“Short courses” de Modelización Bayesiana e Aprendizaxe Máquina computacionais 

Profesores: Sujit Sahu (University of Southampton, Reino Unido) e Dr Sourish Das (Instituto Matemático de Chennai).
Datas: do 11 ao 15 de xuño de 2018.
Lugar: University of Southampton, Reino Unido.
Descrición do Curso 1: Introdución á Modelización e Computación Xerárquica Bayesiana, do 11 ao 12 de xuño de 2018. Dirixido a científicos aplicados que estean a pensar en utilizar métodos Bayesianos e que desexen recibir unha introducción básica cunha gran compoñente práctica mediante os programas R e WinBuGS. Non se precisa coñecemento previo de métodos bayesianos. Non obstante, asúmese a familiaridade coas distribucións estándar de probabilidade (normal, binomial, Poisson, gamma) e métodos estatísticos estándar, como por exemplo a regresión múltiple. Ás sesións maxistrais sobre o teorema de Bayes, os elementos da inferencia bayesiana, a elección das distribucións a priori e a introdución ao MCMC, seguiranlles as clases prácticas usando R e o software WinBUGS.

Descrición do Curso 2: Aprendizaxe Máquita Estatístico. Do 13 ao 15 de xuño de 2018. Este curso proporcionará unha visión xeral das ideas básicas da aprendizaxe máquina desde unha perspectiva estatística. Os temas a tratar inclúen: aprendizaxe supervisada, clasificación e algoritmos e aprendizaxe non supervisada. O curso comezará cunha discusión detallada sobre a aprendizaxe supervisada. Discutiranse os subtemas de regresión habituais de multicolinealidade, selección variable, regularización, LASSO, Ridge, Elastic Net mediante gran número de exemplos. Seguirase coa exposición da regresión no lineal para pasar a continuación ao tema de clasificación, facendo especial énfase no clasificador Bayes Naïve, a análise discriminante, regresión logística, árbores de decisión, máquinas de vector de soporte, Random Forest, perceptrón learning, redes neuronais e deep learning. A continuación comentaranse varios algoritmos de optimización populares como Gradient Descent, Stochastic Gradient Descent e o Back Propagation. Finalmente se introducirá o agrupamento de K-medias, análise de compoñentes principais e análise latente de Dirichlet.
Contacto:Este enderezo de correo está a ser protexido dos robots de correo lixo. Precisa activar o JavaScript para velo.
Sitio web: http://www.soton.ac.uk/~sks/2018course/
Rexistro: http://go.soton.ac.uk/94y para o Curso 1.
http://go.soton.ac.uk/94x para o Curso 2. 

2019  SGAPEIO   globbers joomla templates