Oferta de TFT

Este Trabajo de Fin de Título (TFT) consistirá en la realización de un estudio comparativo del desempeño de la red neuronal modular profunda Binomial Gate LSTM (BigLSTM), como arquitectura de cómputo tolerante a los datos faltantes y al muestreo irregular de las observaciones, frente a otras arquitecturas neuronales profundas y no profundas.

Para ejecutar lo anterior se trabajará con dos conjuntos de datos tabulados y públicos:

· Predicción espaciotemporal del pH de 36 fuentes de aguas del estado de Georgia, USA (https://www.kaggle.com/datasets/shrutisaxena/water-quality-prediction-data-set/),

· Predicción de la mortalidad por afecciones cardiacas en los pacientes de UCI (https://physionet.org/content/challenge-2012/1.0.0/).

Utilizaremos dichos conjuntos de datos en tareas de predicción y aplicaremos diversas técnicas convencionales de imputación de datos como, por ejemplo, basadas en estadísticos; así como técnicas menos convencionales, como pueden ser los algoritmos de cálculos de datos faltantes, o del ámbito de las Redes Neuronales tolerantes a datos faltantes.

Lo anterior se realizará con el propósito de comparar dichas técnicas con los resultados de predicción obtenidos con la red neuronal BigLSTM.

Desde la perspectiva tecnológica, este TFT plantea la realización de trabajos de desarrollo en los que utilizaremos el lenguaje de programación Python (https://www.python.org/downloads/), y librerías asociadas: TensorFlow (https://www.tensorflow.org/), Scikit-Learn (https://scikit-learn.org/stable/), Matplotlib (https://matplotlib.org/), etc.

Este TFT se encuentra enmarcado en al ámbito del Aprendizaje Automático (Machine Learning), así como como en el uso de técnicas de Aprendizaje Profundo (Deep Learning).

Pese a la existencia de diversas fuentes de información acerca de los delitos cibernéticos en nuestro país, no existe una metodología que integre estas fuentes en un estudio a lo largo del tiempo que permita determinar con precisión la evolución temporal de los indicadores más relevantes. Se propone realizar una búsqueda de fuentes de información y desarrollar una metodología que permita realizar el estudio que se indica, y que facilite su actualización a lo largo del tiempo.

El proyecto pretende el análisis de movimientos a través de esqueletos o siluetas (2 proyectos, uno con esqueletos, otro con siluetas).

Se requieren habilidades en algún framework de deep learning (Keras o Pytorch).

Este Trabajo Fin de Grado propone estudiar la plataforma Nextgendem, evaluando su aplicabilidad y eficacia en el análisis de datos de células humanas, así como su potencial uso en estudios de virus y bacterias que afectan a humanos. Se investigará cómo esta herramienta puede contribuir a avances significativos en la comprensión de enfermedades y en el desarrollo de nuevas terapias, mediante el análisis detallado y la interpretación de complejos datasets genómicos.

Uno de los cuellos de botella en la gestión de las empresas es la inserción de datos en sus sistemas de información, que se suele realizar de forma manual. Esto produce errores de transcripción y falta de uniformidad en los datos. El objetivo de este TFG es utilizar redes neuronales recientes con el fin de extraer, automáticamente, información detallada de documentos estructurados, tales como facturas, recibos, albaranes, etc. Los documentos pueden estar en formato PDF o imagen, y la salida se debe organizar en formato JSON para poder importar los datos en cualquier ERP.

-

La idea es crear grupos de palabras relacionadas semánticamente en niveles de cercanía semántica a partir de diferentes diccionarios y recursos lingüísticos de los que ya dispone la División de Lingüística Computacional y Procesamiento del Lenguaje Natural del IATEXT. Esto grupos permitirán hacer búsquedas semánticas en Buscadores-IL diseñados con tecnología InteLiText (https://iatext.ulpgc.es/sites/default/files/InteLiText.pdf). Este trabajo puede ser remunerado.

No es necesario tener conocimientos previos de lingüística ni sobre lengua española.

Se trata de desarrollar una IAG que produzca textos que pasen por humanos para herramientas estándar de detección de textos generados por IAG, es decir, que su origen sea indistinguible (en el mayor grado posible) entre humano o máquina.

La aplicación web usa una base de datos que ya está diseñada y contiene numerosas oraciones analizadas sintácticamente. La aplicación debe permitir seleccionar oraciones en base a diferentes criterios y permitir al usuario analizarla manualmente y la aplicación le marcará los errores encontrados si los hubiera. Los errores se detectan comparando con el análisis almacenado en la base de datos. También se debe permitir seleccionar oraciones según diferentes criterios para mostrar el análisis de cada una de ellas. Este trabajo se puede remunerar.

No es necesario tener conocimientos previos de lingüística ni sobre lengua española.

Resumen: Se trata de poner en marcha una cadena de tratamiento de las imágenes obtenidas durante la campaña Bathypelagic que permita corregir el desenfoque inducido por el movimiento del barco/roseta y - en general - mejorar el contraste de las imágenes.

El objetivo de este proyecto es evaluar la posibilidad de usar la señal obtenida de un sensor EEG, para discriminar entre al menos dos dibujos (circulo y cuadrado) realizados sobre una tableta digital utilizando técnicas de aprendizaje automático y técnicas utilizadas en la evaluación del movimiento.

Requisitos: Aprendizaje automático, Matlab o Python

El movimiento humano se inicia cuando el cerebro envía instrucciones a los músculos. El objetivo de este proyecto es evaluar la posibilidad de usar la señal obtenida de un sensor EEG, para discriminar entre al menos dos dibujos realizados sobre una tableta digital utilizando técnicas de aprendizaje automático y técnicas utilizadas en la evaluación del movimiento.

El objetivo de este proyecto es evaluar la posibilidad de usar la señal obtenida de un sensor EEG, para discriminar entre dos movimientos realizados con el brazo utilizando técnicas de aprendizaje automático y técnicas utilizadas en la evaluación del movimiento.

Requisitos: Aprendizaje automático, Matlab o Python

El objetivo del proyecto es diseñar e implementar un sistema avanzado de consulta de documentos a gran escala mediante la técnica de Generación Aumentada por Recuperación (RAG) que permita a los usuarios realizar preguntas en lenguaje natural sobre los documentos. El sistema deberá ser capaz de recuperar la información más relevante de los documentos y utilizarla para generar respuestas precisas y contextualizadas, superando las limitaciones de los buscadores tradicionales. Este proyecto no solo abordará los desafíos del procesamiento de lenguaje natural y la gestión de datos a gran escala, sino que también ofrecerá una experiencia práctica en la implementación de arquitecturas de software modernas y el uso de modelos de lenguaje (LLMs), preparando al estudiante para afrontar problemas de vanguardia en el campo de la inteligencia artificial.

No es necesario tener conocimientos previos de lingüística ni sobre lengua española.

El Gran Telescopio Canarias (GTC) atesora más de una década de datos observacionales. Actualmente, la explotación científica de este vasto archivo se realiza por una interfaz de búsqueda limitada a identificadores de programa (ID) y coordenadas celestes. La información contextual clave, la Justificación Científica de las propuestas, reside inaccesible en documentos PDF. Este TFG propone la transformación digital del acceso a los datos mediante la implementación de un Sistema de Generación Aumentada por Recuperación (RAG). El sistema permitirá a la comunidad científica realizar consultas contextuales o semánticas (ej., "curvas de luz de exoplanetas") y obtendrá respuestas coherentes y trazables, mejorando significativamente la usabilidad y maximizando el impacto de los datos del GTC.

Objetivo Principal

Desarrollar un Sistema de Generación Aumentada por Recuperación (RAG) de arquitectura avanzada (Agente RAG) basado en Aprendizaje Automático (ML) para habilitar la búsqueda contextual (semántica) de datos astronómicos mediante la indexación de las Propuestas de Observación (PDFs) del Gran Telescopio Canarias (GTC).

1. Introducción y Contexto

En la educación actual, el uso de tecnologías avanzadas, como la inteligencia artificial (IA), está revolucionando los métodos de enseñanza y aprendizaje. En particular, Moodle, una plataforma de aprendizaje ampliamente utilizada, ofrece el plugin Virtual Programming Lab (VPL) que facilita la evaluación automática de ejercicios de programación, permitiendo a los estudiantes trabajar en sus habilidades de programación de forma autónoma y a los profesores gestionar eficientemente las tareas de evaluación.

Sin embargo, el proceso de aprendizaje de programación puede beneficiarse significativamente con la incorporación de tecnologías de IA que proporcionen asistencia personalizada y mejoras en la experiencia tanto de los estudiantes como de los profesores. Este proyecto propone la integración de ayuda basada en IA en el plugin VPL para Moodle, ofreciendo sugerencias inteligentes, retroalimentación automática y apoyo en la evaluación.

2. Objetivos del Proyecto

El objetivo principal del proyecto es diseñar e implementar una extensión del plugin VPL de Moodle que permita la integración de ayuda de IA en diversos puntos del proceso educativo, tanto para estudiantes como para profesores. Para alcanzar este objetivo, se desarrollará un tipo de subplugin de VPL cuyas instancias actúen como una interfaz de intermediación entre el plugin VPL y diferentes proveedores de servicios de IA.

-

-

Esta app o web, al indicar un tipo de producto, nos precisaría en un plano dónde se encuentra; se pueden plantear ampliaciones a la idea tales como: dada una lista de compra indicar una ruta, o diseñar la app que permita actualizar ubicaciones.

Se trata de un proyecto dedicado a la aplicación de técnicas avanzadas de aprendizaje profundo para la reidentificación precisa y segura de orejas de neonatos a lo largo del tiempo. Esta innovadora solución tiene como objetivo superar los desafíos asociados con el cambio físico rápido y constante en neonatos, proporcionando una herramienta confiable para la identificación única y continua de cada niño. Se requieren habilidades en algún framework de deep learning (Keras o Pytorch).

El proyecto tiene como objetivo desarrollar un sistema de detección y comparación de tatuajes mediante el uso de redes neuronales. Al aprovechar las capacidades de aprendizaje profundo, el sistema analizará características clave de los tatuajes, permitiendo una evaluación precisa de su similitud. Se requieren habilidades en algún framework de deep learning (Keras o Pytorch).

En la navegación marítima en general y en los vehículos autónomos submarinos en particular, la planificación de las rutas en función de las condiciones meteorológicas tiene gran importancia. En el caso de los gliders oceánicos (submarinos de pequeño tamaño y gran autonomía) la influencia de las corrientes marinas, por ejemplo, es muy determinante por la baja velocidad de desplazamiento que presentan. Los modelos de predicción oceánicos proporcionan mapas de previsión de variables oceanográficas que son analizados por expertos para determinar las trayectorias más adecuadas para estos vehículos. El objetivo de los trabajos planteados es disponer de herramientas que simplifiquen esas tareas de optimización de rutas y, en último término, las complementen con algoritmos de planificación automáticos. Octave es un software libre de computación científica que ofrece recursos para la manipulación y presentación de los datos suministrados por los modelos, así como herramientas de optimización numérica.