Grupos de inestigación de la UB

Big Data & Data Science

QUIÉNES SOMOS

Equipo

Investigador principal: Dr. Jordi Vitrià.
Colaboradores: Dr. Santi Seguí y Dr. Oriol Pujol.

Instalaciones y equipamentos

El grupo tiene a su disposición un gran clúster formado por más de 500 núcleos de procesamiento en el Departamento de Matemática Aplicada y Análisis de la Facultad de Matemáticas de la UB que hace posible abordar proyectos con requerimientos de cálculo importantes.

CONTACTO

Universitdad de Barcelona. Departamento de Matemática Aplicada y Análisis (MAIA), Facultad de Matemáticas. Gran Vía, 585, 08007 Barcelona.

Presentación

Data Science & Big Data trabaja en dos grandes  ámbitos:

•        Análisis de datos estructuradas y semiestructuradas: modelos predictivos, clasificación y regresión.

•        Análisis de bases de datos de imágenes: agrupación, etiquetado automático y búsqueda por contenido.

QUÉ HACEMOS

Servicios

El grupo está abierto a ofrecer las siguientes modalidades de servicios:

  • Desarrollo de proyectos a medida.
  • Acompañamiento de proyectos. Tareas de asesoramiento y seguimiento de proyectos de la empresa mediante sesiones de trabajo conjuntas.
  • Formación a medida. Realización de cursos intensivos en empresas. Los cursos están diseñados como parte de la creación de un departamento o equipo de ciencia de datos dentro de una empresa convencional y va dirigido a personas del ámbito técnico que quieren reciclarse.

PARA QUIÉN TRABAJAMOS

Sectores

La ciencia de datos se puede aplicar a un amplio conjunto de áreas que incluyen la analítica predictiva en el ámbito de la salud, el análisis de negocios, la investigación en ciencias sociales, el periodismo basado en datos, publicidad y marketing, transporte inteligente, ciudades inteligentes, educación, comercio minorista, las políticas públicas, etc.

RESULTADOS

Actividades de transferencia

  • Análisis de datos bancarios para la determinación de perfiles de clientes.
  • Análisis de datos transaccionales bancarios (TPV) para la creación de modelos predictivos sobre el territorio.
  • Análisis de datos de los procesos de inspección técnica de vehículos para la creación de un modelo predictivo de averías.
  • Análisis de la producción de noticias de una cadena de TV por la extracción de información: geolocalización de las noticias, análisis de sentimiento de la noticia, etc.
  • Análisis de una gran base de datos de imágenes (3 millones) para la creación de un modelo predictivo sobre la calidad fotográfica.
  • Postgrado en Data Science & Big Data de la UB.

Publicacioness relevantes

  • Santi Seguí, Oriol Pujol and Jordi Vitrià, Learning to count with deep object features, 2015 IEEE Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), Deep Visio Workshop.
  • M.A. Bautista, O. Pujol, F. de la Torre, S. Escalera, Error-Correcting Factorization, arXiv preprint arXiv: 1502.07976, 2015.
  • Bautista, Miguel Ángel, et al. On the design of an ECOC-Compliant Genetic Algorithm. Pattern Recognition 47.2 (2014): 865-884.
  • Drozdzal, M., Segui Mesquida, S., Radeva, P., Vitria, J., Igual-munoz, L., Malagelada, C., & Azpiroz, F. (2015). System and method for displaying motility events in an in vivo image stream. U.S. Patent No. 20, 150,016,700. Washington, DC: U.S. Patent and Trademark Office.
  • S Seguí, L Igual, J Vitria, Bagged One-Class Classifiers in the Presence of Outliers, International Journal of Pattern Recognition and Artificial Intelligence 27 (05), 2014.
  • Pujol, Oriol, Petia Radeva, and Jordi Vitria. Discriminant ecoc: A heuristic method for application dependent design of error correcting output codes. Pattern Analysis and Machine Intelligence, IEEE Transactions on 28.6 (2006): 1007-1012.
Comparte esta entrada: