(T1) Aprendizaje Automático usando Kernel Machines: Teoría y Aplicaciones

cabezal
  • Profesor:  Stéphane Canu (Laboratoire LITIS, Mont Saint Aigant, Francia)
  • Horario: Lunes a viernes de 13:30 a 16:30 horas
  • Aula: A definir (Pabellón 1)
  • Idioma: Castellano
  • Evaluación: Trabajo Práctico de tipo take-home  Descargar examen aquì

Resumen breve: Las Kernel Machines son parte del área Aprendizaje Automático (machine learning) e incluyen a una gran familia de algoritmos de aprendizaje. Últimamente este área ha tenido mucha actividad y recientemente se han  obtenido resultados muy destacados en competencias sobre reconocimiento  de patrones. El curso será introductorio al tema, explicando las ideas  fundamentales detrás de estos algoritmos y las razones de su funcionamiento. Las clases estarán divididas en dos partes, la primera  teórica y la segunda práctica (utilizando Matlab o algún software equivalente).

Programa tentativo:  Día 1: Kernels y aprendizaje. Día 2: Herramientas: kernels funciones, costos y optimización. Día 3: Algoritmos para kernel machines dispersas y no dispersas. Día 4: Recientes avances en kernel machines, incluyendo aprendizaje con kernels múltiples. Día 5: Aplicaciones a interfaces cerebro-computadora y otros tipos de interfaces.

  • Bibliografía recomendada:

• Learning with Kernels. Support Vector Machines, Regularization Optimization, and Beyond. Bernhard Schölkopf and Alexander J. Smola The MIT Press. 2001.

• Pattern Recognition and Machine Learning (Information Science and Statistics) Cristopher M. Bishop. Springer, 2006.

Notas Finales

 

pie