Oferta de TFT

Este Trabajo de Fin de Título (TFT), enmarcado en el ámbito de la Neurociencia Computacional, consistirá en la realización de una Plataforma Software Extensible para la Simulación y Visualización de modelos de la dinámica del Óxido Nítrico (NO) como neurotransmisor en el cerebro.

Desde la perspectiva funcional, este TFT está centrado en el desarrollo de una Plataforma Virtual que permita la incorporación de los correspondientes Módulos Computacionales que simulan la dinámica del NO.

Se persigue un Sistema Software preparado, y organizado funcionalmente, para realizar estudios que nos permitan descubrir la forma en la que este gas influye en los procesos de aprendizaje y formación de memoria de la Red Neuronal Biológica, y poder incorporarlo en los algoritmos de aprendizaje de las Redes Neuronales Artificiales.

Desde la perspectiva tecnológica, este TFT plantea un desarrollo que implemente las anteriores funcionalidades mediante la utilización de un stack tecnológico basado en Python (htps://www.python.org/downloads/), Django (htps://www.djangoproject.com/), MongoDB (htps://www.mongodb.com/) y librerías asociadas: TensorFlow (htps://www.tensorflow.org/), Scikit-Learn (htps://scikit-learn.org/stable/), Matplotlib (htps://matplotlib.org/).

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.

Este Trabajo de Fin de Título consistirá en el diseño y desarrollo de un tutor inteligente basado en la API de ChatGPT que permitirá a los estudiantes de informática el aprendizaje autónomo y personalizado de la programación a través de ejercicios prácticos y asistencia instantánea.

El proyecto contempla el desarrollo de una plataforma web que presente una serie de ejercicios de programación de dificultad progresiva. El estudiante podrá acceder a estos ejercicios y comenzar a resolverlos utilizando el lenguaje de programación objeto de estudio. Durante el proceso, el tutor inteligente, alimentado por la API de ChatGPT, ofrecerá apoyo interactivo, proporcionando pistas, explicaciones y ejemplos de código según sea necesario.

La aplicación también incluirá un módulo de seguimiento que registrará el progreso del estudiante.

Objetivo: El objetivo de est TFG es añadir al cálculo de la radiación las sombras producidas por los edificios. Esta mejora permite poder usar el modelo para encontrar las mejores localizaciones para la instalación de placas solares.

Experiencia previa: A pesar de no ser imprescindible, se valorará el conocimiento de Python y de C, y más específicamente haber trabajado con las librerías Shapely, GeoPandas, SciPy y NumPy.

Tareas a realizar:

• Familiarizarse con el manejo de las librerías de Python para la gestión de mapas vectoriales

• Extraer de los mapas vectoriales la información relativa a los edificios.

• Generación de una malla de triángulos de los edificios (Se levantará cada fachada como un rectángulo partido en dos triángulos) • Estudio del estado del arte en algoritmos de Ray-tracing (http://www.cs.cornell.edu/courses/cs4620/2013fa/lectures/03raytracing1.pdf)

• Implementación de un algoritmo de Ray-tracing para determinar las sombras producidas por los edificios.

• Implementación de algoritmos rápidos de localización (Quad/Octtree). La idea es no tener que hacer el test semirrecta-triángulo con todos los triángulos de la malla, sino encontrar las celdas del árbol que intersequen la semirrecta y hacer el test solo en los triángulos de dichas celdas. La selección de las celdas se puede hacer desde la raíz hasta las hojas, o bien moviéndose por los vecinos a partir de la celda que contiene el punto de interés.

• Probar y validar el código.

Partiendo de unos videos de corredores grabados desde ángulos distintos, el trabajo consistirá en etiquetar a los corredores, obtener imágenes representativas de cada individuo y procesarlas usando un método de re-identificación basado en redes neuronales para determinar si es posible identificar a un individuo en el resto de sus imágenes.

Partiendo de unos videos submarinos tomados en una playa, el trabajo consistirá en obtener fotogramas independientes, etiquetarlos y entrenar una red neuronal para que detecte distintas especies. En base a los resultados obtenidos, se planteará un estudio del número de peces de cada especie presente a lo largo del tiempo.

Este Trabajo Fin de Grado plantea el desarrollo de un "cuadro de mando" como componente Angular (se puede estudiar trabajar con otro framework), diseñado para integrar diversas visualizaciones de datos y conectarlas a través de eventos. El objetivo es crear una herramienta interactiva y altamente configurable que facilite la gestión y análisis de información compleja, mejorando así la toma de decisiones y la presentación de datos en tiempo real en diversas aplicaciones.

Este Trabajo Fin de Grado se enfocará en el estudio, mejora e integración de herramientas de visualización para datos bioinformáticos en la plataforma Nextgendem, esta plataforma ya cuenta con varios: alineamientos múltiples y árboles filogenéticos principalmente. Se propone ampliar el catálogo de visualizadores disponibles, mejorando la interfaz y la experiencia del usuario para facilitar el análisis e interpretación de complejas estructuras de datos genéticos.

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.

Este Trabajo Fin de Grado se propone con el objetivo de investigar y desarrollar técnicas innovadoras para el almacenamiento eficiente de genomas y datasets masivos en bioinformática. Se abordarán desde estructuras de datos especializadas hasta sistemas de almacenamiento avanzados, con el objetivo de optimizar la gestión y accesibilidad de grandes volúmenes de datos genéticos, fundamentales para el avance de la investigación y aplicaciones en genómica.

Este Trabajo Fin de Grado se centrará en el desarrollo de algoritmos avanzados para el ensamblaje de secuencias de ADN, con especial interés en las secuencias de cloroplastos. El objetivo es mejorar la eficiencia y precisión del ensamblaje genómico, crucial para la investigación en biología molecular y genética. Se explorarán técnicas computacionales para optimizar la reconstrucción de secuencias, facilitando avances en el campo de la biotecnología y la conservación de especies.

Varios TFT orientados a la implementación de demostradores online en las áreas del procesamiento de imágenes a bajo nivel y la visualización y manipulación de gráficos por computador.

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

[Ya asignado a estudiante]

[Ya asignado a estudiante]

-

-

-

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).

Se proponen TFG que exploren la tecnología actual de generación automática de imágenes, por ejemplo para generar ilustraciones o diagramas que acompañen a presentaciones, guías o manuales. Las herramientas de referencia son Stable Diffusion y ChatGPT. El TFG concreto se acordará con el/la estudiante interesado/a.

El objetivo es construir una interfaz web orientada al diseño de prompts para GPT para la evaluación automática de ejercicios. Se trata de adaptar el concepto del playground de OpenAI/GPT hacia una interfaz más sofisticada en la que se puedan escoger respuestas de estudiantes desde una base de datos para hacer ensayos del desempeño de los distintos prompts.

Se ofrecen varios TFG que giran en torno a aprovechar la tecnología de OpenAI (GPT) para la asistencia en la evaluación de pruebas escritas. Por ejemplo, implementar una demostración mediante un plugin de Moodle; generador automático de ejercicios; etc. El TFG concreto se acordará con el/la estudiante interesado/a.