PROBABILISTIC GRAPHIC MODELS FOR SCALABLE DATA ANALYSIS (Q3151948)
Jump to navigation
Jump to search
Project Q3151948 in Spain
| Language | Label | Description | Also known as |
|---|---|---|---|
| English | PROBABILISTIC GRAPHIC MODELS FOR SCALABLE DATA ANALYSIS |
Project Q3151948 in Spain |
Statements
49,222.8 Euro
0 references
61,528.5 Euro
0 references
80.0 percent
0 references
1 January 2014
0 references
31 December 2017
0 references
UNIVERSIDAD DE CASTILLA-LA MANCHA
0 references
38°59'42.32"N, 1°51'21.31"W
0 references
02003
0 references
LOS MODELOS GRAFICOS PROBABILISITICOS (MGPS) HAN EXPERIMENTADO UN DESARROLLO DESTACABLE DURANTE LOS ULTIMOS AÑOS, Y SE HAN MOSTRADO COMO HERRAMIENTAS VALIOSAS EN DISCIPLINAS COMO LA INTELIGENCIA ARTIFICIAL Y LA ESTADISTICA. EN LOS ULTIMOS AÑOS, SE HA PRESTADO MUCHA ATENCION AL USO DE MGPS EN TAREAS DE MINERIA DE DATOS, ESPECIALMENTE EN SITUACIONES DOTADAS DE INCERTIDUMBRE. A PARTIR DEL ESTADO DEL ARTE ACTUAL, EL SIGUIENTE PASO NATURAL ES DOTARLOS DE LA CAPACIDAD DE OPERAR EN CONTEXTOS DE BIG DATA._x000D_ _x000D_ EL OBJETIVO PRINCIPAL DE ESTE PROYECTO ES GENERAR UN CONJUNTO DE NUEVOS DESARROLLOS METODOLOGICOS EN EL AREA DE LOS MGPS SUFICIENTEMENTE FUNDAMENTADO E INNOVADOR COMO PARA SITUARLOS DENTRO DEL AREA DEL BIG DATA COMO HERRAMIENTAS DE REFERENCIA, A TRAVES DE LA ANALITICA DE DATOS ESCALABLE. ADEMAS, EL PROYECTO PRETENDE PRODUCIR LAS HERRAMIENTAS SOFTWARE NECESARIAS PARA PERMITIR EL DESARROLLO DE APLICACIONES BASADAS EN UNA ARQUITECTURA DE SERVICIOS WEB PARA MGPS. DE ESTA FORMA, ESPERAMOS CREAR EL ENTORNO ADECUADO PARA QUE DISPOSITIVOS MOVILES PUEDAN USARSE EN CONTEXTOS DE BIG DATA, YA QUE EL NUCLEO DE LAS TAREAS DE PROCESO RECAERIAN EN UN SERVIDOR CENTRALIZADO QUE PROCESARIA LOS DATOS Y EJECUTARIA LOS ALGORITMOS, MIENTRAS QUE EL DISPOSITIVO MOVIL INTERACTUARIA A TRAVES DEL INTERFAZ DE SERVICIOS WEB. POR TANTO, EL PROPOSITO DE ESTE PROYECTO ES DOBLE, GENERANDO EN PRIMER LUGAR NUEVO CONOCIMIENTO DE LA MAS ALTA CALIDAD CIENTIFICA DENTRO DEL CAMPO DE LA ANALITICA DE DATOS ESCALABLE, PARA A CONTINUACION ABRIR EL CAMINO A UNA FRUCTIFERA TRANSFERENCIA TECNOLOGICA HACIENDO USO DE LA PLATAFORMA SOFTWARE PLANEADA._x000D_ _x000D_ LOS RESULTADOS ESPERADOS DEL PROYECTO SE PUEDEN CLASIFICAR EN CINCO CATEGORIAS:_x000D_ _x000D_ 1. MODELADO. EL PROYECTO GENERARA CONTRIBUCIONES ORIENTADAS A FORTALECER LA ESCALABILIDAD DE LOS MGPS PERMITIENDO EL ENCAPSULAMIENTO Y EL MANEJO DE DEPENDENCIAS FUNCIONALES. _x000D_ 2. INFERENCIA. SE DISEÑARAN ALGORITMOS DE INFERENCIA EFICIENTES Y ESCALABLES, TOMANDO COMO BASE LOS ARBOLES DE PROBABILIDAD RECURSIVOS._x000D_ 3. APRENDIZAJE. SE DISEÑARAN ALGORITMOS ESCALABLES DE APRENDIZAJE TENIENDO EN CUENTA LAS RESTRICCIONES DE OPERAR EN ENTORNOS DE BIG DATA. ESTO INCLUIRA MODELOS CANONICOS Y APRENDIZAJE A PARTIR DE STREAMS DE DATOS. TAMBIEN SE DESARROLLARAN ALGORITMOS NO-ESTANDARES DE CLASIFICACION CAPACES DE APRENDER, POR EJEMPLO, A PARTIR DE CONJUNTOS DE DATOS CON MULTIPLES ETIQUETAS._x000D_ 4. SOFTWARE. SE IMPLEMENTARA UNA PLATAFORMA SOFTWARE Y SE PONDRA A DISPOSICION DE LA COMUNIDAD, DONDE SE INCLUIRAN LOS ALGORITMOS DESARROLLADOS EN LAS TAREAS METODOLOGICAS Y SE POSIBILITARA EL DESARROLLO DE APLICACIONES A TRAVES DE UN INTERFAZ DE SERVICIOS WEB._x000D_ 5. APLICACIONES. SE ABORDARA UN AMPLIO ABANICO DE APLICACIONES, CON OBJETO DE APLICAR LAS PROPUESTAS METODOLOGICAS DEL PROYECTO. SE CUBRIRAN LAS AREAS DE AVIACION, SALUD, MULTIMEDIA Y FINANZAS._x000D_ _x000D_ EN ESTE SUBPROYECTO NOS CENTRAREMOS EN LOS ASPECTOS DE APRENDIZAJE SUPERVISADO Y NO SUPERVISADO, Y APLICACIONES A MULTIMEDIA Y BIO-MEDICINA. (Spanish)
0 references
THE GRAPHIC MODELS PROBABILISITICOS (MGPS) HAVE UNDERGONE REMARKABLE DEVELOPMENT OVER THE PAST FEW YEARS, AND HAVE BEEN SHOWN AS VALUABLE TOOLS IN DISCIPLINES SUCH AS ARTIFICIAL INTELLIGENCE AND STATISTICS. IN THE LAST FEW YEARS, MUCH ATTENTION HAS BEEN PAID TO THE USE OF MGPS IN DATA MINING TASKS, ESPECIALLY IN SITUATIONS WITH UNCERTAINTY. In accordance with the status of the current article, the next NATURAL step is to provide them with the capacity to operate in connection with BIG DATA._x000D_ _x000D_ The main objective of this project is to achieve a new set of methodological developments in the AREA of the MGPS. funded and INNOVATING as to place them within the AREA of the BIG DATA as REFERENCE TOOLS, through the analysis of ESCALABLE DATA. IN ADDITION, THE PROJECT AIMS TO PRODUCE THE SOFTWARE TOOLS NEEDED TO ENABLE THE DEVELOPMENT OF APPLICATIONS BASED ON A WEB SERVICE ARCHITECTURE FOR MGPS. IN THIS WAY, WE HOPE TO CREATE THE RIGHT ENVIRONMENT FOR MOBILE DEVICES TO BE USED IN BIG DATA CONTEXTS, AS THE NUCLEUS OF THE PROCESS TASKS RECAERIAN ON A CENTRALISED SERVER THAT WOULD PROCESS THE DATA AND EXECUTE THE ALGORITHMS, WHILE THE MOBILE DEVICE WOULD INTERACT THROUGH THE WEB SERVICE INTERFACE. Therefore, the PROPOSITE OF THIS PROJECT is DOUBLE, GENERAN IN THE FIRST PLACE NEW KNOWING OF THE HIGH HIGH QUALITY SCIENTIFIC QUALITY DATES ESCALABLE ANALYTICAL, FOR CONTINUATION TO open the door to a fruitful TRANSFERENCE TECHNOLOGICAL FROM THE SOFTWARE PLATAFORM PLANEADA._x000D_ _x000D_ SPERED RESULTS OF THE PROJECT may be classified in FIVE CATEGORIES:_x000D_ _x000D_ 1. MODELING. THE PROJECT WILL GENERATE CONTRIBUTIONS AIMED AT STRENGTHENING THE SCALABILITY OF THE MGPS BY ALLOWING THE ENCAPSULATION AND MANAGEMENT OF FUNCTIONAL UNITS. _x000D_ 2. INFERENCE. Efficient and scalable INFERENCE ALGORITMS will be designed, taking as a basis the RECURSIVE PROBABILITY ARBOLES._x000D_ 3. LEARNING. SCALABLE LEARNING ALGORITHMS WILL BE DESIGNED TAKING INTO ACCOUNT THE CONSTRAINTS OF OPERATING IN BIG DATA ENVIRONMENTS. THIS WILL INCLUDE CANONICAL MODELS AND LEARNING FROM DATA STREAMS. Non-Standard CLASSIFICATION ALGORITS will also be developed._x000D_ 4. SOFTWARE. A SOFTWARE PLATAFORM will be implemented and made available to the Community, WHERE THE ALGORITMES developed in the METODOLOGICAL TARES will be included and the development of applications made possible through an interfacing of web services._x000D_ 5. APPLICATIONS. A WIDE RANGE OF APPLICATIONS WILL BE ADDRESSED IN ORDER TO IMPLEMENT THE PROJECT’S METHODOLOGICAL PROPOSALS. Aviation, HEALTH, MULTIMEDIA AND FINANZAS AREAS._x000D_ _x000D_ on this sub-project we will focus on SUPERVISED AND NON-SUPERVISED LEARNING ASPECTS, AND MULTIMEDIA and BIO-MEDICINE APPLICATIONS. (English)
12 October 2021
0 references
LES MODÈLES GRAPHIQUES PROBABILISITICOS (MGP) ONT CONNU UN DÉVELOPPEMENT REMARQUABLE AU COURS DES DERNIÈRES ANNÉES ET ONT ÉTÉ DÉMONTRÉS COMME DES OUTILS PRÉCIEUX DANS DES DISCIPLINES TELLES QUE L’INTELLIGENCE ARTIFICIELLE ET LES STATISTIQUES. AU COURS DES DERNIÈRES ANNÉES, UNE GRANDE ATTENTION A ÉTÉ ACCORDÉE À L’UTILISATION DES PGM DANS LES TÂCHES D’EXPLORATION DE DONNÉES, EN PARTICULIER DANS DES SITUATIONS D’INCERTITUDE. Conformément à l’état d’avancement de l’article actuel, la prochaine étape NATURALE est de leur fournir la capacité d’opérer en relation avec BIG DATA._x000D_ _x000D_ L’objectif principal de ce projet est de réaliser un nouvel ensemble de développements méthodologiques dans le domaine des MGPS. EN OUTRE, LE PROJET VISE À PRODUIRE LES OUTILS LOGICIELS NÉCESSAIRES POUR PERMETTRE LE DÉVELOPPEMENT D’APPLICATIONS BASÉES SUR UNE ARCHITECTURE DE SERVICE WEB POUR LES MGP. DE CETTE FAÇON, NOUS ESPÉRONS CRÉER L’ENVIRONNEMENT APPROPRIÉ POUR LES APPAREILS MOBILES À UTILISER DANS DES CONTEXTES DE MÉGADONNÉES, COMME LE NOYAU DES TÂCHES DE PROCESSUS RECAERIAN SUR UN SERVEUR CENTRALISÉ QUI TRAITERAIT LES DONNÉES ET EXÉCUTERAIT LES ALGORITHMES, TANDIS QUE L’APPAREIL MOBILE INTERAGIRAIT VIA L’INTERFACE DE SERVICE WEB. Par conséquent, le PROPOSITE DE CE PROJET est DOUBLE, generien DANS LA PREMIÈRE PLACE NOUVELLE CONNAISSANCE DE LA HAUTE HAUTE QUALITÉ SCIENTIFIQUE DES DONNÉES ANALYTIQUES, POUR LA CONTINUATION D’ouvrir la porte à une TRANSFÉRENCE féconde TECHNOLOGIQUE DU SOFTWARE Plataform PLANEADA._x000D_ _x000D_ SPERED les RÉSULTATS DU PROJET peuvent être classés dans DIVE CATÉGORIES:_x000D_ _x000D_ 1. LA MODÉLISATION. LE PROJET GÉNÉRERA DES CONTRIBUTIONS VISANT À RENFORCER L’ÉVOLUTIVITÉ DES MGP EN PERMETTANT L’ENCAPSULATION ET LA GESTION DES UNITÉS FONCTIONNELLES. _x000D_ 2. C’EST UNE CONCLUSION. Des algoritmes d’inférence efficaces et évolutifs seront conçus sur la base des ARBOLES RECURSIVE PROBABILITY._x000D_ 3. L’APPRENTISSAGE. DES ALGORITHMES D’APPRENTISSAGE ÉVOLUTIFS SERONT CONÇUS EN TENANT COMPTE DES CONTRAINTES D’EXPLOITATION DANS LES ENVIRONNEMENTS DE MÉGADONNÉES. IL S’AGIRA NOTAMMENT DE MODÈLES CANONIQUES ET D’APPRENTISSAGES À PARTIR DES FLUX DE DONNÉES. Des ALGORITS DE CLASSIFICATION non standard seront également développés._x000D_ 4. LOGICIEL. Un SOFTWARE Plataform sera mis en œuvre et mis à la disposition de la Communauté, ATTENDU LES ALGORITMES développés dans le TARES métadologique seront inclus et le développement d’applications rendue possible grâce à l’interfaçage des services web._x000D_ 5. LES DEMANDES. UN LARGE ÉVENTAIL D’APPLICATIONS SERA ABORDÉE AFIN DE METTRE EN ŒUVRE LES PROPOSITIONS MÉTHODOLOGIQUES DU PROJET. Aviation, SANTÉ, MULTIMÉDIA ET FINANZAS AREAS._x000D_ _x000D_ sur ce sous-projet, nous nous concentrerons sur les ASPECTS SUPERVISÉS ET NON SUPERVISÉS, ET MULTIMEDIE et BIO-MEDICINE APPLICATIONS. (French)
2 December 2021
0 references
Albacete
0 references
Identifiers
TIN2013-46638-C3-3-P
0 references