Aprendizaje Automático avanzado & Deep Learning

La investigación sobre aprendizaje automático avanzado (Advance Machine Learning) y aprendizaje profundo (Deep Learning) ha estado en la vanguardia de la inteligencia artificial, abriendo el camino a aplicaciones innovadoras y tecnologías transformadoras. A medida que la potencia computacional y la Aprendizaje automático avanzadodisponibilidad de datos continúan creciendo exponencialmente, investigadores han logrado ir más allá de los límites de las técnicas tradicionales de aprendizaje automático (ML) y adentrarse en las complejidades de las arquitecturas de aprendizaje profundo (DL). Estos estudios de vanguardia se enfocan en mejorar el rendimiento, la interpretabilidad y la generalización de los modelos, así como en abordar desafíos como el sobreajuste, tareas no convencionales y ataques adversarios. Además, los avances en arquitecturas de redes neuronales, como los transformadores, han revolucionado el aprendizaje y las tareas de visión por computadora, permitiendo a las máquinas comprender cualquier tipo de datos y generar texto e imágenes de manera similar a los humanos. A medida que la comunidad de investigación se adentra más en este campo, se abren posibilidades para sistemas autónomos, medicina personalizada, ciudades inteligentes e interacciones mejoradas entre humanos y computadoras, prometiendo un futuro en el que la IA potencie las capacidades humanas y revolucione numerosas industrias.

Principales líneas actuales de investigación de DaSCI:

  • Aprendizaje Automático Avanzado: Avanzar en técnicas de aprendizaje automático para manejar entradas de datos no convencionales, modelos predictivos con conocimiento previo para decisiones confiables e imparciales, enfatizando el procesamiento eficiente de Big Data, explorando hibridaciones con computación suave, con el objetivo de revolucionar el campo y enfocarse en AutoML para desafíos de aprendizaje no convencionales.
  • Aprendizaje Profundo en Visión por Ordenador: Nuestra investigación se centra en la visión por computadora, explorando modelos generativos basados en difusión para el envejecimiento facial y aprovechando los Transformers de Visión para el aprendizaje semi-supervisado para mejorar las aplicaciones de visión por computadora en diversos contextos industriales.
  • Aprendizaje Profundo y Inteligencia Artificial Simbólica: Avanzar en la inteligencia artificial a través de contribuciones teóricas y combinando el aprendizaje profundo con la IA simbólica, explorando redes neuronales de grafos para la satisfacción de restricciones y análisis de redes sociales, y utilizando máquinas de lógica neuronal para la planificación automática, estableciendo vínculos entre técnicas simbólicas y sub-simbólicas de IA.

Investigadores relacionados:

Letra:

  Nombre Email Área Cat.
Aguirre Molina, Eugenio eaguirre@decsai.ugr.GQLAjBees
Bello García, Marilyn mbgarcia@uMDA2GHugr.es
Benítez Sánchez, José Manuel J.M.Benitez@decieGublsai.ugr.es
Carmona del Jesus, Cristóbal J. ccarmona@v5_oh4ujaen.es
Charte Ojeda, Francisco fcharte@bqW419wQujaen.es
Fernandez Olivares, Juan faro@decsai.ug_NSTJnJNq05r.es
García Martínez, Carlos cgarcia@uc2kc00zmI@To.es
García Silvente, Miguel m.garcia-silvente@decsai.ugr.O2oc3TJres
González Muñoz, Antonio A.Gonzalez@dew.ijP3kfQ9csai.ugr.es
Górriz Sáez, Juan Manuel gorriz@ugutj0Vz1tr.es
Lastra Leidinger, Miguel mlastral@ug_j6sMJUsS9Wr.es
Luna Ariza, Jose María jmluna@uco.jlAY6bes
Martínez del Río, Francisco fmartin@ulMwU0yzs.jaen.es
Moyano Murillo, Jose María jmoyanoLqaixt@uco.es
Ortíz García, Andrés aortizuTbeaK9Oul@ic.uma.es
Pérez Godoy, María Dolores lperez@IGE2hHYujaen.es
Ramírez Pérez de Inestrosa, Javier javierrpikBeTnn48.zk@ugr.es
Ramírez Quesada, Aurora aramirez@uco.ANXE4ies
Rivera Rivas, Antonio Jesús arivera@ujaen2nQtl53Xh1.es
Rodríguez Díaz, Francisco Javier fjrodriguez@decsai.ugr.WAmVABes
Rómero Salguero, José Raúl jrromero4VvtEBD@uco.es