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: 14-18 de noviembre, 2016
Horario y Salón: 9 a 12hs- Salón de Seminarios del Instituto de Física de la Facultad de Ingeniería, 7º piso.
Temario:
1: Introducción: Robust PCA y Spectral Clustering
2: Spectral Subspace Clustering
3: Low-Rank Subspace Clustering
4: Sparse Subspace Clustering
5: Aplicaciones
_____________________________________________________________________________________________
Bibliografía: : "Generalized Principal Component Analysis." R. Vidal, Y. Ma, and S. Sastry. Springer-Verlag New York, 2016.