<div dir="ltr"><div>Hola, </div><div class="gmail_quote"><div dir="ltr"><div><div class="gmail_quote"><div dir="ltr"><div style="font-family:trebuchet ms,sans-serif"><br></div><div style="font-family:trebuchet ms,sans-serif">Este martes, a las 14hs, en el salón 4 (FCEA), tendremos la siguiente charla:</div><div style="font-family:trebuchet ms,sans-serif"><br></div><div style="font-family:trebuchet ms,sans-serif"><u>Título:</u> Precondicionadores robustos y efectivos para métodos de regresión por kerneles.<br><u><br></u></div><div style="font-family:trebuchet ms,sans-serif"><u>Conferencista:</u> Mateo Diaz  (Johns Hopkins Univ. Department of Applied Mathematics and Statistics)<br><u><br></u></div><div style="font-family:trebuchet ms,sans-serif"><u>Resumen:</u> Introducimos dos técnicas de precondicionamiento aleatorio para resolver de forma robusta problemas de regresión no lineal con kernel ridge (KRR) asumiendo un número de datos en rango medio ($10^4 \leq N \leq 10^7$). El primer método, el precondicionamiento RPCholesky, es capaz de resolver con precisión el problema KRR de datos completos en $O(N^2)$ operaciones aritméticas, suponiendo un decaimiento suficientemente rápido de los valores propios de la matriz del kernel. El segundo método, el preacondicionamiento KRILL, ofrece una solución precisa a una versión restringida del problema KRR que involucra $k\ll N$ centros de datos seleccionados llevando a un costo de $O((N + k^2) k \log k)$ operaciones. Los métodos propuestos resuelven eficientemente una amplia gama de problemas KRR y superan los modos de fallo de los anteriores preacondicionadores KRR, haciéndolos ideales para aplicaciones prácticas.<br></div><div style="font-family:trebuchet ms,sans-serif"><br></div><div style="font-family:trebuchet ms,sans-serif">Por más información ver:</div><div style="font-family:trebuchet ms,sans-serif"><a href="https://iesta.fcea.udelar.edu.uy/charla-instituto-de-estadistica-precondicionadores-robustos-y-efectivos-para-metodos-de-regresion-por-kerneles/" target="_blank">https://iesta.fcea.udelar.edu.uy/charla-instituto-de-estadistica-precondicionadores-robustos-y-efectivos-para-metodos-de-regresion-por-kerneles/</a><br></div><div><br></div><div><div dir="ltr" class="gmail_signature" data-smartmail="gmail_signature"><div dir="ltr"><div dir="ltr"><div><span style="font-size:12.8px"> <span class="gmail_default" style="font-family:"trebuchet ms",sans-serif">Saludos  </span></span></div><div><span style="font-size:12.8px"><span class="gmail_default" style="font-family:"trebuchet ms",sans-serif">       </span>Diego</span></div><div dir="ltr"><br></div></div></div></div></div></div>
</div></div></div>
</div><br clear="all"><br><span class="gmail_signature_prefix">-- </span><br><div dir="ltr" class="gmail_signature" data-smartmail="gmail_signature"><div dir="ltr">Ernesto Mordecki <a href="http://www.cmat.edu.uy/~mordecki/" target="_blank"></a></div></div></div>