{"id":1124,"date":"2016-01-14T10:36:06","date_gmt":"2016-01-14T09:36:06","guid":{"rendered":"https:\/\/cio.umh.es\/?p=1124"},"modified":"2016-01-14T10:36:06","modified_gmt":"2016-01-14T09:36:06","slug":"conferencia-de-la-profa-dra-irene-rodriguez-lujan","status":"publish","type":"post","link":"https:\/\/cio.umh.es\/en\/2016\/01\/14\/conferencia-de-la-profa-dra-irene-rodriguez-lujan\/","title":{"rendered":"Conferencia de la Profa Dra. Irene Rodr\u00edguez Luj\u00e1n"},"content":{"rendered":"

<\/p>\n

\nT\u00edtulo<\/strong>:\u00a0Funciones de p\u00e9rdida clasificadas calibradas para problemas multiclase
\nPonente<\/strong>: Irene Rodr\u00edguez Luj\u00e1n
\nFecha<\/strong>:\u00a021\/01\/2016 12:30h
\nLugar<\/strong>: Sala de Seminarios, edificio Torretamarit
\nResumen:<\/strong>
\nAl comienzo del seminario se realizar\u00e1 una introducci\u00f3n al campo del aprendizaje autom\u00e1tico (machine learning<\/em>) que abordar\u00e1 los conceptos fundamentales de la teor\u00eda del aprendizaje estad\u00edstico y las m\u00e1quinas de vectores de soporte (Support Vector Machines, SVMs<\/em>). Seguidamente, se presentar\u00e1n los resultados del trabajo \u201cA Fisher consistent multiclass loss function with variable margin on positive examples.\u201d Electronic Journal of Statistics 9.2 <\/em>(2015): 2255-2292.
\nEl concepto de consistencia Fisher punto a punto, equivalentemente clasificaci\u00f3n calibrada, determina las condiciones necesarias y suficientes para tener consistencia Bayesiana cuando un clasificador minimiza una funci\u00f3n de p\u00e9rdida subrogada en lugar de la funci\u00f3n de p\u00e9rdida 0-1. En esta charla se presentar\u00e1 una nueva familia de funciones de p\u00e9rdida de tipo bisagra (hinge<\/em>) definidas por un par\u00e1metro de control \u03bb que representa el margen de los puntos pertenecientes a la clase positiva. El par\u00e1metro \u03bb determina las propiedades de la funci\u00f3n de p\u00e9rdida en t\u00e9rminos de su consistencia Fisher punto a punto.
\nAunque resultados previos en la literatura sugieren que incrementar el margen de los puntos positivos es beneficioso para el entrenamiento del clasificador, no existen funciones de p\u00e9rdida multiclase capaces de dar un alto peso al margen de los puntos positivos sin perder sus propiedades de calibraci\u00f3n. Sin embargo, la familia de funciones de p\u00e9rdida regulada por el par\u00e1metro \u03bb puede asignar un peso arbitrariamente alto al margen de los puntos positivos manteniendo las propiedades de consistencia Fisher punto a punto. Adem\u00e1s, cuando estas nuevas funciones de p\u00e9rdida se integran en el formalismo de las m\u00e1quinas de vectores de soporte (\u03bb-SVMs), el par\u00e1metro \u03bb define diferentes regiones de las condiciones de Karush-Kuhn-Tucker, obteni\u00e9ndose para valores altos de \u03bb menores tiempos de entrenamiento que otras funciones de p\u00e9rdida clasificadas calibradas. Resultados emp\u00edricos en el uso del modelo \u03bb-SVM con diferentes bases de datos no solo corroboran el an\u00e1lisis te\u00f3rico anterior, sino que tambi\u00e9n muestran la eficacia del algoritmo en t\u00e9rminos de acierto en clasificaci\u00f3n y tiempos de entrenamiento.
\nBreve Bio:<\/strong>
\nLa Dra. Irene Rodr\u00edguez Luj\u00e1n se gradu\u00f3 en Ingenier\u00eda Inform\u00e1tica y Matem\u00e1ticas en la Universidad Aut\u00f3noma de Madrid, doctor\u00e1ndose en Ingenier\u00eda Inform\u00e1tica por la misma universidad en 2012. Entre 2005 y 2011 colabor\u00f3 con el Instituto de Ingenier\u00eda del Conocimiento,y entre 2011 y 2013 trabaj\u00f3 como investigadora en el Grupo de Biometr\u00eda, Biose\u00f1ales y Seguridad de la Universidad Polit\u00e9cnica de Madrid. Durante los a\u00f1os 2013 y 2014 fue investigadora postdoctoral en el BioCircuits Institute de la Universidad de California San Diego (UCSD). Desde 2015 ocupa un puesto de Profesor Ayudante Doctor en el grupo de Aprendizaje Autom\u00e1tico del Departamento de Ingenier\u00eda Inform\u00e1tica de la Universidad Aut\u00f3noma de Madrid. Sus intereses se centran en el \u00e1mbito del reconocimiento de patrones y sus aplicaciones pr\u00e1cticas en dominios tales como la bioinform\u00e1tica o narices electr\u00f3nicas, entre otros.<\/p>\n
<\/div>\n<\/div>\n
<\/div>\n

<\/p>","protected":false},"excerpt":{"rendered":"

T\u00edtulo:\u00a0Funciones de p\u00e9rdida clasificadas calibradas para problemas multiclase
\nPonente: Irene Rodr\u00edguez Luj\u00e1n
\nFecha:\u00a021\/01\/2016 12:30h
\nLugar: Sala de Seminarios, edificio Torretamarit
\nResumen:
\nAl comienzo del seminario se realizar\u00e1 una introducci\u00f3n al campo del aprendizaje autom\u00e1tico (machine learning) que abordar\u00e1 los conceptos fundamentales de la teor\u00eda del aprendizaje estad\u00edstico y las m\u00e1quinas de vectores de soporte (Support Vector Machines, SVMs). Seguidamente, se […]<\/p>","protected":false},"author":3477,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_links_to":"","_links_to_target":""},"categories":[4,873],"tags":[],"_links":{"self":[{"href":"https:\/\/cio.umh.es\/en\/wp-json\/wp\/v2\/posts\/1124"}],"collection":[{"href":"https:\/\/cio.umh.es\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/cio.umh.es\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/cio.umh.es\/en\/wp-json\/wp\/v2\/users\/3477"}],"replies":[{"embeddable":true,"href":"https:\/\/cio.umh.es\/en\/wp-json\/wp\/v2\/comments?post=1124"}],"version-history":[{"count":0,"href":"https:\/\/cio.umh.es\/en\/wp-json\/wp\/v2\/posts\/1124\/revisions"}],"wp:attachment":[{"href":"https:\/\/cio.umh.es\/en\/wp-json\/wp\/v2\/media?parent=1124"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/cio.umh.es\/en\/wp-json\/wp\/v2\/categories?post=1124"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/cio.umh.es\/en\/wp-json\/wp\/v2\/tags?post=1124"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}