Objectes multimèdia amb l’etiqueta: Centres docents
Resultats de la cerca
Meeting points-llocs de ball i treball, de pas i trobada
Accés obert
9 de març 2017
Conferència d'Ivan Alcázar, Arquitecte i critic teatral, pel Taller Temàtic Habitatge i Rehabilitació. presentació a càrrec de Ricardo Flores, Professor de l'asignatura, Departament PA ETSAB.
Micro, meso, macro, mirades kaleidoscòpiques per fer paisatges
Accés obert
9 de març 2017
Conferència de Carles Llop, Arquitecte i Urbanista pel cicle MBLAndArch lectures. Presentació a càrrec de Pepa Morán, Arquitecta Paisatgista.
Un updated review of Goodness-of-Fit test for regression models with some recent results. Jornada Pearson (Curs 2016-2017)
Accés obert
8 de març 2017
The term Goodness–of–Fit (Gof) was introduced by Pearson at the beginning of the last century and refers to statistical tests which check how a distribution fits to a data set in a omnibus way. Since then, many papers were devoted to the χ2 test, the Kolmogorov-Smirnov test and other related methods. The pilot function used for testing was mainly the empirical distribution function. In the last twenty five years, there has been an explosion of works that extended the GoF ideas to other types of functions: density function, regression function, hazard rate function and intensity function.
In this talk, we will give a modern review approach for the GoF theory, illustrating applica- tions in topics of great interest and showing some advances with recent results in (a) testing for interest rate models, (b) testing with directional data and (c) testing for regression with functional covariables.
In this talk, we will give a modern review approach for the GoF theory, illustrating applica- tions in topics of great interest and showing some advances with recent results in (a) testing for interest rate models, (b) testing with directional data and (c) testing for regression with functional covariables.
Els mètodes kernel i perquè els hauríem d'estimar. Jornada Pearson (Curs 2016-2017)
Accés obert
8 de març 2017
Molts problemes d'aprenentatge automàtic es poden formular com problemes clàssics de l'estadística multivariant; per exemple, el reconeixement de patrons, la regressió o la reducció de la dimensió. Cada cop és més freqüent que els problemes vinguin descrits per dades que no segueixen la representació clàssica de vectors de nombres reals. Per exemple, seqüències de proteïnes, documents de text i XML, imatges, grafs o sèries de temps són comunes en biologia computacional, text mining, web mining, en el reconeixement de veu, etc.
Els mètodes kernel són una classe d'algorismes que estenen l'aplicabilitat de molts mètodes estadístics a pràcticament qualsevol tipus de dades, sense la necessitat de vectorització o codificació explícita. També tenen la virtut de convertir un mètode fonamentalment lineal en un de no lineal, subjecte a certes condicions d'EFoto_belancheuclidianitat. En aquesta xerrada s'ofereix una panoràmica dels mètodes kernel i s'il·lustra el seu potencial aplicant-les a algunes de les tècniques de l'estadística multivariant: regressió lineal, PCA i MDS.
Els mètodes kernel són una classe d'algorismes que estenen l'aplicabilitat de molts mètodes estadístics a pràcticament qualsevol tipus de dades, sense la necessitat de vectorització o codificació explícita. També tenen la virtut de convertir un mètode fonamentalment lineal en un de no lineal, subjecte a certes condicions d'EFoto_belancheuclidianitat. En aquesta xerrada s'ofereix una panoràmica dels mètodes kernel i s'il·lustra el seu potencial aplicant-les a algunes de les tècniques de l'estadística multivariant: regressió lineal, PCA i MDS.
