Person: Hidalgo Pérez, José Ignacio
Loading...
First Name
José Ignacio
Last Name
Hidalgo Pérez
Affiliation
Universidad Complutense de Madrid
Faculty / Institute
Informática
Department
Arquitectura de Computadores y Automática
Area
Arquitectura y Tecnología de Computadores
Identifiers
2 results
Search Results
Now showing 1 - 2 of 2
- Project number: 351
Item Desarrollo de algoritmos predictivos por inteligencia artificial (Deep-learning) para asegurar el éxito del alumno(2021) López Farré, Antonio José; García Fernández, Miguel Ángel; Collado Yurrita, Luis Rodolfo; Álvarez-Salas Walther, Luis Antonio; Zamorano León, José Javier; Calle Purón, María Elisa; Giner Nogueras, Manuel; Lahera Juliá, Vicente; Hidalgo Pérez, José Ignacio; Gómez García, María Victoria; Fernández López, María Josefa; Serrano Ruiz Calderón, Rocío Milagros; Hernández Artiles, Marta; Hernández Ramón, Silvia; Freixer Ballesteros, Gala; Zekri, Khaoula; Larrea Cruz, María BegoñaBreve descripción La adaptación de los planes de estudio a la normativa y a los criterios propuestos por el Espacio Europeo de Educación Superior (EEES) ha conllevado un importante reto de innovación pedagógica, y cambios significativos en el proceso enseñanza-aprendizaje. El sistema universitario español acumula ya una trayectoria y un bagaje importante de experiencias, buenas prácticas e innovaciones que se han ido encaminando hacia la continua mejora de la calidad de la formación ofertada. El proceso de cambio en el que está inmersa hoy en día la Educación Superior demanda nuevos sistemas y procedimientos de enseñanza y evaluación. Dos de los cambios derivados de la implantación del EEES son la elaboración de los plantes de estudio por competencias generales, transversales y específicas, y el diseño de herramientas e iniciativas de mejora de la calidad de los programas formativos, entre otros aspectos. En el contexto anterior, en el presente proyecto se han aplicado una serie de herramientas tecnológicas con el objetivo de mejorar la actividad docente que pretenden implantarse de forma transversal entre asignaturas del grado de Nutrición y Dietética Humana de la Facultad de Medicina de la Universidad Complutense. Además, esta novedosa iniciativa podría utilizarse en cualquier asignatura de cualquier grado de cualquier Facultad de la Universidad Complutense o incluso de otras Universidades. En concreto, el proyecto identifica al comienzo del curso académico a aquellos/as alumnos/as que tendrán dificultades para superar diferentes asignaturas del grado de Nutrición y Dietética Humana, para que el profesorado tome diferentes medidas docentes preventivas desde el mismo comienzo del curso académico. La identificación de estos alumnos al comienzo del curso académico se realizó mediante técnicas de inteligencia artificial para generar un algoritmo de predicción autoalimentado, considerando fundamentalmente una serie de parámetros académicos de los alumnos/as. El proyecto busca reforzar el aprendizaje de los/as alumnos/as que presenten dificultades en superar una asignatura. Esta iniciativa Innova-Docencia es una propuesta innovadora, que conlleva la realización de una actividad común en el que han intervenido personal PDI, PAS y estudiantes. Item Blood glucose prediction using multi-objective grammatical evolution: analysis of the “agnostic” and “what-if” scenarios(Genetic Programming and Evolvable Machines, 2021) Contador, Sergio; Colmenar, J. Manuel; Garnica Alcázar, Antonio Óscar; Velasco Cabo, José Manuel; Hidalgo Pérez, José IgnacioIn this paper we investigate the benefts of applying a multi-objective approach for solving a symbolic regression problem by means of Grammatical Evolution. In particular, we extend previous work, obtaining mathematical expressions to model glucose levels in the blood of diabetic patients. Here we use a multi-objective Grammatical Evolution approach based on the NSGA-II algorithm, considering the root-mean-square error and an ad-hoc ftness function as objectives. This ad-hoc function is based on the Clarke Error Grid analysis, which is useful for showing the potential danger of mispredictions in diabetic patients. In this work, we use two datasets to analyse two diferent scenarios: What-if and Agnostic, the most common in daily clinical practice. In the What-if scenario, where future events are evaluated, results show that the multi-objective approach improves previous results in terms of Clarke Error Grid analysis by reducing the number of dangerous mispredictions. In the Agnostic situation, with no available information about future events, results suggest that we can obtain good predictions with only information from the previous hour for both Grammatical Evolution and Multi-Objective Grammatical Evolution.