Eikosestadística y ciencia de datos

Machine learning e IA · Mineria Datos

Minería de Datos: Aprendizaje Supervisado — Fundamentos de Clasificación y Regresión

Introducción pública · guía completa en Eikos

Introducción

De qué trata esta guía

☰ ↑ Tratado Técnico de Nivel Doctorado

Recorrido

Temas que aborda

  • Introducción
  • Aprendizaje Supervisado: Clasificación y Regresión
  • Teoría de la Decisión Bayesiana y Minimización del Riesgo
  • 1.1 La Descomposición Sesgo-Varianza
  • Regresión Lineal Múltiple: Formulación Matricial, Supuestos e Inferencia
  • 2.1 Supuestos de Gauss-Markov

Conceptos relacionados

Conexiones principales

  • regularizacion
  • ml supervisado
  • algebra
  • sobreajuste
  • varianza
  • validacion cruzada

Notación compatible

Muestra matemática en LaTeX

La expresión se renderiza de forma accesible y conserva debajo su fuente LaTeX.

R(f)=E(X,Y)∼P[L(Y,f(X))]=∫X×YL(y,f(x)) dP(x,y)R(f) = \mathbb{E}_{(X,Y) \sim \mathbb{P}}[L(Y, f(X))] = \int_{\mathcal{X} \times \mathcal{Y}} L(y, f(x)) \, d\mathbb{P}(x, y)
Ver LaTeX fuenteR(f) = \mathbb{E}_{(X,Y) \sim \mathbb{P}}[L(Y, f(X))] = \int_{\mathcal{X} \times \mathcal{Y}} L(y, f(x)) \, d\mathbb{P}(x, y)