Eikosestadística y ciencia de datos

Machine learning e IA · Machine Learning

Machine Learning: Fundamentos y Teoría de la Decisión — Referencia Avanzada

Introducción pública · guía completa en Eikos

Introducción

De qué trata esta guía

# Teoría de la Decisión Estadística

Recorrido

Temas que aborda

  • Introducción
  • Machine Learning Fundamentos y Teoría de la Decisión
  • 1. Formalización Matemática del Aprendizaje Supervisado
  • 2. Teoría de la Decisión Bayesiana
  • 2.1 Derivación del Predictor de Bayes para Pérdidas Comunes
  • Caso 1: Pérdida Cuadrática ( Loss) en Regresión

Conceptos relacionados

Conexiones principales

  • regularizacion
  • varianza
  • ml supervisado
  • bayes
  • sobreajuste
  • media

Notación compatible

Muestra matemática en LaTeX

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

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