Farielberry Lab es un grupo de investigación de la Facultad de Ingeniería (Universidad de la República). Nuestra investigación se centra en el desarrollo de enfoques computacionales basados en la matemática aplicada (procesamiento de señales y aprendizaje automático) a los datos genómicos.
Los responsables de este grupo son María Inés Fariello y Federico Lecumberry.
Contacto: farielberry@gmail.com
Seminario 2022: Aprendizaje Automático Estadístico para la Predicción Genómica
Los temas seguirán el contenido y estructura del libro de Multivariate Statistical Machine Learning Methods for Genomic Prediction. Montesinos O. A., Montesinos A., & Crossa, J. (2022). Springer Nature.
Las charlas serán cubiertas entre expertos de las áreas involucradas y los participantes del seminario.
Los seminarios serán los martes a las 16:00 por Zoom (Meeting ID: 817 9853 4465, Passcode: predgen.22)
Sesiones
- Introducción a la Predicción Genómica y el Aprendizaje Automático Estadístico. José Crossa (CIMMYT, México)
- Genomic testing in dairy cattle: progress, challenges, and perspectives. Francisco Peñagaricano (University of Wisconsin-Madison, EEUU)
- NGS data generation and analysis pipelines. Lucía Spangenberg (Institut Pasteur de Montevideo)
- Herramientas para procesamiento de datos genómicos. María Inés Fariello.
- Capítulo 3: Elements for Building Supervised Statistical Machine Learning Models. Rosina Comas. [2022-04-26]
- Capítulo 4: Overfitting, Model Tuning, and Evaluation of Prediction Performance. Ramiro Perez. [2022-05-03]
- Capítulo 5: Linear Mixed Models. Ximena Fernández. [2022-05-10]
- Capítulo 6: Bayesian Genomic Linear Regression. Gracias Castro, Romina Hoffman y Mateo Musitelli. [2022-05-17]
- Capítulo 7: Bayesian and Classical Prediction Models for Categorical and Count Data. Sofía Ceballos. [2022-05-24]
- Capítulo 8: Reproducing Kernel Hilbert Spaces Regression and Classification Methods. Vittorio Puricelli. [2022-05-31]
- Capítulo 9: Support Vector Machines and Support Vector Regression. Micaela Long y Bruno Tancredi. [2022-06-07]
- Capítulo 10: Fundamentals of Artificial Neural Networks and Deep Learning. Franco Laureano. [2022-06-14]
- Capítulo 11: Artificial Neural Networks and Deep Learning for Genomic Prediction of Continuous Outcomes. Hernán Juan. [2022-06-21]
- Capítulo 12: Artificial Neural Networks and Deep Learning for Genomic Prediction of Binary, Ordinal, and Mixed Outcomes. Lourdes Cairelli. [2022-06-28]
- Capítulo 14: Functional Regression. Rosana García. [2022-07-12]
- Capítulo 15: Random Forest for Genomic Prediction. Lucas Inchausti [2022-07-19]
- Capítulo 13: Convolutional Neural Networks. Gustavo Suárez. [2022-07-26]