La línea de investigación que estoy desarrollando es el reconocimiento de patrones enfocado en selección de atributos tanto semi-supervisados como no supervisados para reducir la dimensionalidad de variables.

La selección de características o eliminación de variables ayudan a comprender los sistemas, disminuyendo los tiempos de cálculo y reduciendo los efectos de la maldición de la dimensionalidad ayudando a la mejora del rendimiento de predictores.
La línea de investigación que estoy desarrollando es el reconocimiento de patrones enfocado en selección de atributos tanto semi-supervisados como no supervisados para reducir la dimensionalidad de variables y llegar a mejores resultados de los predictores en menor tiempo y costo computacional.
Esto se basa en que, en los últimos años, en las aplicaciones de aprendizaje automático, el dominio de características se ha expandido de decenas a cientos o miles de variables o características utilizadas al momento de entender, comprender y predecir sistemas complejos. Varias tecnologías se desarrollan para abordar el problema de reducir las variables irrelevantes y redundantes que son una carga para los desafíos de predicción o explicación. Algunas aplicaciones han sido el análisis de genes de ADN, análisis de espectros para reconocimiento de enfermedades o propiedades de plantas, cultivos, etcétera, a través de espectrometría de masa.
Con respecto a los tipos de algoritmos aplicados a agronomía, desde el año 2015 hasta hoy, se han aplicado algoritmos tanto supervisados como no supervisados, pero muy pocas aplicaciones de semi supervisados se han encontrado en la literatura.
Lamentablemente, en algunos casos los resultados de clasificación y predicción que se desarrollan con selección de atributos, los índices de predicción son menores que al ocupar todas las variables.
Por esta razón, mi linea de investigación se basa en algoritmos de selección de atributos semi supervisados y no supervisados, que no distorsione el espacio de variables, que además propongan atributos de forma jerárquica que se asocien a través de grupos y que trabaje con datos faltantes, sin la necesidad de realizar un paso de procesamiento como el vecino mas próximo. La idea es que estos algoritmos puedan realizar selección de atributos en grandes volúmenes de datos. Actualmente, nos encontramos en conversaciones para aplicar estos algoritmos en áreas relacionadas a agronomía y a salud. En agronomía, para identificar características propias de distintas especies de plantas, como propiedades de clorofila, consumo de agua, enfermedades, etcétera, y, en salud, para identificar, a modo de apoyo al diagnóstico, indicios de algún tipo de epilepsia, a
través de la información entregada por electroencefalogramas.