| 20-12-2024 |
Rol del control atencional en la adquisición del léxico en lactantes de 12 meses de edad.
En esta IPRE usaremos registros de electroencefalograma de niños/as de 12 meses de edad, para cuantificar su capacidad de enfoque en una voz que habla con lenguaje dirigido a niños pequeños, cuando hay varias voces hablando alrededor (situación que viven niñas/os en supermercados, metro, plazas de juego). En conjunto con el grupo del Lab. de Neurociencias Cognitivas UC, coordinado por Marcela Pena, vamos a evaluar como la actividad cerebral se acopla a la voz preferida por la/el infantes y como contribuye al aprendizaje de palabras nuevas. Esto ayuda en entender las bases cerebrales de los orígenes del léxico en infantes y su rol en el desarrollo cognitivo, y indicara analogias importantes con el aprendizaje de modelos de inteligencia artifical. Planeamos entrenar a los estudiantes en el uso de herramientas de preprocesamiento de la señal de actividad cerebral, y aplicar diferentes algoritmos de análisis de series temporales capturando el acoplamiento de las oscilaciones de voz/EEG.
Prerequisitos:
IIC1253
Tiene un método de evaluación Nota 1-7, con 10 créditos y tiene 2/2 vacantes disponibles |
Mentor(es): Ver en la plataforma |
| 19-12-2024 |
Exploración por redes neuronales del espacio de vocalizaciones de infantes y del desarrollo del lenguaje
Una direccion de estudio importante y poco explorada sobre el aprendizaje humano (con implicancias sobre la pregunta de que es la inteligencia en general, incluyendo la IA) es estudiar el desarrollo temprano del lenguaje. Esta IPRE propone trabajar con un dataset mas de 10000 registraciones de vocalizaciones de niños y niñas durante su desarrollo, para crear un mapa del desarrollo del lenguaje. Se trabajará en conjunto con el Lab. de Neurociencias Cognitivas de Marcela Peña, y la tarea es de clasificar audios de infantes, para crear un "mapa" (en el espacio latente de una red neuronal) que permita sucesivamente explorar cómo se desarrolla el lenguaje durante los primeros años de vida, y pone la base para abordar preguntas sobre el desarrollo de la vocalización y del lenguaje. La tarea es partir con la curación del dataset de audios grabados por el grupo de Marcela, y crear redes neuronales de tipo autoencoder, con arquitecturas adaptadas para codificar el espacio de vocalizaciones. Tiene un método de evaluación Nota 1-7, con 10 créditos y tiene 1/2 vacantes disponibles |
Mentor(es): Ver en la plataforma |
| 21-11-2023 |
Inversión del problema de pronóstico de tiempo de descarga de baterías con Deep Reinforcement Learning
El tiempo en que ocurre la descarga de una batería en el futuro depende de cuál es la energía actual almacenada y cómo se dispondrá de ella posteriormente, es decir, de cómo se descargará la batería en el futuro. En esta investigación se busca invertir este problema. La idea principal es definir el tiempo futuro en que se desea se descargue una batería, y con esa información construir una función que defina cómo ha de descargarse la batería para conseguir tal propósito. Esta función corresponde a una red neuronal profunda, la cual es entrenada mediante aprendizaje reforzado. Este trabajo contempla reuniones semanales para reporte de avances y discusión. Ya se cuenta con un código base en Python, y la idea principal es afinar resultados y explorar mejoras.
Prerequisitos:
no tiene.
Tiene un método de evaluación Nota 1-7, con 10 créditos y tiene 1/2 vacantes disponibles |
Mentor(es): Ver en la plataforma |
| 07-03-2023 |
SimSpread-Ensemble - Development of an ensemble network-based method for drug discovery
SimSpread is a novel computational method to predict protein–ligand interaction that combines network-based inference with chemical similarity, useful for predicting drug targets, virtual screening, and drug repositioning. This project proposal intents to improve several limitations of SimSpread. Hypothesis: The combination of predictions obtained from SimSpread that use different similarity cutoffs into a single score using a machine learning (ML) model will increase predictive performance, eliminate empty predictions and eliminate the need to optimize similarity cutoff parameter, resulting in a more straightfoward and user-friendly model to predict drug-target interactions. Tasks: • Propose an ensemble predictive model. • Implement a hyperparameter optimization. • Compare the predictive performance. Candidates should have good programming skills.
Keywords:
machine learning
bioinformatica
red
red social
aprendizaje maquina
Proteínas
Diseño de fármacos
Prerequisitos:
no tiene.
Tiene un método de evaluación Nota 1-7, con 20 créditos y tiene 1/1 vacantes disponibles |
Mentor(es): Ver en la plataforma |
| 21-12-2022 |
Plataforma de Software basada en Cloud Computing y técnicas de IA para mejorar la Educación Medica.
El proyecto de investigación multidisciplinar reúne a las escuelas de Ingeniería y Medicina en la creación de una plataforma global basada en servicios de Cloud Computing y técnicas de IA para mejorar la Educación Médica. El estudiante realizará un trabajo de investigación en esta temática y desarrollará una solución de software que será incorporada como una funcionalidad a la plataforma educacional.
Prerequisitos:
no tiene.
Tiene un método de evaluación Nota 1-7, con 10 créditos y tiene 5/5 vacantes disponibles |
Mentor(es): Ver en la plataforma |
| 24-07-2020 |
Mobile Machine Learning: Investigación y Desarrollo
Los framework y técnicas de aprendizaje de máquina proporcionan varios cambios revolucionarios para el desarrollo de aplicaciones en dispositivos móviles e IoT. Esto se debe a la capacidad de esta tecnología para reforzar las aplicaciones en estos dispositivos, es decir, para permitir más experiencias de usuario, entre otras cosas más. La investigación y desarrollo está orientada a identificar ventajas y desventajas de diferentes ML (Machine Learning) Frameworks que permiten desarrollar aplicaciones para entornos móviles (por ejemplo basados en Android o iOS). El alumno realizará un trabajo de investigación de las diferentes propuestas de ML Frameworks y desarrollará una aplicación aplicada a un escenario en particular. Para el desarrollo del proyecto, el alumno cuenta con dispositivos y acceso al software para el desarrollo.
Prerequisitos:
no tiene.
Tiene un método de evaluación Nota 1-7, con 10 créditos y tiene 1/10 vacantes disponibles |
Mentor(es): Ver en la plataforma |
| 20-12-2024 |
Prerequisites:
IIC1253
Evaluation method: Nota 1-7, with 2/2 available vacants |
Mentor(s): Open in the plataform |
| 19-12-2024 |
Exploración por redes neuronales del espacio de vocalizaciones de infantes y del desarrollo del lenguaje
Evaluation method: Nota 1-7, with 1/2 available vacants |
Mentor(s): Open in the plataform |
| 06-12-2024 |
Prerequisites:
None.
Evaluation method: Nota 1-7, with 0/1 available vacants |
Mentor(s): Open in the plataform |
| 21-11-2023 |
Prerequisites:
None.
Evaluation method: Nota 1-7, with 1/2 available vacants |
Mentor(s): Open in the plataform |
| 07-03-2023 |
Keywords:
machine learning
bioinformatica
red
red social
aprendizaje maquina
Proteínas
Diseño de fármacos
Prerequisites:
None.
Evaluation method: Nota 1-7, with 1/1 available vacants |
Mentor(s): Open in the plataform |
| 21-12-2022 |
Prerequisites:
None.
Evaluation method: Nota 1-7, with 5/5 available vacants |
Mentor(s): Open in the plataform |
| 24-07-2020 |
Mobile Machine Learning: Research and Development
The framework and techniques of machine learning provide a number of revolutionary changes for the development of applications on mobile devices and IoT. This is due to the ability of this technology to enhance the applications in these devices, that is to say, to allow for more user experiences, among other things. Research and development is oriented to identify advantages and disadvantages of different ML (Machine Learning) Frameworks that allow to develop applications for mobile environments (for example based on Android or iOS). The student will perform a research work of the different proposals of ML Frameworks, and will develop an application applied to a particular scenario. For the development of the project, the student has devices and software access for the development.
Prerequisites:
None.
Evaluation method: Nota 1-7, with 1/10 available vacants |
Mentor(s): Open in the plataform |