Machine Learning: teoría y aplicaciones
Títol del curs: Machine Learning: teoría y aplicaciones
Impartit per: Esteban Vegas Lozano, prof. titular, Dep. d’Estadística, UB i Ferran Reverter Comas, prof. lector, Dep. d’Estadística, UB.
Llengua del curs: Castellà
Dates i horaris del curs: 1-5 de juliol, de 16 a 18 h.
Lloc: Aula PC3
Tipus d'activitat i càrrega lectiva: Curs de 10 hores.
Reconeixement acadèmic: 1,5 ECTS com a assignatura optativa per als estudiants del MEIO UPC-UB, com a assignaturas de lliure elecció per a estudiants de màster, grau i llicenciatura i com a crèdits de doctorat.
Descripció: En este curso se presentarán algunas de las metodologías del Machine Learning que dan respuesta a dos de las problemáticas más comunes en el aprendizaje estadístico a partir de ejemplos: el caso supervisado y el caso no supervisado. El curso se iniciará con una sesión donde se hará énfasis en los conceptos generales (maldición de la dimensionalidad, regularización, métodos Kernel, …). A continuación, se dedicarán dos sesiones al aprendizaje supervisado centrándonos en las metodologías de los SVM, Boosting y Random Forest. Posteriormente, seguirán dos sesiones dedicadas a técnicas del aprendizaje no supervisado profundizando en clustering (k-means, SOM, …) y en reducción de la dimensión (Kernel PCA, NNF, … )
Programa:
Referències:
Avaluació:
El alumnado deberá realizar uno de los dos trabajos prácticos siguientes:
Impartit per: Esteban Vegas Lozano, prof. titular, Dep. d’Estadística, UB i Ferran Reverter Comas, prof. lector, Dep. d’Estadística, UB.
Llengua del curs: Castellà
Dates i horaris del curs: 1-5 de juliol, de 16 a 18 h.
Lloc: Aula PC3
Tipus d'activitat i càrrega lectiva: Curs de 10 hores.
Reconeixement acadèmic: 1,5 ECTS com a assignatura optativa per als estudiants del MEIO UPC-UB, com a assignaturas de lliure elecció per a estudiants de màster, grau i llicenciatura i com a crèdits de doctorat.
Descripció: En este curso se presentarán algunas de las metodologías del Machine Learning que dan respuesta a dos de las problemáticas más comunes en el aprendizaje estadístico a partir de ejemplos: el caso supervisado y el caso no supervisado. El curso se iniciará con una sesión donde se hará énfasis en los conceptos generales (maldición de la dimensionalidad, regularización, métodos Kernel, …). A continuación, se dedicarán dos sesiones al aprendizaje supervisado centrándonos en las metodologías de los SVM, Boosting y Random Forest. Posteriormente, seguirán dos sesiones dedicadas a técnicas del aprendizaje no supervisado profundizando en clustering (k-means, SOM, …) y en reducción de la dimensión (Kernel PCA, NNF, … )
Programa:
- Introducción al Machine Learning.
- Aprendizaje Supervisado:
- Support Vector Machine (SVM) y métodos Kernel.
- Agregados de Clasificadores.
- Arboles de clasificación y Random Forest.
- Aplicaciones usando paquetes de R.
- Aprendizaje No Supervisado:
- Clustering.
- Reducción de la Dimensión.
- Aplicaciones usando paquetes de R.
Referències:
- T. Hastie, R. Tibshirani and J. Friedman (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2nd Edition). Springer.
- C. Bishop (2006). Pattern Recognition and Machine Learning. Springer.
- B. Schölkopf, A. J. Smola (2002). Learning with Kernels: Support Vector Machines, Regularization, Optimization and Beyond. MIT press.
Metodologia: Cada sesión constará de una primera parte, donde se expondrán los aspectos teóricos que fundamentan las metodologías y una segunda parte, orientada a la aplicación usando paquetes de R.
Avaluació:
El alumnado deberá realizar uno de los dos trabajos prácticos siguientes:
- El análisis de un conjunto de datos que requiera el uso de algunas de las técnicas presentadas en el curso.
- La profundización de un trabajo en revista JCR publicado recientemente en un tema de investigación que el alumno escoja y, en el que alguna de las técnicas de Machine Learning sean la base metodológica del trabajo.
Share: