Seminario de Aprendizaje Avanzado de Máquinas
Instructor: Felipe Tobar
Primavera 2016
Descripción: Este seminario está diseñado para alumnos de la FCFM que quieran adquirir conocimientos avanzados de aprendizaje de máquinas (AM), tanto para complementar su investigación mediante la incorporación de técnicas de AM en sus aplicaciones y experimentos, como también para estudiar y desarrollar nuevos métodos de AM para aplicaciones generales.
Modalidad: Reuniones una o dos veces por semana en el Centro de Modelamiento Matemático, donde los asistentes al seminario presentan distintos tópicos ante el instructor y el resto de los asistentes al seminario.
La complejidad del tema a presentar y su carácter (teórico o aplicado) será particular a cada integrante y en común acuerdo con el instructor. La evaluación será en base a las presentaciones, participación en clase y un proyecto.
Temas a tratar: El curso se basará en el estudio de la bibliografía adjunta, una lista de temas tentativa es:
Introducción y repaso (1 clase)
Series de tiempo (2 clases)
– Modelos de espacio estado, modelos autoregresivos no lineales
Bayesian nonparametrics (2 clases)
– Clustering y estimación de densidades: procesos de Dirichlet
– Procesos del restaurant chino y el buffet indio
Redución de dimensionalidad (1 clase)
– PCA y kernel PCA, Gaussian Process Latent Variable Models
Factorización probabilística de matrices (1 clase)
Modelos probabilísticos y deep learning (2 clases)
– Autoencoders, density networks, Boltzmann machines y redes convolucionales
Inferencia variacional (2 clases)
– Expectation propagation, variational message passing, variational Bayes
Markov chain Monte Carlo (3 clases)
– Metropolis, Monte Carlo hamiltoniano, Slice Sampling
Requisitos: Conocimiento básico de aprendizaje de máquinas, por ejemplo, haber aprobado el curso MA5203.
En caso de dudas, consultar directamente con el instructor. Familiaridad con probabilidades es fundamental.
Inscripción y dedicación horaria: No hay un código específico para este seminario todavía, pero será posible tomar este seminario con 5, 10, ó 15 UDs. Cada alumno tendrá una carga de trabajo proporcional a las UDs inscritas. Oyentes también son bienvenidos a participar.
Referencias
K. Murphy. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.
D. Barber. Bayesian Reasoning and Machine Learning. Cambridge University Press 2012.
C. Bishop. Pattern Recognition and Machine Learning. Springer, 2006.
Consultas a ftobar@dim.uchile.cl
Fuente: GAMES: Grupo de Aprendizaje de Máquinas, infErencia y Señales