Periodo: 2022 – 2025.
Resumen: El aprendizaje maquinal (ML) es un enfoque dentro del área de ciencias de la computación que busca resolver problemas a partir de datos. En la aproximación supervisada de ML, que en la actualidad sigue mostrando los mejores desempeños en múltiples tareas, el algoritmo de aprendizaje es capaz de obtener una solución general a un problema a partir de ejemplos de soluciones individuales. La mayoría de los algoritmos de ML requieren de una gran cantidad de datos para obtener una solución que muestre buena generalización, es decir que sea capaz de responder adecuadamente a instancias diferentes a las empleadas durante el entrenamiento. No obstante, son muchos los escenarios en los que no resulta factible o viable contar con cantidades masivas de datos, en especial en el caso de datos supervisados, ya que habitualmente esa supervisión en forma de respuestas deseadas deben ser generadas manualmente, muchas veces por expertos, con un elevado costo e inherente susceptibilidad al error humano. Se han propuesto varias alternativas para tratar de mejorar la generalización del ML en escenarios de datos escasos. Entre ellos: aumento de datos (data augmentation), transferencia de aprendizaje (transfer learning), y aprendizaje semi supervisado (semi supervised learning). En el dominio biomédico son muchos los problemas en los que se puede encontrar escasez de datos, dos aplicaciones que se estudiarán en este proyecto son ML aplicado a la calibración de interfaces cerebro computadora (BCI, brain computer interface) y la identificación de emociones a partir del habla
Director: Acevedo, Rubén.
Co-Director: Evin, Diego.
