Título de la ponencia:

Aprendizaje regularizado: Cuando los datos no bastan (Pdf)

Resumen:

El aprendizaje regularizado se ha convertido en un campo clave del aprendizaje automático debido a la necesidad de lidiar con problemas con un gran volumen de datos. En particular, el aprendizaje a través de términos convexos presenta propiedades teóricas deseables, siendo estos regularizadores los más extendidos. De entre ellos, algunos términos de regularización no diferenciables proporcionan propiedades interesantes en los modelos resultantes, como ser dispersos o constantes a trozos.

En este charla se abordarán algunos de los regularizadores convexos no diferenciables clásicos, los efectos que producen al ser utilizados en aprendizaje automático, y se introducirán algunos algoritmos basados en optimización proximal para resolver los problemas de optimización resultantes.

Bio:

Carlos M. Alaíz (PhD, Universidad Autónoma de Madrid) es investigador post-doctoral en la Universidad Autónoma de Madrid. Obtuvo en esta universidad los títulos de Ingeniero en Informática y Licenciado en Matemáticas en 2008, los de Máster en Ingeniería Informática y de las Telecomunicaciones y en Matemáticas y Aplicaciones en 2010, y el de doctorado en 2014. Ha sido profesor visitante lector en la Universidad Carlos III de Madrid en 2015, e investigador post-doctoral en la KU Leuven (Bélgica) entre 2015 y 2017.

Su investigación está centrada principalmente en optimización convexa y aprendizaje regularizado, pero también cubre otros campos en aprendizaje automático y reconocimiento de patrones.