Curso: Introduction to Statistical Learning (Introducción Al Aprendizaje Estadístico)

Centro:

Instituto Universitario Hospital Italiano
Método:

Presencial
Lugar:

Almagro
Tipo:

Cursos
Opiniones:

Contacta sin compromiso con Instituto Universitario Hospital Italiano

Nombre

Apellidos

Teléfono

E-Mail

Provincia

Ciudad

Titulación

Fecha nacimiento (dd/mm/aaaa)

Para enviar la solicitud debes aceptar la política de privacidad

Análisis de educaedu

Agustin González

Curso: Introduction to Statistical Learning (Introducción Al Aprendizaje Estadístico)

Modalidad de impartición

El curso se imparte de manera presencial.
Número de horas

Puedes consultar con el Centro de Enseñanza.
Titulación oficial

Cuando finalice sus estudios, el Centro de Estudios le hará entrega de un Certificado de Asistencia.
Valoración del programa

El Curso de Introducción al Aprendizaje Estadístico tiene el objetivo central de analizar los distintos enfoques metodológicos sobre el tratamiento de datos. Estudian las técnicas más usadas para el trabajo estadístico, integrándolas con el fin de optimizar los resultados. También estudian los métodos actuales usados en Data Mining. El mismo se estudia en el Instituto Universitario Escuela de Medicina Hospital Italiano.
Dirigido a

Este curso se dirige a estudiantes y profesionales de las siguientes especialidades: Bioingeniería, Biotecnología y Biomedicina.
Empleabilidad

Tendrán una completa formación técnica sobre análisis de datos y computación que le será de utilidad para su desempeño laboral, e investigativo, dentro del área de salud en la que se desempeñe.

Comentarios sobre Curso: Introduction to Statistical Learning (Introducción Al Aprendizaje Estadístico) - Presencial - Almagro - Buenos Aires

Objetivos del curso

El objetivo general del curso es estudiar los principios de diferentes enfoques metodológicos del tratamiento de datos, así como algunas de las principales técnicas con mayor utilización en la práctica.

De manera más específica, los principales objetivos de este curso son los siguientes:

· Conocer los principios generales de algunas de las técnicas, supervisadas y no supervisadas, más utilizadas actualmente para el tratamiento de datos.

· Comprender y aprender a integrar técnicas conocidas para aprovechar su potencial en el descubrimiento de conocimiento.

· Estudiar algunos métodos y algoritmos novedosos de Data Mining.

· Entender las aplicaciones de las herramientas estadístico-computacionales mediante ejemplos útiles relacionados al campo de la medicina.
Prácticas

-
Curso dirigido a

Profesionales y estudiantes del área de la salud (Ingenieros Biomédicos, Bioingenieros, Lic. en Biotecnología, Médicos con conocimientos acordes, etc.) que deseen ampliar su conocimiento teórico sobre técnicas computacionales inteligentes destinadas, fundamentalmente, al análisis de grandes volúmene de datos.

Es necesario que los concurrentes al curso posean conocimientos previos básicos sobre ciencias de la computación, análisis matemático, álgebra y estadística. Además se recomienda que los concurrentes posean un buen nivel de lecto-comprensión del idioma inglés.
Titulación

-
Contenido

Module 1: Statistical Learning I.

Learning. Inference. Machine learning: Generalization and Comprehensibility. Statistical

Learning. Supervised Learning. Unsupervised Learning. Components of a statistical learning

system: Statistical cost function, Optimization methods, Learning algorithm and Stopping

criterion. Limitations: Overfitting and Overtraining. Applications.

Module 2: Statistical Learning II.

Statistical modeling. Information Theory and Statistics. Algorithmic information theory.

Computational considetations. Inductive inference (Solomonoff theory). Occam's razor.. Ideal

MDL . Crude MDL. Refined MDL. Applications.

Module 3: Supervised learning: Linear regression models.

Least square estimation methods. Gauss-Markov theorem. Multiple regressions from univariate

regression. Subset selection methods. Ridge Regression. Lasso regression. Principal

Components Regression. Partial Least Squares. Comparison of the methods. Applications.

Module 4: Supervised learning: Linear methods for Classification.

Linear regression of an indicator matrix. Linear discriminant analysis (LDA. Regularized

discriminant analysis (RDA). Logistic regressio. Fitting logistic regression model. Separating

hyperplanes. Rosenblatt’s perceptron learning algorithm. Optimal separating hyperplanes.

Applications.

Module 5: Supervised learning: Kernel methods.

Kernel smoothers. Local Linear Regression. Local Polynomial Regression. Kernel Width.

Structured Local Regression. Local Likelihood. Kernel Density Estimation and Classification.

Radial Basis Functions. Applications.

Module 6: Supervised learning: Neural Networks.

Projection Pursuit Regression. Artificial Neural Networks. Multilayer Perceptron (MLP). Fitting

MLP. Issues in training Neural Networks. Radial Basis Function Networks (RBFN). Fitting

RBNF. Applications.

Module 7: Supervised learning: Support Vector Machines.

The Support Vector Classifier. SVM for classification. SVM and the Kernel property. SVM as a

penalization method. Reproducing Kernels. SVM for regression. Applications.

Module 8: Unsupervised learning: Association Rules.

Introduction. The Apriori algorithm. Unsupervised as supervised learning Generalized

Association Rules. Applications.

Module 9: Unsupervised learning: Cluster Análisis.

Dissimilarity measurement. Cluster algorithms. K-means. Vector quantization. K-medoids.

Hierarchical clustering. Applications.

Module 10: Unsupervised learning: Self-Organizing Maps.

SOM. Statistical considerations. Aplications.

Module 11: Principal component analysis.Principal components, curves and surfaces.

Aplications

Aclaración: El temario desarrollado del curso puede sufrir algunas pequeñas modificaciones, según lo crea conveniente el profesorado del mismo, con el fin de optimizar los tiempos y lograr la mejor comprensión posible de cada módulo por parte de los alumnos.