[Doctorandos] Novedades de posgrado

[posgrado en fcaglp.fcaglp.unlp.edu.ar]

Estimada comunidad,
           a continuación les enviamos las novedades de posgrado:

 

================================================================

Materia de postgrado ASTROESTADíSTICA 

docente: Mariano Dominguez (IATE)
Se dará en formato virtual durante el primer cuatrimestre del 2022.
En caso de interés contactarse a mariano.dominguez en unc.edu.ar

  TÍTULO: Astroestadistica
  AÑO: 2022 CUATRIMESTRE: 1° N° DE CRÉDITOS: VIGENCIA: 3 años
  CARGA HORARIA: 60 horas de teoría y 60 horas de práctica
  CARRERA/S: Doctorado en Astronomía
 
  FUNDAMENTOS
  Se discutirán los fundamentos teóricos de la astroestadística,
fundamentales para comprender
  en profundidad los algoritmos de aprendizaje automático.
  Se aprenderán tópicos de Machine Learning haciendo hincapié en las
técnicas y aplicaciones
  prácticas, cubriendo todo el ciclo completo del análisis de datos.
  Se introduce el completo stack científico de python y las herramientas
computacionales para
  el desarrollo del aprendizaje automático.
 
  OBJETIVOS
  Se pretende que el alumno se familiarice con los conceptos de
clasificación, regresión
  clustering, y con los principales métodos de implementación en python.
Se revisarán los
  problemas que se pueden presentar en un conjunto de datos real, para los
cuales hay que
  modificar y ajustar los modelos básicos.

   PROGRAMA
   Unidad I: Análisis y Estadística de Datos
   Revisaremos lo que significa la Ciencia de Datos y cómo se relaciona con
otros paradigmas
   científicos. Diferencias entre alto y bajo nivel. Introducción al
lenguaje Python. Librerías de
   cómputo científico. Seguimos con una introducción a la probabilidad,
las variables aleatorias,
   y las herramientas que nos brinda la estadística descriptiva.
   Práctica: github, Jupyter, Colab, numpy, scipy

    Unidad II: Curación y Visualización de Datos
    Rrevisaremos las técnicas que debemos aplicar previamente al análisis
sobre los features
    incluyendo curación, imputación, anonimización, normalización y
mucha visualización
    incluyendo exploración con datos astronómicos.
    Práctica: pandas, matplotlib, seaborn, astropy, glue, Firefly.
 
    Unidad III: Inferencia Estadística Clásica
    Revisaremos los conceptos de Estimación por máximo Likelihood.
Selección de modelos.
    Aplicación a mixtura de Gaussianas, el algoritmo de maximización de la
expectativa.
    Estimación de intervalos de confidencia, Técnicas de bootstrap y
Jackknife. Testeo de
    Hipótesis. Comparación de distribuciones. Modelado no paramétrico e
Histogramas.
    Práctica: Efectos de selección, Aplicación: Determinación de
Funciones de Luminosidad.
    astroML.
 
    Unidad IV: Inferencia Bayesiana
    Revisaremos los métodos Bayesianos. Priors.Quantificacion Bayesiana de
las incertezas de
    los parámetros. Selección de modelos Bayesiana. Priors no uniformes:
sesgos de Eddington,
    Malmquist. Ejemplos de estimación de parámetros y selección de
modelos.
    Práctica: Métodos numéricos MCMC en análisis de CMB con MCMC. PyMC.
NASA Lambda.
     Unidad V: Aprendizaje automático no Supervisado
     Revisaremos las Estimas de densidades no paramétricas. Estimación de
densidad de puntos
     cercanos. Búsqueda de cúmulos en los datos. Funciones de
Correlación. Problemas en
     muchas dimensiones: Análisis de Componentes Principales.
Factorización de matrices no
     negativas. Aprendizaje automático. Análisis de Componentes
independientes y Proyecciones
     TLAs. Comparativa de Técnicas de selección de Features.
     Práctica: Aplicaciones en catálogos de galaxias con redshift.
Scikit-learn.
 
     Unidad VI: Aprendizaje automático Supervisado: Regresión
     Formulamos la Regresión en modelos lineales. Regularización.
Regresión de Componentes
     principales. Regresión no lineal local. Regresiones no lineales.
Incertezas en los datos.
     Regresion con Procesos Gaussianos. Ajuste excesivo y deficiente,
métodos de validación
     cruzada.
 
     Práctica: Aplicaciones y Visualización. Sklearn.
     Unidad VII: Aprendizaje automático Supervisado: Clasificación
     Revisaremos la asignación de categorías. Clasificadores por vecinos
más cercanos. Máquinas
     de soporte vectorial. Árboles de decisión. Evaluación de los
clasificadores, curvas ROC.
     Control de la tasa de descubrimientos falsos.
     Práctico: Detección de objetos objetos extendidos y puntuales,
identificaciones. LSST
     pipelines.

      Unidad VIII: Análisis de Series Temporales
      Nos preparamos para la era del dominio temporal. Análisis de series
temporales periódicas.
      Señales temporalmente localizadas. Análisis de procesos
estocásticos. Técnicas de DIA.
      Clases no Balanceadas. Brokers en ZTF, LSST y RSP.
      Práctica: Detección y Clasificación de transitorios ópticos en
conjuntos de datos masivos.
 
      Unidad IX: El futuro del Aprendizaje Automático
      Revisamos el reciente progreso de las técnicas de aprendizaje
profundo y su profundo
      impacto en la sociedad. Librerias de DL: Keras, Tensorflow, PyTorch,
Técnicas de
      diferenciación automática: Jax, el auto ML: auto-sklearn, autoKeras.
DL para descubrimiento
      en física y programación con IAs, consideraciones éticas y
sociales.
      Práctica: arquitecturas de Deep Learning en problemas a seleccionar.

       PRÁCTICAS
       Las practicas fueron descriptas en la unidad correspondiente. Se
realizan mediante notebooks
       en Google Colab aplicando conceptos y bibliotecas de software. Se
revisan por el docente
       que provee feedback mediante comentarios hasta alcanzar el objetivo

        MODALIDAD DE EVALUACIÓN
        La regularizacion se realiza aprobando el 80 de los practicos. La
evaluacion final es oral con
        una exposicion de un trabajo a eleccion del alumno intercalado con
conceptos teoricos y
        practicos de la materia.
 
        REQUERIMIENTOS PARA EL CURSADO
        Algebra Lineal y Analisis Diferencial

================================================================    

   Enlace para ver el BOLETíN INFORMATIVO DE LA PROSECRETARíA DE
POSGRADO DE LA UNLP  
 
  https://mailchi.mp/17741f9feaf5/boletn-informativo-8589197?e=d0f1de2a46
 
  ================================================================
      Saludos cordiales,

   Posgrado
  --------------------------------------------------------------   Dra.
María Laura Rosa          Geof. Consuelo Sagarra
Secretaria de Posgrado        Prosecretaria de Posgrado
    
   Facultad de Ciencias Astronómicas y Geofísicas
Universidad Nacional de La Plata     TELéFONO: (0221) - 423 - 6593 int.
1050
http://www.fcaglp.unlp.edu.ar/posgrados[1]
--------------------------------------------------------------



Vínculos:
---------
[1] http://www.fcaglp.unlp.edu.ar/area-docente/posgrado/posgrado
------------ próxima parte ------------
Se ha borrado un adjunto en formato HTML...
URL: <http://fcaglp.fcaglp.unlp.edu.ar/pipermail/doctorandos/attachments/20211119/bc212c39/attachment-0001.html>