Eikosestadística y ciencia de datos

Machine learning e IA · Machine Learning

Optimización Matemática para el Aprendizaje de Máquina

Introducción pública · guía completa en Eikos

Introducción

De qué trata esta guía

☰ ↑ Álgebra Lineal y Cálculo multivariable

Recorrido

Temas que aborda

  • Introducción
  • Introducción general y formalización de problemas
  • 1.1 Estructura y taxonomía de optimizadores
  • Topología y Geometría de Funciones de Pérdida
  • 2.1 Convexidad: el escenario ideal
  • 2.2 Puntos críticos y análisis espectral del Hessiano

Conceptos relacionados

Conexiones principales

  • regularizacion
  • algebra
  • optimizacion
  • calculo
  • redes
  • varianza

Notación compatible

Muestra matemática en LaTeX

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

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