Seminario de Machine Learning - Classification


Fecha: 28 y 29 de Marzo de 2011

Disertante: DR. MARIANO PHIELIPP – INTEL Arizona, USA
Idioma de la disertación: Castellano

Objetivo: Introducir a la audiencia en el problema del aprendizaje de máquina (Machine learning) enfatizando aprendizaje semi-supervisado y en problemas de clasificación.

Contenidos:

  • Context –Overview – Features - Feature Vector - Feature Space - Kernel Trick – Learning Supervised – Unsupervised -Semi-supervised - Applying Semi-supervised learning - Applied Research - Conclusions

Bibliografía:

  • Pattern Classification, Second Edition, 2000. Duda, Hart and Stork.
  • Pattern Recognition and Machine Learning, 2007, Bishop.
  • The Elements of Statistical Learning:  Data Mining, Inference, and Prediction, Second Edition, 2009. Hastie, Tibishirani, Friedman.
  • A Tutorial on Spectral Clustering,  Statistics and Computing, 17, (4), 2007. Ulrike von Luxburg.
  • Semi-Supervised Literature Survey, Computer Sciences, University of Wisconsin-Madison, 2005, Xiaojin, Zhu.
  • Semi-Supervised Learning Tutorial, Computer Sciences Dept, University of Wiscondin, Madison, USA. 2007. Xiaojin, Zhu.
  • Semi-Supervised Learning Using Gaussian Fields and Harmonic Functions. ICML 2003. Zhu et al.

Dirigido a: egresados de carreras de las áreas Informática, Estadística o Matemática interesados en la búsqueda de patrones en grandes volúmenes de datos.

Conocimientos previos recomendados: conocimientos de Álgebra Matricial, Cálculo, Probabilidades y Estadística.

Lugar: Salón Azul (Biblioteca Central UNC)

Horario:
17:00 a 21:00 hs
Fecha: 28 y 29 de Marzo

Pre-Inscripción: Esta dirección de correo electrónico está protegida contra spambots. Usted necesita tener Javascript activado para poder verla.


Actividad no arancelada – Se entregarán certificados de Asistencia


Logo Grupo Euclides 

Trámites online (COVID-19)

Logo Grupo Euclides 

Asesoramiento y Contención
Psicológica para Estudiantes 


Logo Grupo Euclides

Logo Fidebian  Logo Tutorias FAI  Logo CEFAI

 

Logo TAP