FormaTTic é un programa de formación multidisciplinar deseñado para o persoal investigador de atlanTTic. Desenvolverase ao longo do mes de outubro de 2021 e consistirá, igual que na súa primeira edición de 2020, nunha serie de sesións sobre diversas temáticas impartidas por profesionais.
Título: “Introducción práctica al uso de la metodología PRISMA para la creación de artículos científicos tipo “revisiones sistemáticas”
5-8 de octubre de 2021 | 16.00-18.00 h.
Aforo limitado: 20 personas. Sala Acristalada-E.E. de Telecomunicación.
Imparte: DATASALUS.
Dra. Sonia Valladares Rodríguez. PhD Tecnologías de la Información y las Comunicaciones. Cofundadora de DATASALUS.
Dr. Mateo Ramos Merino. PhD Tecnologías de la Información y las Comunicaciones. Cofundador de DATASALUS.
Descripción: PRISMA (i.e., The Preferred Reporting Items for Systematic reviews and Meta-Analyses) es una metodología para creación de revisiones sistemáticas y/o meta-análisis de la literatura científica, dando lugar a artículos tipo Survey o Reviews. Se compone de 4 fases (i.e., Identification, Screening, Eligibility, and Included) a través de las cuales se guía a los investigadores en el proceso de encontrar los artículos que mejor encajan en la pregunta de investigación planteada. Si se sigue este proceso adecuadamente, se conseguirá realizar un análisis sistemático, que podrá ser replicable y comprobado por parte de la comunidad científica. En este curso se introduce la metodología PRISMA, describiendo sus características, ventajas y las distintas fases que la componen. Mediante un ejemplo práctico, se llevará a cabo todo el proceso de creación de un artículo tipo survey. Cada participante podrá plantear su propia pregunta de investigación e irá construyendo todas las fases del proceso de manera guiada. A través del curso se discutirán también las carencias y problemáticas de la aplicación práctica de esta metodología así como una serie de consejos prácticos que facilitarán la tarea.
Requisitos:
● Cada participante deberá disponer de un ordenador con conexión a internet.
● Se utilizará la plataforma de Google Drive.
● Conocimientos básicos de realización de búsquedas en bases de datos científicas.
Título:“Introducción práctica a Machine Learning para investigadores“
13-15 de octubre de 2021 | 16.00-18.40 h.
Aforo limitado: 20 personas. Sala Acristalada-E.E. de Telecomunicación.
Imparte: DATASALUS.
Dra. Sonia Valladares Rodríguez. PhD Tecnologías de la Información y las Comunicaciones. Cofundadora de DATASALUS.
Dr. Mateo Ramos Merino. PhD Tecnologías de la Información y las Comunicaciones. Cofundador de DATASALUS.
Descripción: El Machine Learning (ML) es el campo de estudio que da a los ordenadores la habilidad para aprender sin ser explícitamente programados para ello. Desde hace años, se utiliza en innumerables aplicaciones (desde detección de tumores en escáneres cerebrales hasta bots de videojuegos) con resultados cada vez más satisfactorios. En el mundo académico, tiene un amplio alcance estando presente en múltiples investigaciones y artículos científicos de diversos campos de estudio. En este curso se abordará mediante ejemplos prácticos el proceso completo de entrenamiento de un modelo de predicción de ML. Se utiliza una base de datos real en la que identificará una variable dependiente que será el objetivo de la predicción. Se aborda todas las fases del proceso entre las que destacan: i) el estudio e identificación del problema, ii) la adquisición de datos, iii) la exploración de la base de datos con el objetivo de conocer en mayor medida las relaciones existentes, iv) el preprocesado y limpieza de los datos, v) el entrenamiento de diferentes modelos de ML pertenecientes a distintas familias con el fin de comprobar cuál funciona mejor y vi) el tuneado y refinamiento de los modelos más prometedores utilizando hiper-parámetros. Para aprovechar de manera completa el curso, se incluye en primer lugar una breve introducción teórica a los principales conceptos relacionados con el ML: tipos, aplicaciones, métricas más utilizadas, principales problemas etc. El objetivo es introducir a los participantes en la utilización de las técnicas de ML para que puedan sacar provecho de las mismas aplicándolas a sus investigaciones.
Requisitos:
● Cada participante deberá disponer de un ordenador con conexión a internet.
● Todo el entorno de trabajo software puede ser ejecutado desde la nube, a través de la plataforma de Google Colaboratory.
● Conocimientos básicos de programación. Se utilizará Python y la librería sklearn.
Título: “Introducción a Reinforcement Learning“
18-21 de octubre de 2021 | 15.30-17.30 h.
Aforo limitado: 20 personas. Sala Acristalada-E.E. de Telecomunicación.
Motivación:
El aprendizaje por refuerzo (Reinforcement Learning, RL) es la rama del aprendizaje automático que se ocupa de los procesos de decisión secuenciales. El modelo general de RL consiste en un agente que, en etapas consecutivas, observa el entorno, escoge una acción y recibe un resultado. La versatilidad de este modelo permite aplicar RL en ámbitos tan dispares como la robótica, las finanzas, los protocolos de comunicaciones, los sistemas de recomendación, la automatización industrial, los videojuegos, los vehículos autónomos, etc. Este potencial, unido a la computación masiva, ha incrementado el interés y las inversiones de grandes compañías tecnológicas como Google y Open AI (filial de Tesla), que en los últimos 5 años han logrado resultados prácticos de impacto global como AlphaZero, que revolucionó la práctica profesional del Go y el Ajedrez, AlphaStar, capaz de jugar en la liga de StarCraft II a nivel de Gran Maestro, o la nueva técnica desarrollada por Google para el diseño de microprocesadores.
Objetivos:
El curso proporciona una introducción a RL, comenzando por los conceptos básicos de aprendizaje en problemas de decisión secuencial, formalizados como multi-armed bandits (MAB), y los procesos de decisión de Markov (MDP), que generalizan el problema MAB y aportan los fundamentos teóricos necesarios para comprender los algoritmos de RL. El curso se centrará en algoritmos RL basados en valor (value-based), en línea con la principal referencia bibliográfica [Reinforcement Learning: An Introduction, Second Edition, Richard S. Sutton and Andrew G. Barto, MIT Press, Cambridge, MA, 2018], y se desarrollarán de forma incremental: 1) métodos tabulares (Monte Carlo y Temporal Difference), que son aplicables a problemas con un número relativamente pequeño de estados y de acciones. 2) Métodos de aproximación de función valor, que permiten escalar los algoritmos anteriores a problemas de mayor tamaño y con espacios continuos de estados y de acciones. Para ilustrar los algoritmos explicados durante el curso se aportarán diversos ejemplos implementados en Python y ejecutados sobre entornos de OpenAI Gym.