks. In this paper, we have tested a method to obtain artificially tasks which are related with the main one, because in many real cases, knowledge about problem to be solved is uncertain. We use sample selection techniques to generate related tasks with the main one, in particular, samples close the classification boundary. Moreover, a new procedure to train MultiLayer Perceptrons with generated tasks is described. Este trabajo está subvencionado por el Ministerio de Educación y Ciencia, otorgado por TIC2002-03033.

La agenda de desarrollo sostenible (Sustainable Development Goals, SDG) de las Naciones Unidas establece una serie de objetivos con el fin de erradicar la pobreza, proteger el planeta y asegurar la prosperidad de sus ciudadanos. Entre estos objetivos se destacan: (6) “Garantizar la disponibilidad y la gestión sostenible del agua y el saneamiento para todos”, (13) “Adoptar medidas urgentes para combatir el cambio climático y sus efectos” y (15) “Proteger, restaurar y promover el uso sostenible de los ecosistemas terrestres, gestionar de forma sostenible los bosques, luchar contra la desertización, detener e invertir la degradación del suelo y frenar la pérdida de biodiversidad”. Los procesos industriales y, en concreto, los procesos de agricultura intensiva, son una de las principales amenazas para cumplir con los SDGs. Sin embargo, los avances tecnológicos en materias como la Inteligencia Artificial (Artificial Intelligence, AI), la Computación de Alto Rendimiento (High Performance Computing, HPC) o el Internet de las Cosas (Internet of Things, IoT) permiten aumentar la productividad de estos procesos reduciendo su impacto medioambiental y ecosistémico. La investigación desarrollada en la presente tesis doctoral pretende establecer un marco de trabajo donde aprovechar los avances tecnológicos desarrollados en estas disciplinas, es decir, AI, HPC e IoT, para optimizar y reducir el impacto de los procesos industriales más agresivos para el medioambiente. En concreto, esta tesis doctoral se desarrollará en el contexto de agricultura intensiva en invernaderos, un sector de un gran valor estratégico, comercial e incluso humanitario para garantizar el acceso a los alimentos a toda la humanidad, centrándose en tres puntos clave: (1) la generación de técnicas de AI de bajo consumo que puedan ser ejecutados en plataformas con reducidas capacidades de cómputo, tales como dispositivos IoT; (2) la creación de una infraestructura que permite entrenar, desplegar y predecir con técnicas de AI que requieren de grandes capacidades de cómputo en pequeños dispositivos IoT gracias a protocolos de comunicación en tiempo real como MQTT; y (3) el aumento de las capacidades de cómputo y la eficiencia energética de los dispositivos IoT gracias a la virtualización de GPUs remotas mediante rCUDA. Los principales resultados obtenidos en relación a lo expuesto anteriormente demuestran que (1) la intersección entre la AI, HPC e IoT es todavía muy incipiente. Las cargas de cómputo del aprendizaje máquina son cada vez más altas y se diverge cada vez más de los recursos computacionales disponibles en los dispositivos de cómputo más cercanos a la captura de datos, es decir, los dispositivos de Edge Computing. Estas plataformas no son computacionalmente capaces de desarrollar parte de las tareas más exigentes (como, por ejemplo, el entrenamiento de técnicas de AI), limitando el éxito de su aplicación; (2) se puede crear una infraestructura auxiliar que permita desarrollar predicciones en tiempo real en dispositivos IoT, aunque el intercambio de información entre los distintos nodos de la infraestructura conlleva una latencia asumible puesto que es muy reducida; y (3) es posible ampliar las capacidades computacionales y la eficiencia energética de los dispositivos IoT mediante el uso de técnicas de virtualización de GPUs remotas. Estas técnicas aumentan notablemente la eficiencia energética de estos dispositivos ya que se delega las operaciones de mayor carga computacional a los servidores remotos de cómputo. Si bien es cierto, el consumo total de la infraestructura aumenta notablemente a causa del gasto en comunicaciones entre los dispositivos edge y cloud. Para finalizar, destacar que la presente tesis se ha desarrollado en el proyecto retos-colaboración “Desarrollo de infraestructuras IoT de altas prestaciones contra el cambio climático basadas en inteligencia artificial” (GLOBALoT) con referencia RTC2019-007159-5, financiado por el Ministerio de Ciencia e Innovación / Agencia Estatal de Investigación, que tiene un marcado carácter tecnológico y, por tanto, se ha transferido el conocimiento obtenido, desarrollando un prototipo funcional en TRL 3-4 que ha sido desplegado en un entorno real de invernadero ofrecido por uno de los socios del proyecto, la empresa NUTRICONTROL. Los resultados obtenidos muestran un claro interés por esta tecnología, sentando las bases para automatizar y optimizar procesos mediante la Inteligencia Artificial de las Cosas (Artificial Intelligence of Things, AIoT) para aumentar la producción y reducir el impacto medioambiental en invernaderos inteligentes. Ingeniería, Industria y Construcción

Las redes sociales se han convertido en un fenómeno global de la comunicación, donde los usuarios publican contenido en forma de texto, imágenes, vídeo, audio o una combinación de ellos para expresar sus opiniones, relatar hechos que están ocurriendo en ese momento o mostrar situaciones de interés. Una línea de investigación actual relacionada con estas herramientas consiste en el crowdsensing, i.e. el análisis y la interpretación de la ingente cantidad de información que se publica a diario en dichas herramientas. Son varios los retos que se plantean a la hora de desarrollar aplicaciones que puedan hacer uso de la información proporcionada por los usuarios de las redes sociales, los cuales se conciben como sensores sociales. Por un lado, cada vez es más frecuente encontrar diferentes tipos de información (p.ej. texto, audio, imágenes, etc.) incluidos en una misma publicación y, por tanto, es necesario extraer las características más relevantes de cada elemento con el fin de combinarlas y aumentar así la información sobre el contexto relativo al evento descrito en la publicación. Por otro lado, debido a la enorme cantidad de información a procesar, las técnicas tradicionales de fusión de información semántica deben adaptarse y combinarse con técnicas de aprendizaje automático y computación de altas prestaciones para poder ofrecer respuestas en tiempo real a partir del análisis de decenas de miles de publicaciones. Para dar respuesta a estos retos, este proyecto propone el desarrollo de ALLEGRO (Adaptive muLti-domain sociaL-media sEnsinG fRamewOrk), un sistema inteligente multimodal (i.e. texto, audio, imagen y vídeo) para el análisis y la fusión de la información publicada en redes sociales. Este sistema está compuesto por diferentes módulos interconectados de análisis, donde se aplicarán técnicas eficientes de aprendizaje automático para la extracción de las características más relevantes y el aumento de la información contextual de las publicaciones. Dichas características convergerán en un módulo de fusión de información, donde se aplicarán técnicas novedosas de integración semántica y aprendizaje profundo para obtener un modelo de conocimiento que describa los eventos o las situaciones que están teniendo lugar en tiempo real en el entorno del ciudadano. Con el fin de evaluar la arquitectura de ALLEGRO, implementaremos un prototipo dentro del marco del desarrollo de ciudades inteligentes. En este sentido, adoptamos un enfoque integral al concepto de ciudad inteligente, donde nos centramos no sólo en detectar problemas relacionados con la calidad de las infraestructuras y servicios proporcionados a los ciudadanos (p.ej. sanidad, alumbrado y transporte, entre otros) sino también en analizar la dimensión sociológica de la ciudad, la cual se refleja en las preocupaciones de sus habitantes (p.ej. conflictos raciales, desempleo y violencia, entre otros). De esta forma, desarrollaremos un sistema de "Social Sensing as a service cuyo objetivo sea abordar todos aquellos aspectos que no contribuyan a mejorar el bienestar y la calidad de vida de los ciudadanos. Aunque la evaluación de este proyecto se centra en el procesamiento de publicaciones en español, construiremos recursos que faciliten la adaptación de nuestro sistema a otras lenguas. Ciencias de la Alimentación Ministerio de Ciencia, Innovación y Universidades 96.074 €

El descubrimiento de fármacos es un proceso largo y costoso que suele durar entre 10 y 15 años, desde la evaluación inicial de candidatos farmacológicos hasta la aprobación final por parte de los organismos reguladores correspondientes. Por este motivo, simulaciones moleculares por computador, conocidas como Virtual Screening (VS) (o Cribado Virtual), se utilizan a menudo para predecir los candidatos a fármacos durante las primeras etapas de su desarrollo. Uno de los métodos más utilizados en el VS es el llamado Docking Molecular, o simplemente abreviado como Docking (en español, Acoplamiento Molecular). El objetivo de este método es resolver el problema de las Interacciones Proteína-Ligando (PLDP) o Docking. Dicho de otro modo, se trata de predecir las conformaciones 3D en las que un candidato farmacológico (también conocido como ligando) se acopla a un receptor determinado (normalmente una proteína) en un punto concreto de su superficie. Los métodos tradicionales de Docking se basan en procedimientos de optimización de funciones de puntuación (o de scoring) siguiendo determinadas heurísticas. Se trata de funciones matemáticas que modelan las interacciones moleculares. Estos métodos se caracterizan por ser computacionalmente costosos. De esta manera, en esta tesis se pretende aprovechar los prometedores algoritmos de Deep RL para mejorar la resolución del problema de Docking. Para ello, el hilo conductor de esta tesis doctoral son las diferentes alternativas de representación de las moléculas de la escena de Docking que serán utilizadas como datos de entrada de dichos algoritmos. En consecuencia, primero se replantea el problema PLDP como uno de Aprendizaje por Refuerzo (RL). Acto seguido, se construye un sistema básico basado en el algoritmo de Deep Q-Network (DQN), originalmente diseñado para enseñar a agentes artificiales a jugar a videojuegos de la consola de Atari 2600. En segundo lugar, se utiliza una implementación, denominada QN-Docking, basada en un vector de características sencillo para la representación molecular. Dicha implementación es testada en un entorno con un receptor relativamente pequeño y un espacio de acciones limitado. Los resultados de la fase de predicción muestran que QN-Docking consigue un aumento de velocidad 8 veces mayor en comparación con métodos estocásticos como METADOCK 2. Dicho programa es un nuevo software de alto rendimiento que incluye diversas metaheurísticas para el Acoplamiento Molecular. Por último, una implementación alternativa basada en imágenes, MVDQN, es testada en el mismo escenario que QN-Docking. Los resultados muestran un rendimiento similar al de la primer implementación durante la fase de entrenamiento. Sin embargo, en la fase de predicción los resultados son mixtos. El agente actúa de forma subóptima en varias de las posiciones de partida establecidas en el experimento. Este escenario final parece prometedor, no obstante, ya que hay mucho margen de mejora para seguir puliendo el algoritmo y mejorar la representación molecular. En resumen, estos resultados suponen un valioso hito en el desarrollo de un método basado en Inteligencia Artificial más rápido y efectivo para resolver el problema PLDP en comparación con métodos más tradicionales. Ingeniería, Industria y Construcción

El objetivo principal de este Trabajo de Fin de grado es la creación de una aplicación que permita a médicos de cabecera y otros trabajadores generales de la salud mejorar sus capacidades en materia de detección de potenciales lesiones en la piel a la vez que se obtienen imágenes y etiquetas para seguir entrenando y mejorar un modelo de inteligencia artificial que sea capaz de ejecutar esas mismas detecciones. Se pretende crear una aplicación para dispositivos Android que sirva como punto de unión entre el conocimiento de dermatólogos especialistas que creen y compartan imágenes dermatoscópicas con su diagnóstico, y médicos de cabecera que entrenen sus habilidades en materia de detección de posibles lesiones de su piel. A su vez, todas las imágenes y diagnósticos serán almacenados de forma anonimizada para el posterior entreno de una inteligencia artificial. El sistema también almacenará estadísticas sobre todas las consultas creadas para su estudio y control. Tanto las imágenes como las estadísticas antes mencionadas serán accesibles desde una web desarrollada también dentro del ámbito de este Trabajo de Fin de Grado. Con el fin de seguir una metodología basada en iteraciones que permita una buena adaptación al cambio, se utilizará la metodología ágil SCRUM. Ingeniería, Industria y Construcción

Aplicar técnicas de Aprendizaje Automático para la clasificación diagnóstica de imágenes ecográficas de tumores de ovario e imágenes microscópicas de citologías cervicovaginales teñidas con la técnica de Papanicolaou. Aplicar técnicas de Aprendizaje Automático para la clasificación de descriptores geométricos obtenidos de imágenes ecográficas de tumores ováricos mediante Fast Fourier Transform y comparar con los resultados obtenidos con otros trabajos que utilizan la misma base de datos. Crear una base de datos mediante fusión de imágenes para mezclar y superponer las células originales y aumentando el número de imágenes disponibles para clasificación. Aplicar Deep Learning para la clasificación de las imágenes microscópicas de la base de datos de nueva creación y comparar los resultados con los obtenidos en la clasificación de la base de datos original. METODO Se realizará el análisis de resultados de la aplicación de clasificadores basados en Aprendizaje Automático clásicos sobre una base de datos de descriptores extraídos mediante Transformada de Fourier a partir de una colección de 187 imágenes ecográficas de tumores de ovario, 112 benignos y 75 malignos, cedidos por la Universidad de Buckingham, que a su vez obtuvo las imágenes originales de la Universidad Católica de Leuven. Las características que se clasifican son Histogramas de Intensidad y Descriptores de Patrón Binario Local. También se realizará la clasificación de imágenes microscópicas de células escamosas cervicovaginales teñidas mediante la técnica de Papanicolaou aplicando una red neuronal convolucional. La muestra es creada a partir de 10 citologías cervicovaginales procedentes del Servicio de Anatomía Patológica del Complejo Hospitalario Universitario Santa Lucía-Santa María del Rosell (Cartagena, Murcia), de donde se extrajeron 1405 células. 450 normales, 323 ASC-US, 213 L-SIL, 419 H-SIL. Además, a partir de estas células se desarrolla un sistema de fusión de imágenes para aumentar el nú mero de imágenes de la muestra, obteniendo 20.000 imágenes por cada categoría, 80.000 en total. RESULTADOS La clasificación de características descriptivas de imágenes ecográficas de tumores de ovario ofrece resultados similares a los obtenidos por un observador experimentado cuando se aplica los métodos Linear Discriminant, Support Vector Machine y Extreme Learning Machine. La clasificación de células escamosas cervicales mediante Deep Learning ofrece resultados interesantes, que mejoran al aumentar el tamaño muestral de entrenamiento aunque estas imágenes sean más complejas por la fusión, obteniendo resultados comparables a los obtenidos por patólogos expertos. CONCLUSIONES Los métodos basados en Inteligencia Artificial pueden tener utilidad para el disenño de sistemas de ayuda al diagnóstico médico asistidos por ordenador, para la clasificación de imágenes ecográficas de tumores de ovario, así como para la detección de células escamosas cervicales atípicas procedentes de citologías cervicovaginales teñidas mediante la técnica de Papanicolaou. Los descriptores Geométricos obtenidos mediante Fast Fourier Transform aportan información útil y relevante para la clasificación de ecografías de tumores de ovario, mejorando los resultados obtenidos en nuestro estudio en comparación con otros estudios anteriores realizados sobre la misma base de datos. Se ha generado una base de datos mediante fusión de imágenes con transparencia a partir de la base de datos original de células escamosas cervicovaginales, obteniendo una colección de 80.000 imágenes de nueva creación, con mayor complejidad. Al aplicar las técnicas de Deep Learning sobre la base de datos de nueva creación, se comprueba que aumentando el número de imágenes de muestra, independientemente de su complejidad, se mejora los resultados y la estabilidad de la clasificación. Medicina