Diagrama de temas

  • Modelado y agrupamiento de datos de alta dimensión


    Objetivos: Este curso cubre métodos avanzados para el análisis de datos de alta dimensión. La primera parte del curso cubre métodos robustos para reducción de dimensionalidad basados en técnicas modernas de optimización convexa. La segunda parte del curso cubre métodos para el modelado de datos con múltiples subespacios, que combinan técnicas modernas de optimización convexa con algoritmos de agrupamiento. La tercera parte del curso cubre aplicaciones de estos métodos en procesamiento de imágenes, visión artificial, e imágenes biomédicas.


    Profesor de la asignatura 1 : :  Profesor René Vidal  

    Center for Imaging Science, Department of Biomedical Engineering, Johns Hopkins  University

    Profesor Responsable Local 1 : Alicia Fernández, Profesor Titular, IIE.

    Fecha de inicio y finalización: 13-17 de noviembre, 2017

    Horario : Lunes a Viernes de 9 a 12.

    Salón: Salón Verde del  7º piso.

    __________________________________________________________________________________________

    Bibliografía: "Generalized Principal Component Analysis." R. Vidal, Y. Ma, and S. Sastry. Springer-Verlag New York, 2016.    






  • Cronograma detallado

    LUNES:    Introducción + PCA

                    • 2.1.1  A Statistical View of PCA.................................. 26
                    • 2.1.2  A Geometric View of PCA…………………………… 30

    MARTES: Robust PCA

                    • 2.1.3  A Rank Minimization View of PCA....................... 34
                    • 2.3.2  Model Selection by Rank Minimization................... 49
                    • 3.1.3  Matrix Completion by Convex Optimization.................................. 73

    MIERCOLES: Robust PCA y Spectral Clustering

                    • 3.2.2  Robust PCA by Convex Optimization.................................. 92
                    • 3.3.2  Outlier Detection by Convex Optimization.................................. 107
                    • 4.2.3  Laplacian Eigenmaps (LE) ................................. 138

    JUEVES: Spectral Subspace Clustering y Sparse Subspace Clustering

                    • 4.3.2  Spectral Clustering ......................................... 148
                    • 7.1  Spectral Subspace Clustering ........................................ 268
                    • 8.1  Self-Expressiveness and Subspace-Preserving Representations . . . 294
                    • 8.3.1  SSC with Uncorrupted Data................................ 310
                    • 8.3.2  SSC with Robustness to Outliers .......................... 324
                    • 8.3.3  SSC with Robustness to Noise ............................. 326

    VIERNES: Sparse Subspace Clustering 

                    • 8.3.3  SSC with Robustness to Noise ............................. 326
                    • 8.2.1  LRSC with Uncorrupted Data………………………… 297
                    • 8.2.2  LRSC with Robustness to Noise ........................... 30
                    • 11.2.4  Experiments on Multiview Motion Segmentation . . . . . . . . 407
                    • 11.4.2  Experiments on Temporal Video Segmentation . . . . . . . . . . . 423
                    • 8.4.2  Low-Rank and Sparse Methods on Face Clustering . . . . . . 336