Actualidad

Seminario: Machine Learning para el análisis y visualización de datos

En el marco del proyecto DAVALOR, el CD6 organiza un seminario sobre "Machine Learning para el análisis y visualización de datos", impartido por el Dr. Jesús Malo, profesor de la Universidad de Valencia. Más información acerca del conferenciante y su grupo puede encontrarse en http://isp.uv.es.

El seminario tendrá lugar el Viernes 21 de Noviembre, a las 12,30h en el Auditori Joan Salvadó (Passeig 22 de Juliol 660, Terrassa)

Abstract:
Machine learning (o aprendizaje automático) es el nuevo nombre que se da a las técnicas estadísticas (unas nuevas y otras no tanto) para la extracción de información a partir de datos. Esta "nueva" disciplina (conocimiento basado en los datos en bruto más que en la elaboración de teorías) ha atraído el interés en la última decada por dos motivos: (1) uno de caracter general, y (2) otro ligado al concepto mismo de aprendizaje.

Desde un punto de vista general el interés no se debe tanto a la superioridad del conocimiento empírico frente al conocimiento teórico, sino por la accesibilidad masiva a datos que hay en la actualidad (big data), así como por el incremento en la potencia de cálculo disponible (big CPU). Por otro lado, en el caso concreto de querer comprender el fenómeno del aprendizaje, la cosa va más allá del (ingenuo) big-data/big-CPU. En este segundo caso, la cuestión (problema cognitivo) es entender como un sistema como el cerebro puede desarrollar un conocimiento abstracto a partir de percepciones concretas.

Además de dar ejemplos de esta definición, en esta charla se expondrá el programa general de Hastie et al. (Hastie, Tibshirani, Freeman. The Elements of Statistical Learning. 2nd Ed. Springer verlag. Berlin. (2009) http://statweb.stanford.edu/~tibs/ElemStatLearn/, poniendo énfasis en diferentes técnicas incluyendo ejemplos de APRENDIZAJE NO SUPERVISADO (extracción de características basadas en independencia estadística y codificación eficiente, como Principal Components Analysis o Independent Components Analysis, Kernel-PCA , reducción de dimensionalidad , clustering, cuantización vectorial y Self Organizing Maps, codificación de la transformada, curvas principales, probability density estimation (Projection Pursuit, Gaussianization), medidas de dependencia estadística (Mutual Information y HSIC), y ejemplos de APRENDIZAJE SURPERVISADO en regresion y clasificación (Support Vector Machines, Kernel Ridge Regression, LASSO - Least Absolute Shrinkage and Selection Operator-, Model selection by Cross-validation, Total Variation Regularization, Neural Networks y Autoencoders).