Actualitat

Seminari: Machine Learning per a l'anàlisi i visualització de dades

En el marc del projecte DAVALOR, el CD6 organitza un seminari sobre "Machine Learning per a l'anàlisi i visualització de dades", impartit pel Dr. Jesús Malo, professor de la Universitat de València. Més informació sobre el conferenciant i el seu grup es pot trobar a http://isp.uv.es.

El seminari tindrà lloc el divendres 21 de Novembre, a les 12,30h a l'Auditori Joan Salvadó (Passeig 22 de Juliol 660, Terrassa)


Abstract:

Machine learning (o aprenentatge automàtic) és el nou nom que es dóna a les tècniques estadístiques (unes noves i altres no tant) per a l'extracció d'informació a partir de dades. Aquesta "nova" disciplina (coneixement basat en les dades en brut més que en l'elaboració de teories) ha atret l'interès en l'última dècada per dos motius: (1) un caràcter general, i (2) un altre lligat al concepte mateix d'aprenentatge.

Des d'un punt de vista general l'interès no es deu tant a la superioritat del coneixement empíric enfront del coneixement teòric, sinó per l'accessibilitat massiva a dades que hi ha actualment (big data), així com per l'increment en la potència de càlcul disponible (big CPU). D'altra banda, en el cas concret de voler comprendre el fenomen de l'aprenentatge, la cosa va més enllà del (ingenu) big-data / big-CPU. En aquest segon cas, la qüestió (problema cognitiu) és entendre com un sistema com el cervell pot desenvolupar un coneixement abstracte a partir de percepcions concretes.

A més de donar exemples d'aquesta definició, en aquesta xerrada s'exposarà el programa general d'Fastiguegi et al. (Hastie, Tibshirani, Freeman. The Elements of Statistical Learning. 2nd Ed. Springer Verlag. Berlin. (2009) http://statweb.stanford.edu/~tibs/ElemStatLearn/ posant èmfasi en diferents tècniques incloent exemples de APRENENTATGE NO SUPERVISAT (extracció de característiques basades en independència estadística i codificació eficient, com Principal Components Analysis o Independent Components Analysis, Kernel-PCA, reducció de dimensionalitat, clustering, quantització vectorial i Self Organizing Maps, codificació de la transformada, corbes principals, probability density estimation (Projection Pursuit, Gaussianization), mesures de dependència estadística (Mutual Information i HSIC), i exemples de APRENENTATGE SURPERVISADO en regressió i classificació (Support Vector Machines, Kernel Ridge Regression, LASSO -Least Absolute Shrinkage and Selection Operator-, Model selection by Cross -validation, Total Variation Regularization, Neural Networks i Autoencoders).