Machine Learning: Teoría y Aplicaciones

Título del curso: Machine Learning: Teoría y Aplicaciones

Impartido por: Esteban Vegas Lozano, Ferran Reverter Comas, Departament d’Estadística, Universitat de Barcelona

• Ferran Reverter Comes es Doctor en Biología en el programa de Probabilidades y Estadística. Actualmente es investigador en el Centre de Recerca Genòmica de Barcelona y profesor Asociado del Departament d'Estadística de la Universitat de Barcelona (UB).
• Esteban Vegas Lozano es profesor titular del Departament d'Estadística de la Universitat de Barcelona (UB). Doctor en Biología en el programa de Probabilidades y Estadística. Su trabajo de investigación se centra en Estadística Computacional, Integración, Visualización y Análisis de diferentes fuentes de datos ómicos y Machine Learning, entre otros  temas acerca del mundo del análisis de datos..

Idioma del curso: Español.

Fechas y horarios del curso: 1,2,3 de julio de 15 a 20 h.

Lugar: aula PC2

Tipo de actividad y carga lectiva: Curso de 15 horas.

Descripción:

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:

1. Introducción al Machine Learning.
2. Aprendizaje Supervisado:

• Support Vector Machine (SVM) y métodos Kernel.
• Agregados de Clasificadores.
• Arboles de clasificación y Random Forest.
• Aplicaciones usando paquetes de R.

Referencias:

• 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.

Metodología:

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.

Evaluación:
El alumno deberá realizar uno de los dos trabajos prácticos siguientes:

1. El análisis de un conjunto de datos que requiera el uso de algunas de las técnicas presentadas en el curso.
2. 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.