Oferta de TFT

En este Trabajo de Fin de Título (TFT) se utilizará Computación Inteligente, esencialmente Redes Neuronales Artificiales (RNA), y distintas técnicas de ciencia de datos, en el ámbito Clínico, con el objetivo de diseñar y desarrollar un entorno software para la automatización del diagnóstico de enfermedades neurodegenerativas asociadas al envejecimiento, tales como la Enfermedad del Alzhéimer (EA) y el Deterioro Cognitivo Leve (MCI).

Para realizar lo anterior se plantea un entorno software modular que mediante parametrización realice todas las fases de tratamiento inteligente, incluyendo carga y almacenamiento, de los datos procedentes de diversos Sistemas Clínicos Asistenciales y/o de bases de datos especializadas en el ámbito: ADNI, Physionet, eICU Collaborative Research, etc., así como el desarrollo del módulo software correspondiente para la ayuda a la clasificación y detección temprana de las neuropatologías consideradas.

Adicionalmente a lo anterior, se persigue también que el Sistema Software desarrollado esté preparado y organizado funcionalmente, para poder ser utilizado en estudios paramétricos sobre cualquier conjunto de datos del ámbito de las de Enfermedades Neurodegenerativas, así como analizar las capacidades de las RNA en la clasificación de dichas enfermedades y ejecutar comparativas de desempeño con otros Sistemas Software existentes

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

¿Qué ocurre cuando los estudiantes de idiomas usan inteligencia artificial para mejorar sus textos? ¿Aprenden realmente a escribir mejor o solo mejoran el texto mientras la IA está disponible? El proyecto de investigación AI-L2Write del IATEXT busca responder a estas preguntas estudiando la cadena completa de la escritura en segunda lengua: el texto inicial, la interacción real con la IA, la revisión y la escritura posterior sin ayuda. Para ello necesita una plataforma que capture de forma segura y trazable todo ese proceso, y en este Trabajo Fin de Título te encargarás de construir una prueba de concepto para la misma.

Concretamente, diseñarás y programarás un plugin de Moodle a medida que dé soporte al flujo de investigación: un editor de escritura con versiones inmutables, un chat de IA integrado a través de un gateway que registra cada interacción con fines científicos, la gestión del consentimiento de los participantes y la exportación de datos listos para el análisis. Trabajarás con tecnologías reales de desarrollo web y de inteligencia artificial aplicada (PHP sobre el framework de Moodle, PostgreSQL, Docker y el gateway LiteLLM), con criterios de privacidad y protección de datos desde el diseño, en una instancia propia gestionada por el instituto y con la supervisión del equipo de investigación. Es una oportunidad de hacer ingeniería con impacto científico directo: lo que construyas será la infraestructura sobre la que se medirá el efecto de la IA en el aprendizaje de lenguas.

El trabajo consiste en extraer todas las expresiones y locuciones del Diccionario de la Lengua Española de la Real Academia Española, clasificarlas adecuadamente en una base de datos de tal forma que se contemple la formas flexivas de cada una, si las hubiere, y posibles distancias entre las palabras que las componen. Habría que realizar dos aplicaciones, una de escritorio para extraer y clasificar todas las expresiones y locuciones y un servicio web que pasándole una oración o un texto nos devuelva las expresiones y/o locuciones encontradas. Este trabajo puede ser remunerado.

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

Varios TFT que hacen uso de cámaras PTZ y técnicas de aprendizaje automático para el procesamiento de las imágenes.

Desarrollo de algoritmos de detección de obstáculos en imágenes adquiridas durante la navegación de un barco de vela autónomo utilizando un sistema de vídeo embarcado.

En este trabajo se analizará la capacidad de detectar y seguir de manera fiable torres eléctricas desde una cámara montada sobre un helicóptero. Para abordar este problema se usarán métodos de Machine Learning y Deep Learning específicos.

Con la implantación de las nuevas tecnologías, el movimiento puede ser cuantificado y proporcionar datos objetivos a los médicos para ayudarles en sus diagnósticos. El objetivo de este proyecto es, a partir las grabaciones de voz capturadas en un proyecto de investigación, aplicar algoritmos de evaluación del movimiento y sistema de IA para discriminar mejor entre diferentes tipos de Parkinson, y que se pueda mostrar a los médicos los parámetros obtenidos.

Con la implantación de las nuevas tecnologías, el movimiento puede ser cuantificado y dar datos objetivos a los educadores o psicólogos para ayudarles en sus diagnósticos. El objetivo de este proyecto es a partir de distintos tipos dibujos capturados con una tableta y de movimientos capturados por un reloj, y estudiar qué parámetros, sensores y sistema de IA permite discriminar mejor entre diferentes tipos de trastornos.

Descripción: Se pretende programar un prototipo de Inteligencia Artificial (IA) con Python para verificar firmas manuscritas mediante el uso de la tableta gráfica IoT Wacom.

Tutores: Moisés Díaz y Miguel Ángel Ferrer

Requisitos: Habilidades de programación en Matlab y Python

Tiempo estimado: 4 meses

Observaciones: Compatibilidad del TFG con prácticas de empresa en el iDeTIC

El trabajo consiste en diseñar e implementar una web para recoger todo el material documental (documentos, noticias, entrevistas, fotografías, audios, etc) relacionado con el Silbo Gomero. La web debe tener un buscador para cualquiera de los elementos que serán debidamente clasificados, etiquetados y transcritos a texto. Este trabajo puede ser remunerado si finaliza con criterios de calidad y robustez para su publicación en producción.

Descripción: Se pretende implementar el sistema de reconocimiento de firmas dsDTW para su utilización en la competición internacional SVC Ongoing.

Tutores: Moisés Díaz y Miguel Ángel Ferrer

Requisitos: Habilidades de programación en Matlab

Tiempo estimado: 4 meses

Observaciones: Compatibilidad del TFG con prácticas de empresa en el iDeTIC

El objetivo final consiste en diseñar y construir tanto el hardware como el software de un computador de tamaño pequeño, bajo consumo eléctrico, altas prestaciones temporales y menor precio posible que esté especializado en una determinada aplicación informática dentro de los campos de la Inteligencia Artificial, la Visión por Computador y el Procesamiento Digital de Señales.

Este Trabajo de Fin de Título (TFT), enmarcado en el ámbito de la Ingeniería del Software, consistirá en el Diseño y Desarrollo de un Sistema de Visualización y Tratamiento Inteligente de Datos Clínicos.

Para realizar lo anterior se plantea un Sistema modular que mediante parametrización realice las fases de Extracción, Tratamiento/Proceso (limpieza, filtrado, ranqueado, etc.), Carga y Almacenamiento de los datos procedentes de los Sistemas Clínicos Asistenciales.

Así como el desarrollo de una API que permita acceder a los datos para realizar operaciones de Visualización de la Información (Query&Reporting), Procesado Analítico (Data Mining), Predicción y Lógica Computacional de Ayuda al Diagnóstico Clínico mediante técnicas de computación inteligente, como computación neuronal, deep learning, etc.

En definitiva, se persigue un Sistema Software preparado y organizado funcionalmente, para poder ser utilizado en estudios paramétricos sobre cualquier conjunto de datos de los almacena y gestiona.

Desde la perspectiva tecnológica, este TFT plantea un desarrollo que implemente las anteriores funcionalidades mediante la utilización de un stack tecnológico basado en Python (https://www.python.org/downloads/), Django (https://www.djangoproject.com/) y MongoDB (https://www.mongodb.com/).

Objetivo: Desarrollar un aplicativo con dispositivo de Realidad Aumentada para incluirlo en la formación de los estudiantes de medicina.

Descripción: Desarrollar un prototipo de aplicativo que pueda ser utilizado con escenarios sanitarios para ilustrar a estudiantes de medicina la capacidad de la tecnología inmersiva de la realidad aumentada mediante ejemplos prácticos.

Disponemos de una gran cantidad de palabras segmentadas en sílabas, con las que entrenar una red neuronal local para comprobar su potencialidad y eficacia en la respuesta ante nuevas entradas.

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

El proyecto consistiría en desarrollar una aplicación que permita extraer información de grandes bases datos de partidos de la NBA para realizar distintos tipos de análisis empleando técnicas estadística no lineales

Nuestro proyecto se basa en un algoritmo innovador en Matlab que recupera trazados de escritura a partir del esqueleto del manuscrito https://github.com/gioelecrispo/wor. El objetivo es introducir una velocidad humanoide basada en el principio de la lognormalidad. Una vez incorporada esta velocidad, realizaremos pruebas de reconocimiento biométrico, comparando los resultados obtenidos con los datos reales y los datos recuperados. Buscamos estudiantes con habilidades de programación en Matlab para unirse a este proyecto.

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.

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.