Resumen del trabajo fin de master

Las últimas investigaciones que se han publicado recientemente en la literatura científica relacionadas con modelos supervisados de clasificación/regresión, proponen modificaciones interesantes sobre este tipo de algoritmos, que permiten calcular y actualizar en tiempo real los modelos, mejorando significativamente la capacidad de adaptación y autoaprendizaje de estos métodos durante el procesado de flujos de datos (continuos o discretos) no estacionales a lo largo del tiempo. Estas técnicas, conocidas habitualmente como online learning, permiten evolucionar los modelos en tiempo real, siendo innecesaria la planificación de procesos en paralelo para re-calcular y monitorizar su comportamiento o prestaciones, en caso de que las relaciones estadísticas de las variables de entrada consideradas cambien con el tiempo, permitiendo un uso más eficiente de los recursos computacionales (memoria, cpu, etc.) y datos disponibles, así como el aprendizaje automático de nuevos patrones que no hayan sido tenidos en cuenta con anterioridad durante la fase de entrenamiento. Sin embargo, y debido a la complejidad del problema a resolver, sigue habiendo limitaciones importantes relacionadas con todas estas propuestas que hacen que las soluciones y las líneas de investigación relacionadas con el online learning sigan abiertas a nuevas contribuciones. Durante este proyecto, el alumno se familiarizará con algunos de estos algoritmos, analizando sus prestaciones y proponiendo soluciones alternativas para mejorar sus limitaciones.