E.T.S. de Ingeniería Informática, Juan del Rosal, 16, 28040-Madrid. 91-398-7209
Teléfono de contacto

Oferta de líneas de investigación para TFM

Algunas líneas de investigación ofertadas para futuros Trabajos Fin de Máster (TFM)

Aquí se proponen líneas y ofertas orientadas al TFM del Máster Universitario en Investigación en Inteligencia Artificial (27 créditos), para ofertas similares en otros másteres, por favor consulten directamente con los equipos docentes correspondientes.

Líneas usuales de trabajo e histórico de TFM

Para una primera aproximación, se pueden consultar las páginas de los tres principales grupos de investigación del departamento: SIMDAADENU y CISIAD, así como del Centro de Investigación PhyUM. Las memorias de TFM defendidos y aprobados, cuyos autores han autorizado su publicación, se pueden consultar en el depósito de TFMs del Dpto. de Inteligencia Artificial en e-Spacio-UNED. Se facilitan abajo algunos resúmenes adicionales de propuestas específicas.

Las propuestas que se ofertan a continuación están pensadas para su realización durante las 675h previstas (27 ECTS), asumiendo que el estudiante tiene los conocimientos de partida requeridos. Si no fuera así, la adquisición de dichos conocimientos debe sumarse a las horas de realización del TFM. Para conocer una estimación de dichas horas, puede ponerse en contacto con el equipo docente del TFM propuesto. En todo caso, a la hora de hacer la matrícula, el estudiante debe ser consciente de que el TFM equivale en créditos a casi cinco asignaturas del Máster, por lo que la disponibilidad de tiempo y la constancia en el trabajo resultan ser dos requisitos imprescindibles para su terminación con éxito.

Directores: Enrique J. Carmona Suárez, Jorge Pérez Martín y Olga C. Santos.

Descripción breve: Esta propuesta de TFM se enmarca en un proyecto de investigación que tiene como objetivo el desarrollo de una plataforma inteligente para la generación de precios dinámicos de la carta de restaurantes. El TFM consistirá en analizar el problema a resolver, buscar en el estado del arte posibles alternativas, seleccionar las más prometedoras y compararlas entre sí y con otros sistemas existentes. Existe la posibilidad de recibir financiación para realizar el TFM.

Requisitos: Buen expediente académico y nivel alto de inglés. Experiencia en el uso de Python. Se buscan, ante todo, estudiantes a quienes les guste la investigación, sean buenos programadores y tengan interés en reportar en foros científicos los resultados que se vayan obteniendo.

Asignaturas recomendadas: Minería de Datos, Computación Evolutiva, Métodos Probabilistas, Aprendizaje Profundo y Métodos Simbólicos.

Directores: Víctor Fresno y Álvaro Rodrigo.

Descripción breve: El objetivo de esta línea de investigación es la aplicación de sistemas inteligentes dentro del contexto del Procesamiento del Lenguaje Natural en el ámbito de la innovación educativa: soporte a la autoría, recopilación y reutilización de contenidos generados por la UNED, así como su analítica; y gestión de actividades y de procesos de (auto) evaluación, entre otras.

Requisitos: El alumno/a que se presente como candidato para realizar este proyecto debe reunir los siguientes requisitos: buen expediente académico, nivel alto de inglés, conocimientos avanzados de programación, haber cursado las asignaturas de Descubrimiento de Información en textos, Fundamentos del Procesamiento Lingüístico y Minería de Datos. Para esta línea de investigación buscamos ante todo estudiantes a quienes les guste la investigación.

Directores: Elena Gaudioso Vázquez y Félix Hernández del Olmo.

Descripción breve: El proyecto de investigación tiene como objetivo utilizar técnicas de aprendizaje automático para optimizar la eficiencia energética en las depuradoras de aguas residuales. Para ello, se recopilarán datos de la planta de tratamiento y se utilizarán algoritmos de aprendizaje automático para analizarlos y encontrar patrones en el consumo energético. Con esta información, se podrán identificar áreas de mejora y desarrollar un modelo predictivo que permita optimizar el consumo de energía y reducir los costos operativos de la planta. El proyecto puede tener un impacto significativo en la sostenibilidad ambiental, al reducir el impacto de la depuración de aguas residuales en el medio ambiente y mejorar la eficiencia energética de las plantas de tratamiento.

Requisitos: Estar motivado.

Asignaturas recomendadas: Dependerá de los conocimientos e inquietudes del alumno.

Trabajos de investigación:
Aspectos teóricos y aplicados de la Computación Evolutiva

Director: Enrique J. Carmona Suárez.

Descripción breve: Los proyectos que se proponen en esta página están vinculados a la investigación relacionada con aspectos teóricos y aplicados de la Computación Evolutiva y de sus diferentes algoritmos (algoritmos genéticos, estrategias evolutivas y programaciónn genética), que se lleva a cabo en el Dpto. de Inteligencia Artificial de la UNED.

Requisitos: El alumno que se presente como candidato para realizar este proyecto debe reunir los siguientes requisitos: buen expediente académico, nivel alto de inglés, conocimientos avanzados de programación y haber cursado la asignatura de Computación Evolutiva, impartida en este máster; adicionalmente, se valorará especialmente el haber cursado asignaturas de visión artificial, aprendizaje automático o electrónica. Para esta línea de investigación buscamos, ante todo, alumnos a quienes les guste la investigación y sean, además, buenos programadores.

Directores: Enrique Amigó y Víctor Fresno.

Descripción breve: Estamos viviendo un momento efervescente para el área de investigación en Procesamiento del Lenguaje Natural. Específicamente, en el campo semántico encontramos nuevos enfoques estadísticos y modelos basados en redes neuronales profundas que han mejorado notablemente los sistemas de tratamiento de información textual. La mayoría de estos avances se han planteado desde un enfoque supervisado. Como es bien sabido y discutido en estos últimos años, el principal inconveniente de estas aproximaciones es que no permiten "entender" e "interpretar" la salida del sistema. Por el contrario, el enfoque no supervisado consiste en explotar las redes neuronales y técnicas de pre-entrenamiento para representar palabras u otras unidades lingüísticas en forma de vectores (word embeddings). El segundo paso es definir modelos de composición del lenguaje para representar y operar con unidades lingüísticas más complejas como frases, documentos. Así pues, el principal objetivo en esta línea de investigación es, partiendo de las representaciones vectoriales semánticas de palabras individuales, estudiar modelos de composición que nos permitan extraer el contenido semántico de un fragmento de texto mayor que una palabra.

Requisitos: El alumno/a que se presente como candidato para realizar este proyecto debe reunir los siguientes requisitos: buen expediente académico, nivel alto de inglés, conocimientos avanzados de programación, haber cursado las asignaturas de Descubrimiento de Información en textos, Fundamentos del Procesamiento Lingüístico y Minería de Datos. Para esta línea de investigación buscamos ante todo estudiantes a quienes les guste la investigación.

Directores: Mariano Rincón y Jorge Pérez Martín.

Descripción breve: El aumento y disponibilidad de datos, junto con el aumento de la potencia computacional, nos permiten aprovechar técnicas de inteligencia artificial y de aprendizaje profundo para extraer y aprender características de los datos. Uno de los campos donde estas técnicas están dando buenos resultados es en el análisis de imagen médica. Esta línea de trabajos se orienta al desarrollo de modelos de deep learning para el tratamiento de imágenes médicas en distintos campos de aplicación. Los problemas que se abordarán son, entre otros, los siguientes:

  • caracterización, evaluación y clasificación de imágenes,
  • localización, segmentación y clasificación de objetos de interés,
  • segmentación semántica de imágenes,
  • interpretación de imágenes,
  • integración multimodal,
  • etc.

Requisitos: Buen expediente académico, nivel alto de inglés y conocimientos avanzados de programación.

Asignaturas recomendadas: Aprendizaje Profundo, Minería de datos y Visión artificial.

e-Ciencia en Astronomía

Director: Luis Manuel Sarro Baro.

Descripción breve: Los trabajos Fin de Máster ofertados en esta línea consisten en el diseño, desarrollo y evaluación de sistema expertos que reproduzcan tareas propias de la investigación científica, en particular en el área de la Astrofísica. Por lo general, suelen consistir en problemas de razonamiento aproximado para los cuales se requiere de modelos automáticos de inferencia probabilística, que en ocasiones (aunque no siempre) pueden ser abordados desde la Minería de Datos. Los datos suelen ser muy abundantes en este dominio, bien obtenidos de las bases de datos públicas, bien sintéticos. El estudiante deberá demostrar destreza en las cuestiones de IA involucradas, y de la parte más propiamente astrofísica sólo deberá conocer lo imprescindible para llevar a buen término su proyecto, obviamente con la ayuda y explicaciones del director.

Requisitos: El alumno/a que se presente como candidato para realizar este proyecto debe reunir los siguientes requisitos: buen expediente académico, nivel alto de inglés, conocimientos avanzados de programación, haber cursado la asignatura de Minería de Datos; adicionalmente, se valorará haber cursado asignaturas de estadística, visión artificial o métodos probabilistas. Para esta línea de investigación buscamos, ante todo, alumnos/as a quienes les guste la investigación y sean, además, buenos programadores.

FusiSens

Director: Rafael Martínez Tomás.

Descripción breve: NAO es un robot humanoide con capacidades de sensorización particularmente limitadas para su labor asistencial y social. Se pretende integrar sus capacidades propias sensoriales con externas procedentes de otro tipo de sensores, por ejemplo, tipo kinect.

Metodología: El objetivo planteado de integración lleva implicito la necesidad de diseñar un sistema de reoconocimiento de determinados movimientos del paciente relevantes en la intervención, desde una kinect. Pero el trabajo debería ir más allá de un mero desarrollo software, conlleva el trabajo con eventos reconocibles, con comunicación con el robot, fusión de la información desde el o los micrófonos, y la integración de todos estos elementos para la toma de decisiones de respuesta de NAO.

Requisitos: Conocimientos de comunicaciones, de desarrollo de software y de representación y modelado del conocimiento. El master debería haber aportado conocimientos de robótica, razonamiento y representación del conocimiento suficientes para empezar pero sin duda requerirá iniciativa para seleccionar herramientas adecuadas y elaborar y diseñar modelos propios.

IdenConcept

Director: Rafael Martínez Tomás.

Descripción breve: Uno de los test más sencillo pero que proporciona una información más rica para la evaluación del estado cognitivo de una persona es el test de producción oral. Al paciente se le pide que enuncie conceptos asociados a características semánticas de determinados objetos u seres animados. Es un test que puede proporcionar mucha información para estudiar las diferentes enfermedades y su afectación a determinados contenidos semánticos. Así como la influencia de los factores medioambientales. Esto lo hace habitualmente una persona experta que transcribe y recuenta esta producción oral, pero es un proceso, que si se pretende extender a una muestra amplia es muy costoso y lento. Pretendemos desarrollar un sistema que pueda automatizar este proceso en basa a la identificación en la voz de términos coherentes. Permitiría entrar a valorar y analizar otro tipo de características que quizá, y para los registros, no se tienen en cuenta, como tiempos, tonalidades, sentimientos, etc.

Metodología: Empezar con librerías y técnicas habituales en reconocimiento de la voz. Trabajar con diccionarios asociados a los contenidos semánticos que se quieren identificar. Evaluación de otros tipos de características que puedan, a juicio de los expertos, ser significativas y por lo tanto interesantes de identificar y registrar.

Requisitos: Conocimientos de procesamiento del lenguaje natural, de desarrollo de software y de representación y modelado del conocimiento. El master debería haber aportado conocimientos NLP, razonamiento y representación del conocimiento suficientes para empezar con librerías y técnicas conocidas pero sin duda requerirá iniciativa para seleccionar herramientas adecuadas y elaborar y diseñar modelos propios.

DirectorJosé Manuel Castillo.

Resumen: Las Redes Neuronales Híbridas (HyNN) se han diseñado para procesar e integrar información de múltiples modalidades o fuentes, aunque estas adolecen de una buena generalización y robustez en determinados ámbitos de datos. Así, las imágenes sintéticas generadas artificialmente en lugar de capturadas del mundo real es una transformación de datos de un formato a otro formato diferente del original. Esta transformación se llama sintética, ya que proviene de una transformación de un dato real a otro sintético, en este caso, a una imagen sintética. Estas imágenes sintéticas adaptadas a los modelos refuerzan el proceso de aprendizaje, añadiendo robustez y generalización al modelo final.

En general, el área de investigación pretende avanzar en la comprensión de cómo las técnicas de refuerzo pueden aplicarse eficazmente a las HyNNs, específicamente cuando se trata de imágenes sintéticas, y explorar las posibles implicaciones y consideraciones prácticas de dicho enfoque.

Líneas de actuación: El área de investigación propuesta tiene las siguientes líneas de actuación (el alumnado interesado en alguna de estas líneas se pondrá en contacto con el docente para definirla en su proyecto):

  • Eficacia de las imágenes sintéticas en HyNNs: Investigar el rendimiento de las HyNNs añadiendo la entrada de imágenes sintéticas en cuanto a la generalización y robustez del modelo.

  • Generalización a escenarios reales: Evaluar la capacidad de HyNNs con el reforzamiento de las imágenes sintéticas en problemas del mundo real, evaluando su rendimiento en situaciones no encontradas durante el entrenamiento.

  • Eficiencia de los datos: Examinar si el aprendizaje con imágenes sintéticas conduce a modelos más eficientes en términos de datos en comparación con los enfoques tradicionales, especialmente cuando la adquisición de grandes cantidades de datos de imágenes es un reto.

  • Robustez y transferibilidad: Evaluar la robustez de los modelos entrenados y su transferibilidad a diferentes tareas o dominios, comprendiendo hasta qué punto el conocimiento obtenido a partir de imágenes sintéticas puede aplicarse en diversos escenarios. Esta subárea incluye el análisis de explicabilidad e interpretabilidad de los modelos híbridos.

  • Aplicaciones y limitaciones: Identificar aplicaciones prácticas en las que el enfoque de las HyNNs con imágenes sintéticas podría ser beneficioso, así como comprender las limitaciones y retos asociados a esta metodología.

Requisitos previos: Los candidatos deberán tener conocimientos de programación en Python y en las siguientes áreas: Reconocimiento de Patrones y Machine/Deep Learning.

Asignaturas recomendadas: Minería de Datos y Visión Artificial.

Contacto: <manuelcastillo@dia.uned.es>

Inteligencia Artificial para el desarrollo humano y sostenible

Directora: Ángeles Manjarrés Riesco.

Descripción breve: Las líneas de investigación para Trabajos Fin de Master que aquí se describen están vinculadas a los contenidos de la asignatura “Aplicaciones de la Inteligencia Artificial para el desarrollo humano y sostenible”. Atañen pues esencialmente a la Inteligencia Artificial (IA) como ingeniería y/o como ciencia, pero también a disciplinas muy conectadas a ella desde su origen - tales como la neurofisiología, la psicología, la filosofía o la sociología - y a disciplinas implicadas en el concepto de “Tecnología para el Desarrollo Humano y Sostenible” (TDHS) - tales como la economía, la política, los estudios CTS (Ciencia, Tecnología y Sociedad), la cooperación para el desarrollo de carácter tecnológico o las ciencias medioambientales -. La investigación en el ámbito de la IA se ubica principalmente en las áreas de Representación del Conocimiento (Ontologías y Web semántica), y Modelado de usuario y Sistemas Recomendores (aplicados a sistemas de enseñanza-aprendizaje, sistemas psicoterapéuticos y sistemas de gestión de ONGD), pudiendo implicar diversas técnicas de aprendizaje computacional y minería de datos. Se contempla la posibilidad de codirectores que no pertenezcan al departamento de IA de la UNED sino a otros centros de investigación u organizaciones con experiencia en al ámbito de la TDHS y la cooperación para el desarrollo.

Requisitos: Para la selección de candidatos se valorará el currículum académico en sus aspectos convencionales. Preferentemente se valorará el perfil en Informática pero también se tendrán en cuenta los méritos relacionados con las diferentes disciplinas científicas, técnicas y humanísticas mencionadas en la sección anterior. En lo que respecta a conocimientos específicos para el desarrollo de software se valorarán principalmente el conocimiento de tecnologías web, ontologías y web semántica; y también de tecnología móvil y animación digital.

Laboratorio de Cibernética

Descripción breve: Dentro de las líneas de trabajo del grupo SIMDA, ofrecemos trabajos de investigación orientados a TFM en robótica autónoma. En particular, nuestra investigación se centra en algoritmos de navegación autónoma basados en propiedades geométricas del espacio, sistemas multi-robot, interacción robot-humano y control de robots mediante el uso de procesadores biológicos (cultivos celulares). Si estás interesado en realizar tu TFM con nosotros, visita nuestra página web donde encontrarás información ampliada sobre los temas y requisitos necesarios.

Directora: Raquel Martínez.

Descripción breve: La mayor parte de la documentación generada por instituciones, empresas y por usuarios particulares (por ejemplo en redes sociales), es información no estructurada: texto libre, cuyo análisis presenta retos no resueltos en el estado del arte. Esta oferta de TFM se centra en la propuesta de técnicas de procesamiento de lenguaje natural supervisadas y no supervisadas para la adquisición de conocimiento y su aplicación en tareas de diversos dominios.

Requisitos: buen expediente académico, nivel alto de inglés, conocimientos avanzados de programación (Java y/o Python).

Asignaturas recomendadas: Fundamentos del Procesamiento Lingüístico, Descubrimiento de Información en Textos y Minería de Datos.

Modelado basado en agentes mediante NetLogo

Director: Severino Fernández Galán.

Descripción breve: El objetivo de la presente línea para la realización del Trabajo Fin de Máster es que el alumno investigue algún problema de inteligencia artificial que pueda ser modelado mediante agentes. Para ello se utilizará el entorno NetLogo, que permite modelar y visualizar sistemas complejos compuestos por un alto número de agentes.

Requisitos: La correcta realización de este trabajo fin de máster requiere alumnos: amantes de la investigación, con habilidades para la programación, con nivel alto de inglés y con buen expediente académico. Este trabajo puede demandar por parte del alumno tanto la capacidad para trabajar en grupo como individualmente. Dado que la asignatura de trabajo fin de máster consta de 27 créditos ECTS (equivalente a cuatro asignaturas y media optativas del máster), la disponibilidad de tiempo y la constancia en el trabajo resultan dos requisitos imprescindibles.

Modelos gráficos probabilistas y sus aplicaciones

Directores: Manuel Arias CallejaFrancisco Javier Díez VegasJorge Pérez Martín.

Descripción breve: Los proyectos que proponemos en esta página están vinculados a la investigación sobre modelos gráficos probabilistas (entre los cuales se encuentran las redes bayesianas, los diagramas de influencia, los procesos de decisión de Markov factorizados, etc.), que se lleva a cabo en el Dpto. de Inteligencia Artificial de la UNED y en el CISIAD. Dentro de este máster, estos modelos se estudian en la asignatura Métodos Probabilistas en IA. Tanto para los trabajos de algoritmia como para los de aplicación se utilizará generalmente el programa OpenMarkov.

Requisitos: buen expediente académico y alto nivel de inglés. Para un trabajo sobre algoritmos es necesario tener conocimientos avanzados de Java. Para realizar una aplicación, por ejemplo en medicina o en alguna rama de la industria, es necesario conocer bien el dominio y/o contar con la ayuda de un experto.

Directora: Olga C. Santos.

Descripción breve: Existen muchas actividades que requieren el aprendizaje de habilidades motoras específicas (como tocar un instrumento musical, practicar deporte o artes marciales, etc.) así como para monitorizar la adquisición de hábitos relacionados con la actividad física (p.e. orientados al envejecimiento activo). Aunque existen sistemas que facilitan el entrenamiento de movimientos específicos, no suelen tener en cuenta las características individuales de cada persona durante su ejecución y por tanto, no adaptan su respuesta a las necesidades concretas del usuario en función de sus habilidades, objetivos, progreso, etc. En este contexto, desde PhyUM se propone la realización de TFM orientados a la personalización del aprendizaje psicomotor que aborden tareas de investigación centradas en la recogida, detección, análisis, interpretación, realimentación, etc. que involucren datos asociados al movimiento humano, considerando como entrada datos capturados por medios ópticos y/o inerciales y como salida diversas opciones de realimentación multisensorial.

Requisitos: Buen expediente académico y nivel alto de inglés. Conocimientos de técnicas de detección de movimientos mediante imágenes y/o medidas inerciales, de aprendizaje automático, y de representación y modelado del conocimiento. Se requerirá iniciativa para seleccionar herramientas adecuadas y elaborar y diseñar propuestas propias. Se buscan, ante todo, estudiantes a quienes les guste la investigación, sean buenos programadores y tengan interés en reportar en foros científicos los resultados que se vayan obteniendo.

Asignaturas recomendadas: Los estudiantes que quieran realizar un TFM en esta temática, deberán cursar obligatoriamente las asignaturas de Minería de Datos y Aprendizaje Profundo. Las otras tres asignaturas optativas de contenidos que deben cursar dependerán del planteamiento concreto del TFM y de los intereses del estudiante.

Predicción de series temporales mediante modelos de inteligencia artificial.

Director: José Luis Aznarte.

La predicción del futuro ha sido y es una obsesión frecuente en el ser humano, y, desde el punto de vista matemático, ha sido abordada en los últimos dos siglos por un campo de conocimiento llamado análisis de series temporales. La idea es estudiar el pasado de conjuntos de datos ordenados en el tiempo para poder anticipar su comportamiento futuro, y tiene muchas aplicaciones prácticas (no todas relacionadas con asuntos financieros).

Esta línea de trabajos fin de máster plantea el abordaje de este problema desde la inteligencia artificial (IA): se tratará de procesar conjuntos de datos reales y entrenar modelos de IA que sean capaces de capturar el comportamiento intrínseco y las características dinámicas de ciertas series temporales. Algunos ejemplos: predicción de concentraciones de polen aerosuspendido; predicción de la contaminación en el aire por dióxido de nitrógeno, ozono o partículas; predicción de la ubicación de intervenciones policiales; predicción de la producción de electricidad solar o eólica, predicción de terremotos... La lista no es exhaustiva y también es posible considerar series temporales que el propio alumnado proponga en esta línea.

Más información en el enlace de oferta de TFM de José Luis Aznarte

Sistemas adaptativos de educación e ingeniería de factores humanos

Directores: Jesús González BoticarioAlejandro Rodríguez AscasoOlga C. Santos.

Descripción breve: Los proyectos que proponemos en esta página están vinculados a la investigación sobre SAE: sistemas adaptativos de educación e ingeniería de factores humanos (realizada por el grupo aDeNu, entre los cuales se encuentran: los sistemas de e-inclusion, e-mentoring y e-coaching de apoyo a la vida diaria de las personas con diversidad funcional (discapacidad); las arquitecturas abiertas y basadas en estándares de soporte al aprendizaje personalizado; los sistemas de colaboración (CSCL) y aprendizaje adaptativos; la interacción HCI (Interacción Persona-Máquina) en entornos deslocalizados y móviles de aprendizaje, etc.), que se lleva a cabo en Dpto. de Inteligencia Artificial de la UNED y en los proyectos de investigación del grupo aDeNu. Estas investigaciones están relacionadas especialmente con la asignatura Sistemas Adaptativos en Educación y con otras relacionadas (Métodos de Aprendizaje, Minería de Datos, Interfaces Adaptativos, etc.)

Conocimientos necesarios: El alumno/a que se presente como candidato para realizar este proyecto debe presentar buen expediente académico y nivel alto de inglés. Se valorarán conocimientos sobre: (1) lenguajes: Tcl-Tk, Perl, Bash, PHP, Javascript, XML, HTML, Lisp, Java, UML, (2) Bases de datos: Oracle, PostgreSQL, MySQL, (3) Ingeniería de software: Proceso Unificado (RUP), programación extrema (“eXtreme Programming”), metodología ágil, en definitiva se esperan las calidades aplicadas en comunidades de código abierto, (4) Técnicas de web semántica (OWL, OWL-S, SWRL…), (5) conocimiento y uso de estándares: IMS/CP, IMS/QTI, SCORM, LOM… y (6) conocimientos y experiencia en usabilidad y/o accesibilidad web.