@prefix config: . @prefix meta: . @prefix rdf: . @prefix rdfs: . @prefix xsd: . @prefix owl: . @prefix dc: . @prefix dcmitype: . @prefix dcterms: . @prefix foaf: . @prefix geo: . @prefix om: . @prefix locn: . @prefix schema: . @prefix skos: . @prefix dbpedia: . @prefix p: . @prefix yago: . @prefix units: . @prefix geonames: . @prefix prv: . @prefix prvTypes: . @prefix doap: . @prefix void: . @prefix ir: . @prefix ou: . @prefix teach: . @prefix time: . @prefix datex: . @prefix aiiso: . @prefix vivo: . @prefix bibo: . @prefix fabio: . @prefix vcard: . @prefix swrcfe: . @prefix frapo: . @prefix org: . @prefix ei2a: . @prefix pto: . ou:codUnescoI "120903"; ou:codUnescoIII "120304"; dcterms:title "Clasificación de patrones "; dcterms:description "La resolución de problemas de clasificación de patrones es la línea principal de nuestro grupo. La clasificación de patrones es una disciplina cuyo objetivo es desarrollar sistemas automáticos (aprendizaje automático) que asocien datos de entrada a una determinada clase preestablecida, es decir, que realicen una clasificación de los datos de entrada. Este tipo de sistemas pueden ser estadísticos, bio-inspirados, etc.. En general este 'aprendizaje' se realiza a partir de datos (patrones) previamente clasificados. Nuestro grupo ha trabajado en varios problemas de clasificación de patrones complejos durante los últimos años. Entre ellos, podemoscitar aquellos en los que los datos de entrada son imágenes, como por ejemplo: Clasificación de cubierta nubosa a partir de imágenes del Meteosat, evaluación de ganado bovino y detección de microcalcificacionesy masas en mamografías. También hemos trabajado en la clasificación de señales procedentes de arrays de sensores olfativos, con el fin de detectar la calidad del jamón ibérico.Desde hace unos años trabajamos con modelos neuronales de aprendizaje profundo, aplicados a la detección de objetos en imágenes. "; a ou:LineaInvestigacion; ou:codUnescoII "120304". ou:tieneLineaInvestigacion .