Workshop
Introducción al Aprendizaje de Máquina
8 clases, de martes 9 a viernes 12 de enero de 2018, de 08:30 a 12:00 hrs.
Instructores
Karianne Bergen
PhD(c), Instituto de Ingeniería Computacional y Matemática, Universidad de Stanford, EE.UU.
MS en Ingeniería Matemática y Computacional, Universidad de Stanford, EE.UU.
BSc en Matemáticas Aplicadas, Universidad de Brown, EE.UU.
Alexander Ioannidis
PhD(c), Instituto de Ingeniería Computacional y Matemática, Universidad de Stanford, EE.UU.
MPhil, Universidad de Cambridge, Reino Unido
S.B. en Química y Física, Universidad de Harvard, EE.UU.
Descripción
El pilar fundamental del análisis de datos lo constituye la aplicación de algoritmos modernos de aprendizaje de máquina. Debida a la gran cantidad de métodos disponibles, es indispensable saber reconocer los principios y la intuición tras ellos, sus ventajas y desventajas, y las potenciales fuentes de error al interpretar los resultados.
Este curso entregará a los asistentes un marco conceptual que les permita identificar las fortalezas y debilidades de los métodos que se presentarán, además de permitirles ser capaces de interpretar los resultados obtenidos. Se enfatizarán los principios detrás de cada método – el cómo y cuándo utilizarlos – mientras que los detalles matemáticos no serán discutidos.
Este curso consiste de 8 clases dictadas en inglés con traducción simultánea.
Contenidos
- Conceptos básicos e introducción al aprendizaje supervisado
- Regresión lineal y logística
- Penalización, regularización y raleza (sparsity): LASSO, regresión de arista (ridge regression), y la red elástica (elastic net)
- Aprendizaje supervisado
- Funciones de pérdida
- Validación cruzada (CV): sesgo-varianza y curva de aprendizaje
- Imputación de datos: k-vecinos cercanos y la descomposición de valores singulares (SVD)
- Datos imbalanceados
- Aprendizaje no-supervisado
- Clusterización: k-medias y clusterización jerárquica
- Reducción de dimensionalidad: Análisis de Componentes Principales (PCA), Análisis de Componentes Independientes (ICA), mapas auto-organizados, escalamiento multi-dimensional
- Factorización No-Negativa de Matrices (NMF)
- Clasificación de texto: modelo de Bolsa de Palabras
- Máquinas de Vector de Soporte (SVM)
- Árboles de Clasificación y Regresión (CART)
- Metodos de ensemble
- Boosting
- Bagging
- Árboles aleatorios (Random Forests)
Cupos: 80 personas.
Costo: $250.000 pesos.
Descuentos
Si te registras en más de un workshop, puedes obtener los siguientes descuentos:
- 2 workshops, obtienes 10% dscto.
- 3 workshops, obtienes 15% dscto.
- 4 workshops, obtienes 20% dscto.
- Ex alumnos UC (pre y postgrado Diplomados de Ingeniería), 20% dscto.
-
Académicos UC, 30% dscto.
- ¡Consulta por descuentos para estudiantes!
*Descuentos no acumulables.
Introducción al 
Introducción a la 
Introducción a la