El presente es un proyecto de investigación básica en el área de Aprendizaje Automático, mas especificamente,
consiste en el desarrollo de algoritmos para el aprendizaje automático a partir de observaciones de redes de Markov.
Estas redes son una herramienta computacional para el modelado eficiente de distribuciones de probabilidad, que
utiliza grafos no dirigidos para facilitar la representacion de problemas complejos. Estas redes codifican en sus nodos
al conjunto de variables aleatórias de la distribución, y en sus aristas al conjunto total de independencias condicionales
existentes entrelas variables aleatorias. Con estas redes es posible factorizar distribuciones de probabilidad conjuntas
como productorias de funciones de sub-conjuntos de variables aleatorias, resultando en la práctica en una reducción
drástica de la dimensionalidad, y con ello en un aumento exponencial en la eficiencia de tres aspectos: (i) cómputo de
inferencia probabilistica a partir de esta distribución, (ii) memoria para almacenar los parámetros numéricos de la red,
y (iii) cantidad de observaciones necesarias para estimar con precisión suficiente sus parámetros numéricos.. Esta
investigación es la mas antigua de nuestro laboratorio, con sus inicios en la investigación doctoral del director del
laboratorio (y el propuesto para este proyecto), el Dr. Bromberg, allá por el año 2002 discover here. En instancias anteriores de esta
temática de investigación se formó dos doctores (Dr Schlüter y Dr Edera), ambos Ingenieros en Sistemas egresados
de nuestra FRM, y miembros del presente proyecto. Actulamente se suma la becaria doctoral Ing. Strappa. Todo esto
lleva a que el proyecto esté compuesto por tres lineas de investigación en el área. Todas ellas apuntan al diseño de
algoritmos que aprendan las estructuras de Markov de manera efectiva y eficiente en términos de datos, permitiendo
obtener con ellos estructuras de mejor calidad que las obtenidas por los algoritmos del estado del arte.