Estadística para Ciencias de la Salud

Organiza:
Instituto Universitario del Hospital Italiano

Sede:
Institución Instituto Universitario del Hospital Italiano
Potosí 4234, Ciudad Autónoma de Buenos Aires, Argentina

Director: Dr. Pablo Argibay

► Programa:

Módulo 1: Aprendizaje estadístico I.
Aprendizaje. Inferencia. Machine learning (Aprendizaje de máquinas): Generalización y comprensibilidad. Aprendizaje estadístico. Aprendizaje supervisado. Aprendizaje no supervisado.
Componentes de un sistema de aprendizaje estadístico: Función de coste estadístico, Métodos de optimización, Algoritmo de aprendizaje y Criterio de parada. Limitaciones: Overfitting (Sobreajuste) and Overtraining (Sobreentrenamiento). Aplicaciones.

Módulo 2: Aprendizaje estadístico II.
Modelización estadística. Teoría de la información. Teoría algorítmica de la información.
Consideraciones computacionales. Inferencia inductiva (Solomonoff theory). Occam's razor (Navaja de Occam). Big data. Aplicaciones.

Módulo 3: Aprendizaje supervisado: Modelos de regresión lineal.
Métodos de estimación por mínimos cuadrados. Teorema de Gauss-Markov. Regresión múltiple desde una regresión simple. Métodos de selección por subconjuntos. Regresión Ridge. Regresión Lasso.
Regresión por componentes principales. Mínimos cuadrados parciales. Comparación de métodos. Aplicaciones.

Módulo 4: Aprendizaje supervisado: Métodos lineales de clasificación.
Regresión lineal de indicadores. Análisis discriminante lineal (LDA). Análisis discriminante regularizado (RDA). Regresión Logística. Ajuste de modelos de regresión logística. Hiperplanos separadores.
Algoritmo de aprendizaje del perceptrón de Rosenblatt’s. Hiperplanos separadores óptimos.
Aplicaciones.

Módulo 5: Aprendizaje supervisado: Métodos Kernel.
Kernel smoothers. Regresión Lineal Local. Regresión Polinomial Local. Ancho del Kernel. Regresión Local Estructurada. Likelihood Local. Estimadores y Clasificadores: Densidad Kernel. Funciones de base radial. Aplicaciones.

Módulo 6: Aprendizaje supervisado: Redes neuronales.
Redes neuronales artificiales. Perceptrón Multicapa (MLP). Ajuste de un MLP. Problemas en el
entrenamiento de Redes Neuronales. Redes de Función de Base Radial (RBFN). Ajuste de un RBNF. Aplicaciones.

Módulo 7: Aprendizaje supervisado: Máquinas de soporte vectorial (SVM).
Clasificador por vectores de soporte. SVM para clasificación. SVM y el método Kernel. SVM como método de penalización. Reproducing Kernels. SVM para regresión. Aplicaciones.

Módulo 8: Aprendizaje no supervisado: Reglas de asociación.
Introducción. El algoritmo Apriori. Aprendizaje no supervisado como aprendizaje supervisado. Reglas de asociación generalizadas. Aplicaciones.

Módulo 9: Aprendizaje no supervisado: Análisis de Cluster.
Mediciones de similaridad (Distancias). Algoritmos de agrupamiento (Cluster). K-medias (K-means). Kmedianas (K-medoids). Agrupamiento jerárquico. Aplicaciones.

Módulo 10: Aprendizaje no supervisado: Mapas auto-organizados.
Introducción de los mapas auto-organizados (SOM). Consideraciones estadísticas. Aplicaciones.

Módulo 11: Análisis de componentes principales.
Componentes, curvas y superficies principales. Aplicaciones.

Abierta la inscripción hasta el 01 de Octubre de 2014 - Carga Horaria: 20 horas.

Aranceles:
Profesionales: $ 1.000
Profesionales HIBA: $500

Informes e inscripción:
Instituto Universitario Escuela de Medicina Hospital Italiano.
Potosí 4234, 2º piso - Oficina Posgrado
TEL. 4959-0200. Int. 5324
posgrado@hospitalitaliano.org.ar
www.hospitalitaliano.org.ar/educacion/index.php?contenido=detalles_curso.php&id_curso=206