Aprendizaje por Refuerzo para UAMITO

Aprendizaje por Refuerzo para UAMITO

 Descargar versión PDF

Profesores:

Dr. René MacKinney Romero

Omar Lucio Cabrera Jiménez

Resumen:

La intención de este trabajo es de, a través de técnicas del aprendizaje por refuerzo,ser capaz de dotar a UAMITO de la capacidad de diversos movimientos como el de caminar y ser capaz de tomar objetos.

Objetivo general

• Estudiar técnicas de aprendizaje por refuerzo para el aprendizaje de movimientos por parte de UAMITO.

Objetivos específicos

• Estudiar el aprendizaje por refuerzo.
• Estudiar elementos para el aprendizaje de movimientos de un robot.
• Realizar un sistema que permita UAMITO aprender distintos movimientos.

Aprendizaje por refuerzo con estrategias de búsqueda en el juego CrazyHouse

 Descargar versión PDF

Profesores:

Dr. Pedro Lara Velázquez

Dr. Sergio Gerardo de los Cobos Silva

Resumen:

Este proyecto de investigación se enfoca en el estudio, diseño, construcción y evaluación de un agente de CrazyHouse por medio de aprendizaje por refuerzo y la utilización de diferentes estrategias de búsqueda, tales como árbol de búsqueda Monte Carlo, Minimax y Poda alfa-beta.

Objetivo general

• Desarrollar un agente de CrazyHouse por medio de aprendizaje por refuerzo mediante el uso de estrategias de búsqueda.

Objetivos específicos

• Investigar el estado del arte.
• Comparar las diferentes estrategias de búsqueda.
• Evaluar el agente con motores existentes y jugadores de ajedrez de 1 ra , 2 da y 3 ra fuerza.
• Generar un artículo para congreso nacional.
• Reportar los resultados de la investigación en la idónea comunicación de resultados.

Aprendizaje Maquinal con Big Data

 Descargar versión PDF

Profesores:

Dr. René MacKinney Romero

Resumen:

Si bien existes diversas librerías de datos masivos para el aprendizaje su uso resulta poco claro y en muchas ocasiones sumamente complicado. Este proyecto trata de eliminar la brecha entre las diferentes arquitecturas y marcos de herramientas existentes y el uso cotidiano para la solución de problemas usando aprendizaje maquinal sobre cantidades masivas de datos. Se espera poder generar una ruta crítica para la solución de un problema particular desde datos crudos hasta implementación de solución en algún marco de datos masivos.

Objetivo general

• Estudiar técnicas como clasificación, agrupamiento y sumarización en sistemas de aprendizaje maquinal; así como herramientas y marcos de trabajo para conjuntos masivos de datos. Proponer una ruta crítica para un problema y evaluar su utilidad en otro problema.

Objetivos específicos

• Estudiar como realizar clasificación, agrupamiento y sumarización en el campo de la inteligencia artificial.
• Conocer los marcos de trabajo de Spark, Hadoop y otros que existan para el manejo de datos masivos.
• Aprender programación en Scala y otros lenguajes idóneos para para realizar operaciones sobre conjuntos masivos de datos.
• Conocer, analizar y seleccionar las herramientas mas adecuadas para solucionar un problema particular como el de predicción de terremotos generando una ruta crítica.
• Evaluar la utilidad de dicha ruta crítica en otro problema en términos de la precisión obtenida.

Aplicación de la ingeniería de software basada en búsqueda y guiada por datos en la resolución de un problema de arquitectura de software.

 Descargar versión PDF

Profesores:

Dr. Humberto Cervantes Maceda

Dr. Abel García Nájera

Resumen:

A pesar de los grandes avances que se han realizado en ingeniería de software en las últimas décadas, la complejidad de los sistemas de software continúa en aumento y la búsqueda de nuevas técnicas para resolver problemas relacionados con el desarrollo de software es constante.
Una de esas técnicas es la ingeniería de software basada en búsqueda [3], que busca reformular los problemas que surgen en la ingeniería de software bajo la forma de problemas de optimización y usar algoritmos de búsqueda para resolver dichos problemas.
Otro técnica es la minería de repositorios de software [1], que busca formular los problemas de ingeniería de software como problemas de minería de datos.
Ambas técnicas tienen el objetivo común de proveer propuestas para mejorar la ingeniería de software.
De forma muy reciente (2018) se ha propuesto una combinación de estas dos disciplinas, la cual se denomina “ingeniería de software basada en búsqueda y guiada por datos (DSE)” [2]. Se puede definir la DSE como un sistema de software que resuelve un problema de ingeniería de software de alguna de las maneras siguientes:
Insertar un minero de datos en un optimizador.
Usar un optimizador para mejorar un minero de datos.
Actualmente es posible tener acceso a una gran cantidad de información de proyectos de fuente libre en sitios tales como GitHub. Esto permite hacer estudios sobre proyectos reales que, de otra forma, sería muy complicado realizar, a menos que uno pudiera tener acceso a la información de proyectos de una empresa grande, por ejemplo.
Los autores de esta propuesta han estado trabajando desde hace tiempo en la aplicación de la ingeniería de software basada en búsqueda y como resultado se ha terminado una tesis de maestría y actualmente se tiene otra en curso. También se han publicado un artículo de revista internacional y un artículo en una conferencia nacional alrededor de este tema.
Con este proyecto buscamos extender nuestro panorama de investigación más allá de la ingeniería de software basada en búsqueda y para ello buscamos aplicar la DSE en un problema relacionado con la arquitectura de software. La definición del problema concreto es parte del proyecto de investigación.

Objetivo general

• Explorar la aplicación de la ingeniería de software basada en búsqueda y guiada por datos a un problema relacionado con la arquitectura de software.

Objetivos específicos

• Conocer el estado del arte sobre la ingeniería de software basada en búsqueda y guiada por datos.
• Evaluar la potencial aplicación de la DSE a un problema relacionado con la arquitectura de software.
• Desarrollar y evaluar una técnica de optimización adecuada para resolver el problema planteado.
• Implementar un prototipo que realice la minería de datos y la identificación de soluciones mediante técnicas de optimización.

Análisis de desempeño del esquema NOMA en el dominio de código para sistemas móviles 5G

 Descargar versión PDF

Profesores:

Dr. Alfonso Prieto Guerrero

Dr. Luis Alberto Vásquez Toledo

Resumen:

En este trabajo, nos centramos en NOMA, que se espera que aumente el rendimiento del sistema y se adapte a la conectividad masiva. NOMA permite a múltiples usuarios compartir recursos de tiempo y frecuencia a través del dominio de potencia o multiplexación de dominio de código.

Objetivo general

• Desarrollar una metodología para evaluar el desempeño delos sistemas celulares 5G basados en NOMA en el dominio de código, mediante modelos matemáticos y herramientas de simulación.

Objetivos específicos

• Realizar un estudio detallado de la evolución de los sistemas celulares, resaltando las propuestas y tendencias para 5G.
• Estudiar las características de la propuesta NOMA para 5G, y mostrar las ventajas y desventajas de NOMA en el dominio de código.
• Realizar un análisis de interferencias del esquema de operación NOMA mediante modelosmatemáticos.
• Desarrollar una propuesta de operación que permita aumentar el desempeño de las redes móviles 5G en comparación con las redes convencionales.
• Desarrollar una metodología que permita evaluar la propuesta desarrollada mediante herramientas de simulación.

Algoritmos clasificadores aplicados a una base de trabajos realizados en un laboratorio de cómputo en paralelo

 Descargar versión PDF

Profesores:

Dr. Pedro Lara Velázquez

Dr. Miguel Ángel Gutiérrez Andrade

Resumen:

Hacer un estudio sobre el uso de diferentes algoritmos clasificadores manejando bases de datos obtenidas principalmente de un laboratorio de cómputo en paralelo

Objetivo general

• Proponer e implementar algoritmos clasificadores que permitan obtener información para mejorar el desempeño de un laboratorio de cómputo en paralelo.

Objetivos específicos

• Obtener la base de datos y acoplarla a nuestros intereses.
• Utilizar varios tipos de algoritmos clasificadores.
• Generar un artículo para congreso nacional.
• Reportar los resultados de la investigación en la idónea comunicación de resultados.

Simulaciones masivamente paralelas en dinámica molecular

Descargar versión completa (PDF)

Profesores: Dr. Jesús Enrique Díaz Herrera (UAM Iztapalapa) y Dr. Manuel Aguilar Cornejo

Resumen: La mecánica estadística y el poder de cómputo actual provee una descripción formal conocida como: experimento computacional o simulación molecular, que hoy juega un papel muy importante y es aquí donde surge la necesidad de recurrir a la construcción de modelos moleculares, que es una representación matemática que nos permite la descripción a nivel microscópico de un sistema macroscópico.

Objetivo general:

• Diseñar e implementar, usando clústers de GPUs y CPUs, un simulador masivamente paralelo en dinámica molecular que resuelva las ecuaciones de movimiento de traslación y orientación de partículas con interacciones no esféricas.

Objetivos específicos:

• Realizar un estudio de los modelos en dinámica molecular a simular
• Realizar un estudio del modelo de programación paralela usando clústers de GPUs
• Realizar un estudio del manejo de los diferentes niveles de memoria cache de los GPUs para acelerar la ejecución de nuestras simulaciones
• Diseñar y desarrollar el simulador masivamente paralelo

Modelo Inteligente para la detección de actividades de lavado de dinero

Descargar versión completa (PDF)

Profesores: Dr. René MacKinney Romero y Dra. Angelina Espinoza Limón (University College Cork)

Resumen: Este trabajo de investigación plantea definir un modelo de inteligencia que combine el uso de ontologías para identificar actividades sospechosas en transacciones de dinero entre instituaciones financieras (IFs), a partir del comportamiento normalizado del cliente; y el uso de aprendizaje maquinal (ML) para verificar el modelo y reducir los márgenes de error.

Objetivos generales:

Realizar un modelo inteligente compuesto por:

• Una ontología en el lenguaje OWL que permitirá realizar inferencia sobre datos de transacciones de dinero para identificar actividades sospechosas de lavado de dinero y valores (LDV)
• Un algoritmo de ML, el cual utilizando datos anonimizados, realizará predicciones para comprobar la inferencia obtenida de la ontología
• Verificar los datos obtenidos mediante una predicción de resultados que comprobarán los de la ontología. Esta verificación servirá para refinar el diseño de la ontología y reglas de negocio.

Objetivos específicos:

• Investigar ontologías de alto nivel en el dominio financiero, y de algoritmos de ML relevantes al trabajo de investigación
• Diseñar una ontología específica en el ámbito financiero, para el área de actividades de transacciones de dinero en IFs
• Implementar un conjunto de reglas de negocio para actividades de transacciones de dinero en IFs, en un lenguaje específico de reglas para ontologías OWL. Estas reglas deberán permitir realizar razonamiento e inferir conocimiento implícito, en la detección sobre si una transacción de dinero es sospechosa y por lo tanto, lanzar una alerta
• Se implementará un algoritmo de ML, el cual utilizando datos anonimizados de actividades sospechosas, realizará predicciones sobre nuevos datos en la identificación de una actividad sospechosa. Los datos anonimizados serán datos ficticios, que emulen el comportamiento real, diseñados con ayuda de expertos en LDV
• Verificar la inferencia de la ontología por medio de los resultados del algoritmo de ML, para ajustar la misma y reducir los errores de inferencia y por tanto de predicciones también. Para ello, se utilizarán las métricas usuales de ML (exactitud, precisión, memoria) que midan los resultados de la ontología, por medio de comparar contra los datos esperados y contabilizando los errores y éxitos. Esto permitirá identificar los puntos de mejora de la ontología, para mejorar la exactitud en la siguiente verificación

Identificación y análisis de la red social de coinscripción de los alumnos de una licenciatura en la UAM

Descargar versión completa (PDF)

Profesores: Dra. Elizabeth Pérez Cortés y Dr. Miguel López Guerrero

Resumen: Nos interesamos en la relación entre el éxito de un alumno de licenciatura y el acompañamiento del que goza durante sus estudios. Para esto es necesario analizar la red social que forman los alumnos durante su estancia en la UAM. En esta primera aproximación nos basaremos en las coinscripciones. Se construirá una herramienta que extraiga la red compleja de los datos de los grupos de las UEA y muestre sus características y evolución. Este conocimiento puede apoyar la creación de políticas que aumenten las posibilidades de éxito de los alumnos.

Objetivo general:

• Conocer la características de la red social de coinscripción para los alumnos de una licenciatura y su relación con el éxito

Objetivos específicos:

• Identificación de la red social de coinscripción para los alumnos de una licenciatura
• Caracterización estructural de la red social de coinscripción para los alumnos de la licenciatura elegida
• Caracterización dinámica de la red social de coinscripción para los alumnos de la licenciatura elegida
• Identificación y/o construcción de las herramientas teóricas y tecnológicas necesarias para la identificación y análisis de las características de la red social de coinscripción para los alumnos de la licenciatura elegida

Identificación de ‘hotspots’ usando métodos de Optimización y/o Machine Learning

Descargar versión completa (PDF)

Profesores: Dr. Humberto Cervantes Maceda y Dr. Abel García Nájera

Resumen: En este proyecto estamos buscando aplicar métodos heurísticos de optimización o de aprendizaje automático (machine learning) para identificar puntos donde se puedan realizar intervenciones para reducir la deuda técnica de los proyectos (hotspots). Estos hotspots frecuentemente están relacionados con los archivos que cambian más frecuentemente y que pueden ser identificados mediante el análisis de bitácoras del sistema de control de cambios.

Objetivo general:

• Aplicar métodos heurísticos de optimización o de machine learning para identificar puntos de intervención para reducir la deuda técnica

Objetivos específicos:

• Identificar propuestas en la literatura enfocadas en reconocer puntos de reducción de deuda técnica en el código
• Proponer un método heurístico de optimización o de machine learning que facilite la identificación de hotspots
• Desarrollar un prototipo de herramienta que implemente dicha técnica
• Evaluar la efectividad de la herramienta