-
Notifications
You must be signed in to change notification settings - Fork 1
/
Copy pathtfm.html
750 lines (527 loc) · 46 KB
/
tfm.html
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
<!doctype html>
<!--[if IE 7 ]> <html lang="en-gb" class="isie ie7 oldie no-js"> <![endif]-->
<!--[if IE 8 ]> <html lang="en-gb" class="isie ie8 oldie no-js"> <![endif]-->
<!--[if IE 9 ]> <html lang="en-gb" class="isie ie9 no-js"> <![endif]-->
<!--[if (gt IE 9)|!(IE)]><!--> <html lang="en-gb" class="no-js"> <!--<![endif]-->
<head>
<title>Master en Data Science</title>
<meta charset="utf-8">
<meta name="keywords" content="Master,Data,Science,CSIC,UIMP,UC" />
<meta name="description" content="Master en Data Science impartido por el CSIC, UIMP y UC" />
<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />
<meta http-equiv="X-UA-Compatible" content="IE=edge,chrome=1">
<!-- Favicon -->
<link rel="shortcut icon" href="images/favicon.ico">
<!-- this styles only adds some repairs on idevices -->
<meta name="viewport" content="width=device-width, initial-scale=1.0">
<!-- Google fonts - witch you want to use - (rest you can just remove) -->
<link href='https://fonts.googleapis.com/css?family=Open+Sans:300,300italic,400,400italic,600,600italic,700,700italic,800,800italic' rel='stylesheet' type='text/css'>
<link href='https://fonts.googleapis.com/css?family=Raleway:100,200,300,400,500,600,700,800,900' rel='stylesheet' type='text/css'>
<!--[if lt IE 9]>
<script src="http://html5shim.googlecode.com/svn/trunk/html5.js"></script>
<![endif]-->
<!-- ######### CSS STYLES ######### -->
<link rel="stylesheet" href="css/reset.css" type="text/css" />
<link rel="stylesheet" href="css/style.css" type="text/css" />
<link rel="stylesheet" href="css/font-awesome/css/font-awesome.min.css">
<!-- responsive devices styles -->
<link rel="stylesheet" media="screen" href="css/responsive-leyouts.css" type="text/css" />
<!-- just remove the below comments witch color skin you want to use -->
<!--<link rel="stylesheet" href="css/colors/blue.css" />-->
<!--<link rel="stylesheet" href="css/colors/green.css" />-->
<!--<link rel="stylesheet" href="css/colors/cyan.css" />-->
<!--<link rel="stylesheet" href="css/colors/orange.css" />-->
<!--<link rel="stylesheet" href="css/colors/lightblue.css" />-->
<!--<link rel="stylesheet" href="css/colors/pink.css" />-->
<!--<link rel="stylesheet" href="css/colors/purple.css" />-->
<!--<link rel="stylesheet" href="css/colors/bridge.css" />-->
<!--<link rel="stylesheet" href="css/colors/slate.css" />-->
<!--<link rel="stylesheet" href="css/colors/yellow.css" />-->
<!--<link rel="stylesheet" href="css/colors/darkred.css" />-->
<!-- just remove the below comments witch bg patterns you want to use -->
<!--<link rel="stylesheet" href="css/bg-patterns/pattern-default.css" />-->
<!--<link rel="stylesheet" href="css/bg-patterns/pattern-one.css" />-->
<!--<link rel="stylesheet" href="css/bg-patterns/pattern-two.css" />-->
<!--<link rel="stylesheet" href="css/bg-patterns/pattern-three.css" />-->
<!--<link rel="stylesheet" href="css/bg-patterns/pattern-four.css" />-->
<!--<link rel="stylesheet" href="css/bg-patterns/pattern-five.css" />-->
<!--<link rel="stylesheet" href="css/bg-patterns/pattern-six.css" />-->
<!--<link rel="stylesheet" href="css/bg-patterns/pattern-seven.css" />-->
<!--<link rel="stylesheet" href="css/bg-patterns/pattern-eight.css" />-->
<!--<link rel="stylesheet" href="css/bg-patterns/pattern-nine.css" />-->
<!--<link rel="stylesheet" href="css/bg-patterns/pattern-ten.css" />-->
<!--<link rel="stylesheet" href="css/bg-patterns/pattern-eleven.css" />-->
<!--<link rel="stylesheet" href="css/bg-patterns/pattern-twelve.css" />-->
<!--<link rel="stylesheet" href="css/bg-patterns/pattern-thirteen.css" />-->
<!-- mega menu -->
<link href="js/mainmenu/sticky.css" rel="stylesheet">
<link href="js/mainmenu/bootstrap.css" rel="stylesheet">
<link href="js/mainmenu/fhmm.css" rel="stylesheet">
<!-- REVOLUTION SLIDER -->
<link rel="stylesheet" type="text/css" href="js/revolutionslider/rs-plugin/css/settings.css" media="screen" />
<link rel="stylesheet" type="text/css" href="js/revolutionslider/css/slider_main.css" media="screen" />
<!-- cubeportfolio -->
<link rel="stylesheet" type="text/css" href="js/cubeportfolio/cubeportfolio.min.css">
<!-- tabs -->
<link rel="stylesheet" type="text/css" href="js/tabs/assets/css/responsive-tabs.css">
<link rel="stylesheet" type="text/css" href="js/tabs/assets/css/responsive-tabs2.css">
<link rel="stylesheet" type="text/css" href="js/tabs/assets/css/responsive-tabs3.css">
<!-- carousel -->
<link rel="stylesheet" href="js/carousel/flexslider.css" type="text/css" media="screen" />
<link rel="stylesheet" type="text/css" href="js/carousel/skin.css" />
<!-- progressbar -->
<link rel="stylesheet" href="js/progressbar/ui.progress-bar.css">
<!-- accordion -->
<link rel="stylesheet" href="js/accordion/accordion.css" type="text/css" media="all">
<!-- Lightbox -->
<link rel="stylesheet" type="text/css" href="js/lightbox/jquery.fancybox.css" media="screen" />
</head>
<body>
<div class="site_wrapper">
<header id="header">
<!-- Top header bar -->
<div id="topHeader">
<div class="wrapper">
<div class="top_nav">
<div class="container">
<div class="left">
<ul>
<li><a href="contacto.html"><i class="fa fa-envelope"></i> contacto</a></li>
</ul>
</div>
<div class="right">
<ul>
<li>
<a class="fancybox fancybox.ajax" href="frame_idioma.html">
<img src="images/banderas/3/esp.gif" height="9"/>
</a>
</li>
<li>
<a class="fancybox fancybox.ajax" href="frame_idioma.html">
<img src="images/banderas/3/uk.gif" height="9"/>
</a>
</li>
</ul>
</div>
</div>
</div>
</div>
<div id="trueHeader">
<div class="wrapper">
<div class="container">
<!-- Logo -->
<div class="logo"><a href="index.html" id="logo"></a></div>
<!-- Menu -->
<div class="menu_main">
<nav class="navbar navbar-default fhmm" role="navigation">
<div class="navbar-header">
<button type="button" data-toggle="collapse" data-target="#defaultmenu" class="navbar-toggle">Menu <i class="fa fa-bars tbars"></i></button>
</div>
<div id="defaultmenu" class="navbar-collapse collapse">
<ul class="nav navbar-nav">
<li class="dropdown">
<a href="index.html">Inicio</a>
<ul class="dropdown-menu" role="menu">
</ul>
</li>
<li class="dropdown">
<a href="preinscripcion.html">Preinscripción</a>
<ul class="dropdown-menu" role="menu">
</ul>
</li>
<li class="dropdown">
<a href="matricula.html">Matrícula</a>
<ul class="dropdown-menu" role="menu">
</ul>
</li>
<li class="dropdown">
<a href="m01.html">Materias</a>
<ul class="dropdown-menu" role="menu">
</ul>
</li>
<li class="dropdown active">
<a href="tfm.html">TFM</a>
<ul class="dropdown-menu" role="menu">
</ul>
</li>
<li class="dropdown active">
<a href="practicas.html">Prácticas</a>
<ul class="dropdown-menu" role="menu">
</ul>
</li>
<li class="dropdown">
<a href="faq.html">FAQ</a>
<ul class="dropdown-menu" role="menu">
</ul>
</li>
<li class="dropdown">
<a href="contacto.html">Contacto</a>
<ul class="dropdown-menu" role="menu">
</ul>
</li>
</ul>
</div>
</nav>
</div>
</div>
</div>
</div>
</header>
<div class="clearfix"></div>
<div class="page_title2">
<div class="container">
<div class="title"><h1>Ofertas TFM</h1></div>
<div class="pagenation"> <a href="index.html">Inicio</a> <i>/</i> <a href="#">Páginas</a> <i>/</i> Ofertas TFM</div>
</div>
</div>
<div class="clearfix"></div>
<div class="container">
<div class="content_fullwidth">
<p><h2><center>Ofertas TFM</center></h2></p>
<p align="center">En este apartado podrá encontrar los Trabajos Fin de Master ofertados.<br/><br/>
Si desea ofertar un nuevo TFM (empresa o profesor) puede rellenar el siguiente formulario:
<a href="https://tinyurl.com/yb45hpch"> Propuesta de TFM</a>
<br/><br/>
</div>
<div class="content_fullwidth">
<div class="accrodation">
<p><b>Ofertas TFM 2023-2024</b></p>
<br/>
<!-- section 5 -->
<span class="acc-trigger active"><a href="#">1. - Estrategias de inversión en mercados financieros utilizando análisis de datos </a></span>
<div class="acc-container">
<div class="content">
El trabajo consistirá en el análisis del comportamiento de los precios en los mercados de valores, utilizando datos reales de mercado. Con esa información se podrá plantear una gestión de carteras mediante técnicas de optimización, un análisis de la rentabilidad y el riesgo y la realización de backtesting para evaluar la performance de diferentes estrategias de inversión.
<br>Contacto: <b>[email protected]</b>
</div>
</div>
<!-- section 2 -->
<span class="acc-trigger active"><a href="#">2. - Suitability of random forest for heat stress prediction
</a></span>
<div class="acc-container">
<div class="content">
Downscaling methods are typically used to bridge the gap between coarse resolution global climate
models (GCMs) and local-scale impacts. One way to do so is by means of Empirical Statistical
Downscaling (ESD; Gutiérrez et al. 2013), which is a data-driven approach which exploits empirical
relationships between large scale climatic conditions (predictors), well represented by GCMs, and
observed local meteorological variables (predictands) to build statistical models. Typically used ESD
methods are the analog method and regression models, but recently machine learning techniques, such
as random forests, have shown promising results (Legasa et al. 2022). Among other advantages such as
their interpretability and their skill capturing non-linear predictor-predictand relationships, random
forests are able to automatically select the relevant predictors, thus avoiding model overfitting and
colinearities among predictors, which typically hinder the use of regression models and are very time-
consuming.
In a climate change context, the Mediterranean, and the Iberian Peninsula in particular, will be affected
by increasing temperatures which can lead to important impacts on ecosystems, population’s health and
labour productivity, among others. The combined effect of increasing temperatures with high humidity
exacerbates the aforementioned issues and constitutes heat stress. Heat stress indices are often used to
quantify in a single number the effect of the relevant meteorological variables involved; most of them
are based on temperature and humidity and few include also wind speed and solar radiation (Casanueva
et al. 2020). A proper calibration of ESD to represent these indices is needed in order to have reliable
future projections.
This TFM will explore the suitability of random forests for the dowscaling of multivariate heat stress
indices in the Iberian Peninsula, addressing their added value compared to classical ESD methods. In
particular, their ability to automatically select the relevant large scale predictors will be examined and
compared against other well-known predictor selection techniques, like stepwise regression and
principal component analysis.
<br>Contacto: Ana Casanueva ([email protected]), Mikel N. Legasa ([email protected])</br>
</div>
</div>
<!-- section 3 -->
<span class="acc-trigger active"><a href="#">3. - Desarrollo de un modelo predictivo para la prevención del suicidio en médicos </a></span>
<div class="acc-container">
<div class="content">
El suicidio en profesionales de la salud es un problema preocupante que ha sido estudiado a nivel global, pero cuya prevención sigue siendo un desafío. Este trabajo propone el desarrollo de un modelo predictivo basado en técnicas de machine learning para identificar factores de riesgo de suicidio en médicos. La investigación se enfocará en la recopilación y análisis de datos socioeconómicos, demográficos y profesionales de hasta 80 países, utilizando variables como calidad de vida, bienestar subjetivo, desarrollo económico, desigualdades sociales y transparencia institucional. A través del análisis de correlaciones y la construcción de un algoritmo predictivo, se pretende identificar patrones que permitan predecir situaciones de riesgo, contribuyendo así a la creación de políticas de prevención más efectivas y adaptadas a las características de cada región.
<br>Contacto: <b>[email protected]</b>
</div>
</div>
<!-- section 5 -->
<span class="acc-trigger active"><a href="#">4. - Análisis del registro histórico de datos del Consorcio de Compensación de Seguros de España (CCS) en un contexto de cambio climático </a></span>
<div class="acc-container">
<div class="content">
El Consorcio de Compensación de Seguros de España (CCS) dispone de registros de compensaciones económicas desagregados espacialmente en el territorio español, muchos de los cuales están asociados a eventos meteorológicos extremos, como viento, precipitaciones, inundaciones o incendios, entre otros. El objetivo principal de este trabajo es vincular estos registros con las bases de datos climáticas de mayor resolución espacial disponibles en España, utilizando técnicas de minería de datos y aprendizaje profundo, con el fin de evaluar el impacto del cambio climático en las pérdidas económicas proyectadas a mediano y largo plazo.
<br>Contacto: <b>[email protected]</b>
</div>
</div>
<!-- section 6 -->
<span class="acc-trigger active"><a href="#">5. - Causality analysis on gender bias in AI-based decision systems and privacy implications </a></span>
<div class="acc-container">
<div class="content">
The idea of this work is to analyze the impact that the gender has on the predictions obtained by ML/DL models. Explainability methods will be used to analyze the impact of each feature on the model output, and their fairness will be analyzed using different metrics. Additionally, the impact on the model output of adding privacy methods (e.g. anonymization or differential privacy) will be studied.
<br>Contacto: <b>[email protected]</b>
</div>
</div>
<!-- section 8 -->
<span class="acc-trigger active"><a href="#">6. - Uso de Redes Neuronales Recurrentes para la predicción del valor del Bitcoin </a></span>
<div class="acc-container">
<div class="content">
Se plantea correlacionar las series temporales del precio del Bitcoin con los grandes mercados de valores (Nasdaq, bolsa de Tokyo, London Stock Exchange...), otros índices bursátiles (como el S&P 500), o el valor de materias primas (petróleo, oro, madera.. etc) con el objetivo de predecir el precio futuro del Bitcoin mediante el uso de Redes Neuronales Recurrentes (RNNs), más concretamente LSTMs.
<br>Contacto: <b>[email protected]</b>
</div>
</div>
<!-- section 9 -->
<span class="acc-trigger active"><a href="#">7. - Emuladores de Modelos Climáticos Regionales basados en aprendizaje profundo para generar proyecciones de cambio climático </a></span>
<div class="acc-container">
<div class="content">
"Los modelos climáticos regionales (RCMs) resuelven ecuaciones matemáticas y físicas para simular los procesos atmosféricos y climáticos a nivel regional. Los RCMs generan información climática (histórica y futura) con mayor detalle y resolución que los modelos climáticos globales (GCMs). Por lo tanto, son herramientas esenciales en la investigación sobre el cambio climático y en la elaboración de planes de adaptación. Sin embargo, el coste computacional requerido para correr múltiples simulaciones (que involucran diferentes RCMs, diversos escenarios futuros de emisiones de gases, etc.) es enorme. Esta limitación es importante, ya que disponer de una amplia variedad de simulaciones permite caracterizar la incertidumbre en las proyecciones climáticas, lo cual es esencial para evaluar el impacto del cambio climático en las sociedades y los ecosistemas. Ante esta problemática, ha surgido una alternativa novedosa y prometedora: los emuladores de RCMs basados en modelos de aprendizaje profundo. Estos emuladores, más eficientes desde el punto de vista computacional, ofrecen la posibilidad de generar información climática regional detallada a partir de muestras pequeñas generadas por RCMs. El trabajo a desarrollar para este TFM consiste en entrenar un emulador y analizar su capacidad predictiva para emular los cambios proyectados de la temperatura en la Península Ibérica."
<br>Contacto: <b>[email protected]</b>
</div>
</div>
<!-- section 10 -->
<span class="acc-trigger active"><a href="#">8. - Análisis de tráfico rodado mediante sensores acústicos distribuidos (DAS) y técnicas de deep-learning. </a></span>
<div class="acc-container">
<div class="content">
El trabajo propuesto está relacionado con la técnica de sensado distribuido llamada DAS. La técnica ofrece medidas de vibración distribuida sobre fibra óptica, convirtiéndola en la práctica en un array de sensores (“micrófonos”) de gran longitud. Las señales acústicas tienen una correlación espacial y otra temporal, pudiéndose tratar como imágenes. El estudiante contará con un dataset de tráfico real y etiquetado de +1000 “sensores distribuidos”, así como un generador de señales sintéticas, para desarrollar una estrategia de entrenamiento en Python. Se propone que partiendo de un generador de señales sintéticas (obtenidas variando los diferentes parámetros de entrada del generador) se pre-entrene una autoencoder convolucional (p.Ej: U-net), para acabar entrenando con datos reales y analizando los resultados.
<br>Contacto: <b>[email protected]</b>
</div>
</div>
<!-- section 11 -->
<span class="acc-trigger active"><a href="#">9. - Aplicación de redes neuronales recurrentes (RNN) al procesamiento de señales </a></span>
<div class="acc-container">
<div class="content">
Se revisarán modelos de procesado de señales (sonido, imágenes) mediante redes neuronales recurrentes computacionales. En particular, se analizará la relevancia de incluir mecanismos inhibitorios. En concreto, se probarán modelos "spiking" en Matlab y otros modelos de redes neuronales recurrentes en python.
<br>Contacto: <b>[email protected]</b>
</div>
</div>
<!-- section 13 -->
<span class="acc-trigger active"><a href="#">11. - Técnicas de Machine Learning para la predicción de de resultados de partidos de béisbol </a></span>
<div class="acc-container">
<div class="content">
El estudiante deberá hacer uso de la gran variedad de fuentes de datos disponibles para la liga nacional estadounidense (MLB, Major League Baseball) con el objetivo de entrenar un modelo predictivo para los resultados finales del encuentro. El trabajo contempla la extracción y limpieza de datos, así como la construcción de atributos capaces de reflejar las situaciones que contempla el partido. Tras la creación del dataset se implementarán diferentes técnicas de Machine Learning y se evaluarán los modelos con el fin de analizar cual obtiene mejor rendimiento. Finalmente se realizará una simulación para la última mitad de la temporada con el objetivo de observar las ganancias potenciales que tendría un apostante regular si usase el modelo.
<br>Contacto: <b>[email protected]</b>
</div>
</div>
<!-- section 14 -->
<span class="acc-trigger active"><a href="#">12. - Abriendo la caja negra: interpretabilidad de los modelos de deep learning en el ámbito del clima </a></span>
<div class="acc-container">
<div class="content">
Dadas las limitaciones computacionales y físicas de los modelos climáticos, estos generan proyecciones con una baja resolución espacial. Esto es un problema para los usuarios que necesitan información climática a alta resolución (escala regional). El downscaling estadístico resuelve esto aprendiendo la relación estadística entre la baja y alta resolución. Recientemente, dados los avances en el campo de la inteligencia artificial, los modelos de deep learning han emergido como candidatos para aprender esta relación estadística. Sin embargo, estos modelos son considerados cajas negras, ya que no es posible saber de forma exacta qué relación aprenden sobre los datos. Esto disminuye la confianza de los usuarios en las proyecciones generadas con estos modelos, ya que no es posible saber si la relación aprendida tiene sentido físico. Recientemente, en el ámbito de la visión por computador, han surgido un grupo de técnicas conocidas como eXplainable Artificial Intelligence (XAI) que permiten interpretar las relaciones aprendidas por los modelos de deep learning. En este TFM se propone explorar estas técnicas para interpretar la relación aprendida por los modelos de deep learning en el downscaling estadístico de la temperatura.
<br>Contacto: <b>[email protected]</b>
</div>
</div>
<!-- section 15 -->
<span class="acc-trigger active"><a href="#">13. - Data-Driven Insights into Ischaemic Heart Disease: Exploring Environmental and Social Influences through machine learning</a></span>
<div class="acc-container">a
<div class="content">
"Cardiovascular disease remains a leading cause of global morbidity and mortality. Among its prevalent clinical manifestations, acute myocardial infarction (AMI) stands out prominently. While traditional risk factors for AMI are well-established, recent studies have shed light on the influence of environmental and social factors. This proposed TFM leverages advanced data mining and machine learning techniques to analyze a comprehensive database comprising approximately 2200 meticulously recorded cases of ischaemic heart disease (including AMI and stable angina), curated by experts of the Servicio Cántabro de Salud (SCS). Enriched with a diverse array of health, social, and environmental variables, this dataset offers a unique opportunity to elucidate the underlying mechanisms contributing to ischaemic heart disease, with a specific emphasis on discerning the impact of social drivers, scarcely studied to date but known to play a relevant role in the course of heart conditions. "
<br>Contacto: <b>[email protected]</b>
</div>
</div>
<!-- section 17 -->
<span class="acc-trigger active"><a href="#">14. - Aplicación de modelos de machine learning para predecir la fragilización de los aceros en vasijas nucleares.</a></span>
<div class="acc-container">a
<div class="content">
El proyecto se aborda en dos fases: en la primera, se utilizarán técnicas de clustering para categorizar las centrales nucleares en familias según su composición química y condiciones de operación. En la segunda fase, desarrollaremos modelos predictivos para estimar la fragilización de los aceros de dichas vasijas, específicos para cada familia previamente definida.
<br>Contacto: <b>[email protected]</b>
</div>
</div>
<!-- section 18 -->
<span class="acc-trigger active"><a href="#">15. - Extrapolación de la Fragilización de Aceros de Vasijas Nucleares Usando Redes Neuronales Informadas por la Física (PINNs)</a></span>
<div class="acc-container">a
<div class="content">
Empleo de PINNs (Physics-informed neural networks) para predecir y extrapolar la fragilización de aceros en vasijas nucleares bajo condiciones de operación superiores a las actualmente conocidas.
<br>Contacto: <b>[email protected]</b>
</div>
</div>
<!-- section 20 -->
<span class="acc-trigger active"><a href="#">16. - Development of Deep Learning methods for emulation of impact-relevant climate indices from high-resolution daily gridded datasets</a></span>
<div class="acc-container">
<div class="content">
In the context of deep learning (DL), "emulation" typically refers to a process by which a DL model imitates the behaviour or output of another process of system. Emulation is nowadays a cutting-edge topic of research in many different data science applications, given its potential to solve complex problems using a relatively cheaper approach in terms of time, complexity, computing requirements etc. In this TFM the student will develop climate science-oriented emulation DL methods. In particular, the focus will be on the emulation a fire-climate danger indicator widely applied worldwide to analyze the effects of climate on wildfires at different spatio-temporal scales, including future climate change wildfire risks. To this aim, different high-resolution gridded datasets of climate variables will be used. The possibility exists to link this Master's thesis to a temporary research-oriented workplacement in the Meteorology and Computation Group at the Institute of Physics of Cantabria (CSIC-UC).
<br>Contacto: <b>[email protected]</b>
</div>
</div>
<!-- section 22 -->
<span class="acc-trigger active"><a href="#">17. - Despliegue de Modelos Generativos Asistentes de Código e Integración con IDE Online (JupyterLab y VSCode)</a></span>
<div class="acc-container">
<div class="content">
En este trabajo de fin de máster, se aborda la crucial tarea de desplegar modelos generativos avanzados como asistentes de código, con un enfoque particular en su integración fluida con dos entornos de desarrollo líderes, JupyterLab y Visual Studio Code (VSCode). La investigación se centra en la optimización de la experiencia del usuario y la sincronización efectiva entre los modelos generativos y los entornos de desarrollo online, con el objetivo de mejorar la eficiencia y la precisión en la creación y edición de código. Se explorarán estrategias para superar desafíos específicos asociados con la integración de estos modelos en entornos en línea, garantizando una interacción armoniosa y potenciando la productividad de los desarrolladores. Este trabajo contribuirá al avance en el despliegue práctico de modelos generativos, marcando un hito significativo en la evolución de la asistencia automatizada en el desarrollo de software.
<br>Contacto: <b>[email protected]</b>
</div>
</div>
<!-- section 23 -->
<span class="acc-trigger active"><a href="#">18. - Detección automática de fugas de agua en señales de sensores acústicos distribuidos</a></span>
<div class="acc-container">
<div class="content">
Se pretende analizar datos procedentes de sensores acústicos distribuidos de fibra óptica instalados junto a tuberías de distribución de agua potable. Las fugas de agua dejan una huella acústica en la señal que se quiere localizar automáticamente mediante técnicas de aprendizaje máquina no supervisado.
<br>Contacto: <b>[email protected]</b>
</div>
</div>
<!-- section 25 -->
<span class="acc-trigger active"><a href="#">19. - Generación de datos sintéticos de calidad del agua mediante IA generativa</a></span>
<div class="acc-container">
<div class="content">
Uno de los principales problemas para aplicar técnicas de aprendizaje automático en el ámbito de la monitorización de la calidad del agua es la ausencia de suficientes datos, pues en muchos casos las variables a monitorizar son complicadas de obtener. En este trabajo se plantea la posibilidad de ampliar los conjuntos de datos disponibles aplicando técnicas como las Redes Generativas Adversarias (GANs) y comprobar si los datos generados permiten alcanzar una mejor eficacia en los modelos predictivos de calidad del agua.
<br>Contacto: <b>[email protected]</b>
</div>
</div>
<!-- section 27 -->
<span class="acc-trigger active"><a href="#">20. - Aplicación de Modelos IA para Fuzzy Matching de Nombres Científicos de Especies en Bases de Datos Biológicas </a></span>
<div class="acc-container">
<div class="content">
"Este Trabajo de Fin de Máster propone explorar distintos tipos de modelos clásicos y más recientes, como transformers, para resolver el problema del fuzzy matching de nombres científicos de especies en bases de datos biológicas. Durante el trabajo se revisará el estado del arte [1] y se seleccionarán distintas técnicas para intentar resolver este problema, dentro del contexto de la Global Biodiversity Information Facility (GBIF). Además, se investigará la integración de LLMs con métodos de clasificación supervisada para mejorar la precisión en la identificación y reconciliación de nombres científicos variantes o erróneos. El proyecto tiene como objetivo proporcionar una solución robusta y escalable para la gestión de nombres en grandes bases de datos taxonómicas, contribuyendo a la integridad y precisión de los registros biológicos. [1] https://github.com/gnames/gnverifier"
<br>Contacto: <b>[email protected]</b>
</div>
</div>
<!-- section 28 -->
<span class="acc-trigger active"><a href="#">21. - Desarrollo de un asistente digital para investigación interdisciplinar </a></span>
<div class="acc-container">
<div class="content">
Se trata de especializar un modelo abierto de lenguaje a gran escala (LLM Llama) en un área de investigación interdisciplinar (por ejemplo, búsqueda de materia oscura) utilizando la información en repositorios abiertos (como Arxiv). Se comparará la capacidad del asistente para contestar consultas específicas, con la de diferentes expertos.
<br>Contacto: <b>[email protected]</b>
</div>
</div>
<!-- section 28 -->
<span class="acc-trigger active"><a href="#">22. - Detección y clasificación automática de formas en cuevas decoradas </a></span>
<div class="acc-container">
<div class="content">
Este TFM tiene como objetivo explorar las posibilidades y limitaciones de las técnicas de detección de objetos y segmentación semántica para el reconocimiento automatizado de las morfologías características de las cuevas decoradas a partir de imágenes y reconstrucciones 3D. Nos enfocaremos en clasificar estas morfologías según su origen: natural (estalactitas, estalagmitas, formaciones rocosas, etc.), humano (pasarelas, escaleras, roturas, puertas, etc.) y biológico (guano, biocorrosión, etc.). Esta investigación no solo impulsará el conocimiento sobre las cuevas con arte paleolítico, sino que también facilitará estudios históricos, mejorará la difusión del patrimonio cultural y apoyará iniciativas de conservación. Un estudio innovador para los/as interesados/as en combinar arqueología, tecnología y conservación del patrimonio.
<br>Contacto: [email protected] <b></b>
</div>
</div>
<!-- section 28 -->
<span class="acc-trigger active"><a href="#">23. - Enhancing Metadata Interaction with AI: Integrating Retrieval-Augmented Generation into a climate service provenance tracking system </a></span>
<div class="acc-container">
<div class="content">
The METACLIP framework (METAdata for CLImate Products, https://metaclip.org/) is a language-independent solution for describing the provenance of climate products. It provides a comprehensive approach for identifying, extracting, linking, and assembling the information needed to fully describe a climate product’s provenance. METACLIP leverages semantics and the web standard Resource Description Framework (RDF) by developing domain-specific extensions of standard ontologies like PROV-O. This scheme has been successfully implemented in several international initiatives, notably in the IPCC AR6 Interactive Atlas. However, a definitive solution for a user-friendly interaction with the large amount of metadata stored remains an ongoing challenge, which forms the basis of this Master’s Thesis proposal. The aim is to develop an AI interface that extends the capabilities of METACLIP with Retrieval-Augmented Generation (RAG), an AI framework that combines the capabilities of Large Language Models (LLMs) and information retrieval systems. This Master’s Thesis is ideal for students with an interest in semantic web technologies and artificial intelligence, particularly in their application to climate science and climate services.
<br>Contacto: [email protected] <b></b>
</div>
</div>
<!-- section 28 -->
<span class="acc-trigger active"><a href="#">24. - Detección de ventanas de oportunidad para la predicción climática estacional en base a un conjunto de patrones de teleconexión </a></span>
<div class="acc-container">
<div class="content">
"Los modelos numéricos de predicción climática estacional pueden facilitar la toma de decisiones en numerosos sectores socio-económicos como la agricultura, la salud, el turismo y otros. Sin embargo, su fiabilidad (y por tanto, su utilidad en aplicaciones reales) es limitada en los extratrópicos, puesto que depende en gran medida de cuán bien esté representada en el modelo la conexión entre la atmósfera y otras componentes del sistema climático de dinámica más lenta (principalmente, el océano). De hecho, la predictibilidad en esta escala temporal (del orden de varios meses) está muy vinculada a la correcta simulación de los principales patrones de teleconexión: oscilaciones quasi-periódicas del sistema climático que pueden desencadenar anomalías de temperatura, precipitación y otras variables de superficie en puntos muy lejanos al lugar donde se desarrolla el fenómeno. Este Trabajo Fin de Máster se centra en analizar el potencial efecto de algunas de estas teleconexiones —por ejemplo, la Madden-Julian Oscillation (MJO), la Quasi-Biennial Oscillation (QBO), El Niño-Oscilación del Sur (ENSO)— sobre la fiabilidad del modelo de predicción estacional de referencia desarrollado por el European Centre for Medium-Weather Forecasts (ECMWF), denominado SEAS5. Se explorará además el uso de métodos estadísticos que operan condicionados a estas teleconexiones con el fin de mejorar las simulaciones crudas del modelo.
<br>Contacto: [email protected] <b></b>
</div>
</div>
<!-- section 28 -->
<span class="acc-trigger active"><a href="#">25. - Assessing the suitability of several livestock species under different climate change scenarios based on future projections of the Temperature-Humidity Index </a></span>
<div class="acc-container">
<div class="content">
"Some of the most severe impacts provoked by climate change are related to the increasing frequency of combined temperature and humidity conditions leading to heat stress that can affect human and animal well-being and health. In this context, the Temperature-Humidity Index (THI) has been specifically developed to quantify and monitor the heat stress different livestock species are subjected to, aiming to reduce animal suffering and productivity losses. However, the numerical methods that are used to project the long-term evolution of the climate system (including temperature and humidity) are known to exhibit systematic errors, which need to be corrected in order to produce reliable future projections. To do so, a variety of statistical techniques exist, being the so-called bias adjustment methods the most popular ones. Nonetheless, most of these methods are independently built to correct each target variable (based on historical records) and are not capable to properly maintaining the observed inter-variable dependencies, a key limitation for the case of multi-variate indices such as the THI. This TFM will evaluate the usefulness of an ensemble of state-of-the-art regional climate models (RCMs) to reproduce the observed THI in a selection of hot-spots for livestock farming. To do so, the student will test different implementations of multi-variate bias adjustment methods and examine their potential added value with respect to classical uni-variate implementations. Based on the best-performing configurations found, the final goal will be to provide projections of the THI at a local scale up to 2100. This will allow for assessing the suitability of different types of livestock (cattle, dairy, sheep, poultry, and swine) over the next decades, yielding recommendations that could help policymakers in developing improved adaptation strategies to climate change.
<br>Contacto: [email protected] <b></b>
</div>
</div>
<!-- section 28 -->
<span class="acc-trigger active"><a href="#">26. - Assessing the ability of deep learning methods to predict multi-variate heat indices </a></span>
<div class="acc-container">
<div class="content">
Climate change is a global threat whose impacts on society and ecosystems differ from region to region. Consequently, there is a need for detailed and accurate climate information at regional-to-local scales (downscaled information) which allows to guide policymakers and improve adaptation measures to future changes. In particular, very high temperatures during the night and day greatly affect human health and well-being and this effect is enhanced by other meteorological conditions (e.g. high relative humidity, exposure to radiation or lack of wind). These multidimensional conditions can provoke heat stress, which is projected to continuously increase towards the end of the century (Casanueva et al., 2020). This TFM will explore the suitability of statistical downscaling based on deep learning (including convolutional neural networks, CNNs) to predict heat stress in the Iberian Peninsula. It will build upon the CNNs architecture developed by Baño-Medina et al. 2020 for temperature and will extend it to other relevant variables associated with human discomfort (e.g. humidity) or to heat stress indices themselves. Results could be compared to the analog method as a benchmark for statistical downscaling. The student will gain hands-on experience on deep-learning frameworks, such as Keras and TensorFlow, and will learn to train and perform inference with these models in large computational infrastructures. References Baño-Medina, J., Manzanas, R., Gutiérrez, J.M., 2020. Configuration and intercomparison of deep learning neural models for statistical downscaling. Geosci. Model Dev. 13, 2109–2124. 10.5194/gmd-13-2109-2020 Casanueva, A., et al., 2020. Escalating environmental summer heat exposure-a future threat for the European workforce. Reg. Environ. Chang. 20, 40. doi:10.1007/s10113-020-01625-6.
<br>Contacto: [email protected]@unican.es <b></b>
</div>
</div>
<!-- section 28 -->
<span class="acc-trigger active"><a href="#">27. - Modelos meteorológicos neuronales para fenómenos extremos </a></span>
<div class="acc-container">
<div class="content">
El presente trabajo explorará la aplicación de modelos meteorológicos basados en redes neuronales para la predicción de fenómenos meteorológicos extremos, como el reciente episodio de precipitaciones intensas en Valencia. La investigación se centra en aprovechar la capacidad de las redes neuronales para identificar patrones no lineales y dinámicas complejas en grandes volúmenes de datos meteorológicos históricos. Se utilizarán modelos desarrollados para la predicción meteorológica (https://www.nature.com/articles/s41612-024-00769-0) y se evaluará la capacidad para predecir eventos extremos de precipitación en la Península Ibérica. El análisis podrá incluir la comparación de estos modelos con técnicas tradicionales de predicción meteorológica en términos de precisión y escalabilidad.
<br>Contacto: [email protected] <b></b>
</div>
</div>
<!-- <div class="content_fullwidth"> -->
<!-- <p><h2><center>DE ACUERDO, ¿COMO ME MATRICULO?</center></h2></p> -->
<!-- <p> Al ser un máster muy especializado sólo hay un máximo de 25 plazas. Hay que hacer una preinscripción, que puedes realizar tanto en la Secretaria de la Facultad de Ciencias de la Universidad de Cantabria, rellenando un formulario impreso, como on-line a través de la plataforma de la UIMP:</p> -->
<!-- <br/> -->
<!-- <p align="center"><b><font color="red">El plazo de preinscripción está abierto hasta el 18 de Septiembre, pero no lo dejes para el último día!</font></b></p> -->
<!-- <br/><br/> -->
<!-- <p align="center"><a href="preinscripcion.html" class="readmore_but13"> Preinscribase desde aqui <i class="fa fa-arrow-circle-right"></i></a></p> -->
<!-- </div> -->
</div>
<div class="clearfix margin_top4"></div>
<div class="footer1">
<div class="container">
<div class="one_fourth">
<ul class="faddress">
<p align="center"><img src="images/logo_3.png" alt="" /></p>
<p align="center">Master en Data Science</p>
</ul>
</div><!-- end address -->
<div class="one_fourth">
<div class="ftags">
<br/><br/>
<p align="center"><a href="http://www.csic.es" target="blank"> <img src="images/csic.jpg" title ="csic" alt="csic" /></a><br/>Consejo Superior<br/>Investigaciones Científicas</p>
</div>
</div>
<div class="one_fourth">
<div class="twitter_feed">
<br/><br/>
<p align="center"><a href="http://www.uimp.es" target="blank"> <img src="images/uimp.jpg" title ="uimp" alt="uimp" /></a><br/>Universidad Internacional<br/>Menéndez Pelayo</p>
</div>
</div>
<div class="one_fourth last">
<br/><br/>
<p align="center"><a href="http://www.unican.es" target="blank"> <img src="images/uc.jpg" title ="uc" alt="uc" /></a><br/>Universidad de Cantabria</p>
</div>
</div>
</div>
<div class="clearfix"></div>
<div class="copyright_info">
<div class="container">
<div class="one_half">
<!-- <i class="fa fa-pencil"></i> <a class="nav-link " href="preinscripcion.html">Preinscripcion</a> -->
<!-- | -->
<i class="fa fa-comment"></i> <a class="nav-link " href="faq.html">Preguntas Frecuentes</a>
|
<i class="fa fa-envelope"></i> <a class="nav-link " href="contacto.html">Contacto</a>
</div>
<div class="one_half last">
<ul class="footer_social_links">
Copyright © 2020 | Todos los derechos reservados.
</ul>
</div>
</div>
</div>
<a href="#" class="scrollup">Scroll</a>
</div>
<!-- ######### JS FILES ######### -->
<!-- get jQuery from the google apis -->
<script type="text/javascript" src="js/universal/jquery.js"></script>
<!-- style switcher -->
<script src="js/style-switcher/jquery-1.js"></script>
<script src="js/style-switcher/styleselector.js"></script>
<!-- SLIDER REVOLUTION 4.x SCRIPTS -->
<script type="text/javascript" src="js/revolutionslider/rs-plugin/js/jquery.themepunch.plugins.min.js"></script>
<script type="text/javascript" src="js/revolutionslider/rs-plugin/js/jquery.themepunch.revolution.min.js"></script>
<!-- mega menu -->
<script src="js/mainmenu/bootstrap.min.js"></script>
<script src="js/mainmenu/fhmm.js"></script>
<!-- jquery jcarousel -->
<script type="text/javascript" src="js/carousel/jquery.jcarousel.min.js"></script>
<!-- scroll up -->
<script src="js/scrolltotop/totop.js" type="text/javascript"></script>
<!-- tabs -->
<script src="js/tabs/assets/js/responsive-tabs.min.js" type="text/javascript"></script>
<!-- jquery jcarousel -->
<script type="text/javascript">
jQuery(document).ready(function() {
jQuery('#mycarouselthree').jcarousel();
});
</script>
<!-- accordion -->
<script type="text/javascript" src="js/accordion/custom.js"></script>
<!-- REVOLUTION SLIDER -->
<script type="text/javascript" src="js/revolutionslider/rs-plugin/js/custom.js"></script>
<!-- sticky menu -->
<script type="text/javascript" src="js/mainmenu/sticky.js"></script>
<script type="text/javascript" src="js/mainmenu/modernizr.custom.75180.js"></script>
<!-- progress bar -->
<script src="js/progressbar/progress.js" type="text/javascript" charset="utf-8"></script>
<!-- cubeportfolio -->
<script type="text/javascript" src="js/cubeportfolio/jquery.cubeportfolio.min.js"></script>
<script type="text/javascript" src="js/cubeportfolio/main4.js"></script>
<!-- carousel -->
<script defer src="js/carousel/jquery.flexslider.js"></script>
<script defer src="js/carousel/custom.js"></script>
<!-- lightbox -->
<script type="text/javascript" src="js/lightbox/jquery.fancybox.js"></script>
<script type="text/javascript" src="js/lightbox/custom.js"></script>
<script type="text/javascript">
// Menu drop down effect
$('.dropdown-toggle').dropdownHover().dropdown();
$(document).on('click', '.fhmm .dropdown-menu', function(e) {
e.stopPropagation()
})
</script>
</body>
</html>