SEVILLA, 19 Jul. (EUROPA PRESS) -
El doctorando Carlos Perales González en el Programa de Doctorado en Ciencias de los Datos de la Universidad Loyola ha elaborado una tesis titulada 'Diversidad Explícita en Modelos de Ensembles de Extreme Learning Machine', en la que ha creado un modelo matemático llamado de entrenamiento de conjunto o 'Ensembles Extreme' capaz de controlar la diversidad de datos y generalizarlos en las ecuaciones, con el que generalizar para cada caso en particular y poder anticiparse mejor a situaciones reales y elaborar estrategias preventivas.
De esta forma, Perales ha realizado una serie de trabajos en los que a partir de un algoritmo de aprendizaje automático, ha desarrollado meta-algoritmos que generalizan los resultados y son capaces de optimizarlos para hacer así mejores predicciones en inteligencia artificial, ha indicado la Universidad en un comunicado.
Esta tesis en inteligencia artificial parte de la optimización en la que esta nueva era de la información necesita para gestionar la gran cantidad de datos que se recogen, almacenan y procesan con el fin de anticiparse a situaciones o elaborar estrategias preventivas como observar y prever la variación de precios de la vivienda o reconocer patrones de voz.
La tesis ha sido dirigida por el profesor de la Universidad Loyola experto en Ciencia de los Datos, David Becerra, y codirigida por los tutores Francisco de Asís Fernández y Mariano Carbonero.
El Tribunal ha estado constituido por el doctor Miguel García Torres de la Universidad Pablo de Olavide (UPO), el profesor doctor de la Universidad Loyola Francisco José Martínez Estudillo y por la doctora de la Universidad de Córdoba (UCO) Aída de Haro García.
AUTOMATIZAR DATOS CIENTÍFICOS
En esta era de la información, los avances tecnológicos han permitido recoger, almacenar y procesar una gran cantidad de datos a los cuales antes no se tenía tan fácil acceso. Ciencias como la física, la economía, la biología, se han visto beneficiados puesto que los datos son necesarios para validar o no hipótesis científicas.
Surge este campo que permite automatizar la interpretación de estos datos para así anticiparse a situaciones y elaborar estrategias preventivas.
Por otro lado, los algoritmos de aprendizaje automático supervisado son algoritmos matemáticos que usan datos para inferir una serie de reglas estadísticas que relacionan unas variables de entradas o de salida.
De esta manera permite predecir una serie de situaciones relacionando únicamente datos obtenidos como por ejemplo la variación de precios de la vivienda, la detección de caras en una fotografía o los reconocimientos de voz, que son las aplicaciones de estos algoritmos en el mundo real.
Estos resultados predictivos se crean a través de correlaciones entre dichas variables de entrada y salida, lo que provoca que estos modelos no siempre estén apegados a la realidad.
Además, la dependencia de que haya una gran cantidad de datos para implementar a estos algoritmos provoca que los modelos matemáticos creados sean sensibles a estos y con poca capacidad para adaptarse a nuevas situaciones. Por eso se intentan generalizar estos algoritmos a distintas metodologías como el llamado entrenamiento de conjuntos utilizado en esta tesis.
Esta tecnología permite que las predicciones que se obtienen por separado se agrupen en una única predicción menos dependiente de los datos y más generalizable a nuevas situaciones. Así, los resultados de los experimentos han demostrado mejoras estadísticamente significativas en la predicción de datos.
Esta investigación también trabaja para que estos entrenamientos de conjunto se puedan aplicar a distintos algoritmos supervisados para así ampliar el impacto en investigación a aplicaciones en el mundo real. Se trata de una propuesta novedosa que abre nuevas líneas de investigación en el ámbito de la 'Ensembles Extreme'.
