Ayudas de Máster ValgrAI
Máster Universitario en Ingeniería de Análisis de Datos, Mejora de Procesos y Toma de Decisiones
Las Ayudas de Máster ValgrAI 2026 te ofrecen la oportunidad de incorporarte a un grupo de investigación de la Unidad Mixta de Investigación (UMI) de ValgrAI y dar tus primeros pasos en la investigación aplicada en Inteligencia Artificial junto a algunos de los principales equipos de las universidades públicas valencianas. La iniciativa busca conectar al estudiantado de los másteres vinculados a ValgrAI con grupos de investigación de excelencia, facilitando una primera experiencia práctica en entornos científicos de referencia.
Las personas beneficiarias recibirán una ayuda económica asociada a un contrato de prácticas gestionado por ValgrAI para desarrollar un proyecto de investigación entre octubre y diciembre de 2026. Durante este periodo, trabajarán bajo la supervisión del personal investigador responsable de la práctica, integrándose en la actividad del grupo y participando en proyectos reales relacionados con la Inteligencia Artificial y sus aplicaciones.
Condiciones de la ayuda.
- Duración: de octubre a diciembre de 2026.
- Dedicación: 15 horas semanales.
- Dotación económica: 1.000 € brutos al mes.
- Modalidad: prácticas de investigación supervisadas en grupos de la Unidad Mixta de Investigación (UMI) de ValgrAI.
Una oportunidad para iniciar tu trayectoria investigadora.
La Unidad Mixta de Investigación de ValgrAI reúne a más de 80 investigadores e investigadoras de referencia en Inteligencia Artificial y disciplinas afines de las cinco universidades públicas valencianas, constituyendo uno de los principales ecosistemas de investigación en IA de la Comunitat Valenciana. Participar en estas prácticas te permitirá conocer de primera mano cómo se desarrolla la investigación de vanguardia, colaborar con equipos multidisciplinares y establecer vínculos con grupos que lideran proyectos científicos y de transferencia tecnológica nacionales e internacionales.
Proyectos disponibles.
Los proyectos ofertados para la realización de las prácticas en esta titulación son los siguientes:
El trabajo consistirá en la aplicación de modelos estadísticos multivariantes y de aprendizaje automático a la resolución de problemas en los que el grupo GIEM-DEIOAC está involucrado en diferentes proyectos de I+D en el ámbito industrial y clínico.
El grupo interuniversitario y consolidado ICSO Meta (https://icso.webs.upv.es/) ofrece la posibilidad de realizar las prácticas en un equipo de I+D+i que desarrolla tanto proyectos competitivos como proyectos de transferencia con empresas diversas, incluyendo la startup del grupo, ICSO Analytics (https://icso.io/). El grupo trabaja en la hibridación entre modelos de GenAI, Machine Learning, Metaheuristics, Data Analytics, y Simulation, con aplicaciones en Logística, Transporte, Seguros, Ciudades Inteligentes, Producción, etc.
Estas prácticas se realizan bajo la supervisión del Prof. Dr. Angel A. Juan (https://research.com/u/angel-a-juan). Algunos de los proyectos recientes del grupo se pueden consultar en: https://angeljuan.webs.upv.es/res-groups/. Algunos papers open-access del grupo se pueden consultar en: https://icso.webs.upv.es/index.php/ciencia-abierta/. Entre otras actividades, el grupo organiza el ValencianTech en Noviembre de 2026: https://valenciaicsotech.webs.upv.es/
El análisis de señales cerebrales y fisiológicas es una de las áreas de aplicación con mayor crecimiento para la inteligencia artificial. El desarrollo de dispositivos portátiles, sensores biomédicos y tecnologías wearable está generando grandes volúmenes de datos humanos que pueden utilizarse para estudiar el funcionamiento cerebral, reconocer estados cognitivos, mejorar el rendimiento, apoyar la rehabilitación y detectar patrones asociados a enfermedades.
Esta práctica permitirá al estudiante introducirse en este ámbito mediante un caso real de reconocimiento de patrones en señales EEG. El objetivo será reproducir los resultados de un estudio publicado que utiliza electroencefalografía para distinguir entre habla interna y una tarea de visualización.
El estudiante trabajará con una base de datos abierta de EEG previamente procesada y con el código Python proporcionado por los autores. La tarea principal consistirá en:
-ejecutar el análisis para un conjunto reducido de participantes;
-reproducir el procedimiento de clasificación descrito en el estudio;
-obtener las medidas de rendimiento del clasificador;
-generar una matriz de confusión y las principales figuras;
-comparar los resultados obtenidos con los publicados.
Si el progreso lo permite, el estudiante podrá implementar una versión sencilla del clasificador utilizando herramientas estándar de MNE-Python y scikit-learn, y comparar su rendimiento con el código original. La práctica proporcionará una primera experiencia aplicada en análisis EEG, interfaces cerebro-computador, inteligencia artificial y reconocimiento de patrones en datos humanos. También permitirá comprender cómo los métodos de ciencia de datos pueden trasladarse a señales procedentes del cerebro, el cuerpo y los dispositivos portátiles.
Resultados esperados:
-Reproducción documentada de un análisis publicado.
-Cuaderno de Python ejecutable.
-Evaluación del rendimiento del clasificador.
- Breve presentación final de los resultados.
Material de partida
Artículo: Thinking out loud: an open-access EEG-based BCI dataset for inner speech recognition
https://www.nature.com/articles/s41597-022-01147-2
Base de datos EEG: Inner Speech Dataset
https://openneuro.org/datasets/ds003626
Código de clasificación: Feasibility Analysis of Inner Speech
https://github.com/N-Nieto/Feasibility_Analysis_Inner_Speech
Software y documentación de la base de datos:
https://github.com/N-Nieto/Inner_Speech_Dataset
¡Accede a las preguntas más frecuentes AQUÍ!