MACHINE LEARNING PARA INVESTIGACIÓN CIENTÍFICA. Random Forest, Boosting y Técnicas Avanzadas de Interpretación por Manuel Mendoza

Impartido por: Manuel Mendoza García. Científico Titular del MNCN-CSIC.

Objetivo: Aprender a utilizar en investigación científica modelos como Random Forest, GBM, CatBoost o XgBoost, así como herramientas avanzadas con las que interpretarlos (Partial Dependence Plots, Valores de Shapley, LIME, Perfil de desglosamiento de importancias) comprendiendo los conceptos teóricos en los que se fundamentan. El curso tiene un enfoque altamente práctico (≈ 75%), con más de 50 ejercicios basados en investigaciones reales (ver programa). La programación, resolución e interpretación de estos ejercicios se desarrolla en paralelo con la teoría.

Dirigido a: Investigadores de cualquier área y nivel académico.

Requisitos: 

• Conocimientos básicos de R.
• Haber realizado el curso Machine Learning para Investigación Científica: Árboles de Clasificación y Regresión o uno equivalente
• Traer portátil si se acude de forma presencial.

Material incluido en el curso:

• Códigos explicados de todos los ejercicios del curso.
• Guía del curso con los principales conceptos en el PowerPoint de las clases en el siguiente enlace

Para más información sobre el curso, el temario y el proceso de inscripción, hacer clic en este enlace.