Defensa de tesis: 'Dynamic non-parametric Bayesian clustering of time series'

Muchos sistemas revelan su naturaleza a través de la repetición: un corazón que late, una ola llegando a una costa, una máquina que cicla a través de sus modos de operación. La pregunta fundamental no es solo qué formas se repiten, sino cuántas son, cómo evolucionan y cómo se relacionan en secuencia. Esta tesis presenta el Proceso de Dirichlet Hierárquico - agrupación de procesos gaussianos (HDP-GPC), un modelo bayesiano no paramétrico que infiere un número ilimitado de prototipos de grupos en evolución a partir de datos secuenciales, con incertidumbre calibrada y alineación temporal explícita. La validación en el análisis de arritmias de ECG, en la diferenciación clínica del síndrome de Takotsubo del infarto de miocardio, y en la agrupación de espectros de olas oceánicas demuestra que la agrupación parsimoniosa e interpretable puede convertirse en sí misma en una herramienta para descubrir los fenómenos subyacentes.

Directores: Paulo Félix Lamas y Jesús Rodríguez Presedo