Header Schemes

Aplicaciones anidadas

noticiasYeventos_tit_seminarios

Seminarios DATAI. Curso 2022-2023

seminarios_seminario1

PRÓXIMO SEMINARIO
2/12/2022. 13:00h.

Spatio-Temporal Semantic Partitions of the Land Surface through Deep Embeddings Carlos Echegoyen Arruti

Universidad Pública de Navarra (UPNA)

ENLACE A ZOOM

VER FLYER

Aplicaciones anidadas

seminarios_22_23_img_guzman

Guzman Santafé
 

seminarios22-23:txt_guzman

Estimating classification performance

07/11/2022

Guzmán Santafé Rodrigo. Universidad Pública de Navarra (UPNA)

PDF / VÍDEO

seminarios22-23_desplegable_abstract_guzman

La clasificación supervisada es una parte fundamental del aprendizaje automático cuyas aplicaciones a problemas reales centra un gran interés. Tanto en la literatura como en las librerías con software para aprendizaje automático, podemos encontrar múltiples propuestas para paradigmas de clasificación supervisada (árboles de decisión, redes neuronales, redes Bayesianas, etc.) así como diversos métodos para ajustar estos modelos. Contar con una metodología para evaluar y comparar de forma justa el resultado de los mismos es algo fundamental para obtener las conclusiones adecuadas. Sin embargo, en muchas ocasiones tendemos a descuidar la correcta validación de los resultados obtenidos.

En esta charla se presenta una revisión de la metodología para la evaluación honesta de clasificadores, proporcionando información útil para elegir la mejor alternativa en los procesos de validación cuando se trata de resolver problemas de clasificación supervisada. Dado que los aspectos fundamentales de la validación honesta de modelos se reparten entre una larga lista de referencias bibliográficas, esta charla puede ser de utilidad para condensar los aspectos fundamentales y proporcionar información suficiente para guiar sobre el uso de diferentes alternativas. 

El contenido está estructurado en tres grandes bloques. Tras una introducción al problema de la clasificación supervisada y a la importancia en la validación honesta de modelos, el primer bloque está dedicado a los scores como medidas de calidad de un clasificador, las principales características de los mismos y el uso que se les da. El segundo bloque presenta el problema de la estimación del valor de los scores utilizando conjuntos de datos finitos, los métodos de estimación más utilizados y sus propiedades en términos de sesgo y varianza así como posibles variaciones y mejoras. Finalmente, la última parte presenta brevemente los test de hipótesis como herramienta para comparar clasificadores en diferentes situaciones, planteando las alternativas posibles dependiendo de las condiciones del problema a resolver.

Aplicaciones anidadas

seminarios_22_23_img_iñaki

Iñaki Inza
 

seminarios_22_23_txt_iñaki

Learning under weak supervisión

28/09/2022
Iñaki Inza Cano. University of the Basque Country

PDF / VIDEO

seminarios22-23_desplegable_abstract_inza

Las formas más populares de aprender modelos a partir de datos han sido la "clasificación supervisada" y la "no-supervisada o clustering". Mientras la primera exige que toda la muestra esté anotada para aprender un modelo predictivo, la segunda trabaja sobre una muestra sin etiquetar con el objetivo de descubrir las estructuras algebraicas de los datos.
Fuera de esta "zona de confort" emerge con fuerza durante la última década la denominada "clasificación débilmente supervisada - weakly-supervised classification": no toda la muestra está etiquetada, es posible que haya información extra sobre la anotación en momento de predicción, y las relaciones "caso-etiqueta" pueden ir más allá del clásico "one sample -- one label".
El seminario servirá para repasar los principales escenarios "weakly-supervised" que han emergido en la literatura científica, incidiendo en las características genuinas del etiquetado muestral en cada uno de ellos. Se ofrecerá una "taxonomía" que servirá para diferenciarlos y caracterizarlos. Cada escenario se ilustrará con aplicaciones y trabajos referentes.

Aplicaciones anidadas

SEMINARIOS_IMG_VALENTIN

Valentin Vassilev
 

SEMINARIOS_VALENTIN_TXT

Combining machine learning and computational chemistry for predictive insights into chemical systems

08/09/2022

Valentín Vassilev Galindo. University of Luxembourg

VÍDEO