MA691: Seminario: Aprendizaje Avanzado de Máquinas

Instructor: Felipe Tobar
Semestre: Primavera 2016

Este seminario está diseñado para alumnos de la FCFM que quieran adquirir conocimientos avanzados de aprendizaje de máquinas (AM), tanto para complementar su investigación mediante la incorporación de técnicas de AM en sus aplicaciones y experimentos, como también para estudiar y desarrollar nuevos métodos de AM para aplicaciones generales.

1) The Gaussian Process Convolution Model (Felipe Tobar, 22/9)

a) Tobar, Bui and Turner, "Learning Stationary Time Series using Gaussian Processes with Nonparametric Kernels", Neural information processing systems, 2015.

2) Sparse Gaussian Processes (Christopher Ley, 29/9) 

a) M. Bauer, M. van der Wilk and , C. Rasmussen, "Understanding Probabilistic Sparse Gaussian Process Approximations" arXiv:1606.04820v1

b) Edward Snelson and Zoubin Ghahramani. Sparse gaussian processes using pseudo-inputs. In Neural Information Processing Systems, volume 18, 2006.

c) Joaquin Quiñonero-Candela and Carl Edward Rasmussen. A unifying view of sparse approximate gaussian process regression. The Journal of Machine Learning Research, 6:1939–1959, 2005. d) Michalis K. Titsias. Variational learning of inducing variables in sparse gaussian processes. In Proceedings of the Twelfth International Conference on Artificial Intelligence and Statistics, pages 567–574, 2009.

3) Warped Gaussian Processes (Gonzalo Ríos, 6/10)

a) Snelson, E., Rasmussen, C. E., & Ghahramani, Z. (2004). Warped gaussian processes. Advances in neural information processing systems, 16, 337-344.

b) Lázaro-Gredilla, M. (2012). Bayesian warped Gaussian processes. In Advances in Neural Information Processing Systems (pp. 1619-1627).

4) Multi-output Gaussian processes (Gabriel Parra, 13/10)

a) Mauricio A. Alvarez and Neil D. Lawrence. Sparse convolved Gaussian processes for multi-output regression.  Advances in Neural Information Processing Systems 21, pages 57–64. MIT Press, Cambridge, MA, 2009

b) Mauricio A. Alvarez, Lorenzo Rosasco, and Neil D. Lawrence. Kernels for Vector-Valued Functions: A Review. Foundations and Trends in Machine Learning 4, no.3 (2012): pages 195-266.

5) Identificación de sistemas usando kernels (Alejandro Bernardín, 20/10)

6) Inferencia de Monte Carlo (Donato Vásquez, 27/10)

7) Inferencia Variacional  (F. Tobar + I. Castro, 3/11)

8) Procesos de Dirichlet (Joaquín Rojas, 17/11)

9) Deep Neural Networks (Matías Silva, 24/11)

10) Random Forests (Romain Gouron, 1/12)

11) Probabilistic Graphical models (Ignacio Reyes, 8/12)