Modelos estadísticos predictivos usando inteligencia artificial. Aplicaciones en Agronomía y Salud

Ingenieros Agrónomos, Ingenieros Forestales, Biólogos, egresados de Ciencias Ambientales, Medicina, Biotecnología, Bioinformática, Inteligencia Artificial, Matemática, Física, Computación.

Objetivo General

• Ofrecer a los participantes un espacio para la discusión y generación de conocimientos que les permitan aplicar herramientas provenientes del aprendizaje automático para ajustar modelos de predicción.

Objetivos Específicos
• Reconocer problemas clásicos de análisis de regresión lineal bajo el marco teórico del modelo lineal general, del modelo lineal mixto y de la incorporación de algoritmos de aprendizaje automático.
• Vincular la estructura de los datos con los distintos términos de los modelos lineales.
• Interpretar el significado de las estimaciones y pruebas de hipótesis asociadas.
• Comunicar resultados científicos con la terminología estadística apropiada.
• Utilizar el software estadístico R para modelación estadística.
• Desarrollar destrezas en la formulación y aplicación de modelos y métodos estadísticos mediante el análisis colaborativo de casos problemáticos y la exposición dialogada sobre diferentes aproximaciones estadísticas e interpretaciones de cada análisis.

Modelos de Predicción
Introducción a los modelos de predicción. Construcción de modelos predictivos. Selección de variables regresoras. Validación de un modelo de predicción. La diferencia entre un modelo estadístico y un algoritmo de aprendizaje en la predicción.

Estadística Boosting
El concepto de boosting en aprendizaje automático. Estructura modular: funciones de pérdida.
Datos de alta dimensión
Selección de variables en un contexto de alta dimensión. Penalización por el método lasso. Desafíos de la validación de modelos.

Regresión distribucional
Regresión cuantílica, modelos aditivos generalizados por ambiente, escala y forma (Generalized additive models for location, scale and shape-GAMLSS).

miércoles 5 y miércoles 12 de junio de 9 a 17:00 h

Examen: 19 de junio

Descarga y completa la solicitud de Inscripción Curso y luego enviar a posgrado@agro.unc.edu.ar

Aguardar confirmación de cupo.

Docentes FCA & UNC, profesionales o becarios contemplados en Ordenanza 02/09 o RHCD 792/2019, deberán enviar resoluciones que acrediten su situación de revista.

Ing. Agr. (Dra.) Cecilia Bruno. 
Ing. Agr. (Dr.) Mariano Córdoba.

Dr. Andreas Mayr (Universidad de Bonn, Alemania)

Mayr A, Binder H, Gefeller O, Schmid M. 2014. The evolution of boosting algorithms. From machine learning to statistical modelling. Methods Inf Med. 53(6):419-27. doi: 10.3414/ME13-01-0122. Epub 2014 Aug 12. PMID: 25112367.

Mayr A. and Hofner B. 2018. Boosting for statistical modelling: A non-technical introduction. Statistical Modelling. 18(3-4):365-384.

+54 9 351 355-2301

posgrado@agro.unc.edu.ar