Los algoritmos de aprendizaje automático no supervisado (Unsupervised Machine Learning) permiten clasificar unidades experimentales u observacionales a posteriori, sin información previa sobre su origen, naturaleza o tipificación. Esto los hace extremadamente útiles para clasificar y jerarquizar riesgos ambientales, cuando se cuenta con datos que no tienen una variable de respuesta identificable. En esta presentación abordaremos, desde un ejemplo aplicado, algunos conceptos y procedimientos para el uso de estos algoritmos y su utilidad para el análisis avanzado de información en cualquier área del conocimiento.

Profesionales, docentes, estudiantes, investigadores y en general todas las personas interesadas en aplicar estadística y software especializado en el manejo de datos cuantitativos.

Conocer y aplicar algoritmos de aprendizaje automático no supervisado para clasificar y valorar riesgos ambientales.

• Filosofía del Aprendizaje Automático no-supervisado.
• Big data.
• Algoritmo Componentes Principales.
• Algoritmo K-means clustering.
• Algoritmo de agrupaciones jerárquicas.
• Preguntas de los participantes.

Felipe Benavides Martínez. PhD
Biólogo de la Universidad de Nariño y Doctor en Ecología de la Universidad Austral de Chile. Es instructor del portafolio cuantitativo de Software Shop, con experiencia en la aplicación de modelos bioestadísticos para las Ciencias de la Salud, Biomédicas, Agrícolas y Ambientales. Ha ejercido la docencia universitaria en maestría y doctorado y realiza asesoría científica continua a grupos de investigación, gobierno, ONGs y empresas privadas para la creación, validación y aplicación de diseños experimentales y modelos bioestadísticos.

Este y muchos eventos los creamos gratuitamente para ti, en busca de un mejor desarrollo de nuestra región!