Aprendizaje Computacional Descriptivo y Aprendizaje Computacional Predictivo

Esta semana estamos terminando el primero de los dos módulo de Aprendizaje Computacional, el módulo Descriptivo.

Ambos módulos los imparte Javier Del Ser Lorente (linkedin.com/in/jdelser), Investigador Principal en TECNALIA Research & Innovation , una de las empresas más importantes de nuestro país en el sector del análisis de datos.

TECNALIA Research & Innovation es un centro privado, sin ánimo de lucro, de investigación aplicada de excelencia internacional con una fuerte orientación al mercado cuyo objetivo es lograr el mayor impacto en términos económicos, a través de la innovación y el desarrollo tecnológico.

TECNALIA es la mayor entidad privada de I+D+i en España y la quinta en Europa, con una plantilla de más de 1407 empleados (248 doctorados) y un ingreso de 110 millones de euros en 2018. Todo el equipo de TECNALIA tiene un solo objetivo: transformar la tecnología en PIB, lo que significa riqueza para mejorar la calidad de vida de las personas a través de la generación de oportunidades comerciales para la industria.

TECNALIA se compromete a generar grandes impactos en términos económicos, a través de la innovación y el desarrollo tecnológico, centrada en 6 divisiones de negocios que cubren los sectores económicos de tecnologías de la construcción, energía y medio ambiente, TIC, industria y transporte, servicios de laboratorio y salud.

Javier Del Ser Lorente nació en Barakaldo en 1979 y estudió Ingeniería Superior de Telecomunicación en la Universidad del País Vasco. Obtuvo su primer doctorado (Cum Laude) en Ingeniería en Automática y Electrónica en la Universidad de Navarra en 2006, así como un segundo doctorado (Cum Laude y Premio Extraordinario) en Tecnología de la Información y Comunicaciones en la Universidad de Alcalá en el año 2013.

Desde 2003 a 2005 trabajó como profesor asistente en TECNUN (Universidad de Navarra) y en 2007 ejerció como profesor visitante en la Universidad de Delaware (EE.UU). Actualmente es Investigador Principal en Inteligencia Artificial, profesor asociado de la Universidad del País Vasco y Responsable Tecnológico del área OPTIMA (Optimización, Modelado y Análisis) de Tecnalia Research & Innovation.

Aprendizaje Computacional Descriptivo

Fechas: del 20 al 31 de enero de 2020
Tecnologías: Python, Sklearn. Modelos DBSCAN, KMeans, Hierarchical Clustering, Boxplot, Dimensionality Reduction, Statistics.

De una forma divulgativa y mediante ejemplos prácticos, este módulo proporciona una visión general de la motivación, potencialidad y capacidades de la modelización y la analítica de datos de última generación con el fin último de orientar al alumno en la aplicación de la analítica de datos en su futuro profesional.

Así, el alumno adquirirá nociones básicas sobre la analítica y el modelado de datos, entenderá dónde se puede aplicar, qué es necesario y cómo definir un escenario de aplicación. Desde el punto de vista técnico, el módulo repasa e introduce al alumno en las diferentes categorías de modelos de aprendizaje máquina, prestando especial énfasis en aquellos orientados a describir conjuntos de datos y en hallar patrones ocultos en ellos.

El módulo está fuertemente relacionado con el módulo “Aprendizaje Computacional Predictivo”, que engrana temáticamente con lo visto en este primer módulo para hacer mayor énfasis en las técnicas predictivas de aprendizaje máquina.

Aprendizaje Computacional Predictivo

Fecha: del 3 al 14 de febrero
Tecnologías: Python, Sklearn. kNN, Modelos SVM, Decision Tree, Random Forest, Naïve Bayes, Neural Networks, validación cruzada, métricas de scoring, limpieza de datos.

Este segundo módulo de machine learning profundiza técnicamente en diferentes técnicas de análisis predictivo de datos. Cada una de las secciones de este módulo está estructurada de manera independiente, cubriendo los fundamentos técnicos, la historia, ejemplos de aplicación y prácticas en laboratorio tuteladas por el ponente.

Al término de este módulo el alumno será capaz de identificar en qué casuísticas y escenarios de aplicación son aplicables cada una de las técnicas de análisis de datos abordadas en el módulo, así como las diferencias, ventajas e inconvenientes de cada una de ellas.