Eikosestadística y ciencia de datos

Machine learning e IA · Machine Learning

Machine Learning: Modelos Lineales Avanzados y Métodos de Regularización

Introducción pública · guía completa en Eikos

Introducción

De qué trata esta guía

\mathcal{L}(\beta) = \|Y - X\beta\|_2^2 + \lambda \|\beta\|_p^p |> argmin_\beta (\text{Regularización}) Teoría Estadística e Implementación Algorítmica

Recorrido

Temas que aborda

  • Introducción
  • Modelos Lineales Avanzados y Métodos de Regularización
  • Perspectiva de Pérdida y Probabilidad en Mínimos Cuadrados
  • Fundamento Geométrico de Mínimos Cuadrados Ordinarios (OLS)
  • Estimación por Máxima Verosimilitud e Hipótesis de Gauss-Markov
  • Multicolinealidad y Descomposición en Valores Singulares (SVD)

Conceptos relacionados

Conexiones principales

  • regularizacion
  • algebra
  • bayes
  • colinealidad
  • regresion lineal
  • verosimilitud

Notación compatible

Muestra matemática en LaTeX

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

β^=arg⁡min⁡β∈Rp∥Y−Xβ∥22\hat{\beta} = \arg\min_{\beta \in \mathbb{R}^p} \|Y - X\beta\|_2^2
Ver LaTeX fuente\hat{\beta} = \arg\min_{\beta \in \mathbb{R}^p} \|Y - X\beta\|_2^2