Machine learning e IA · Machine Learning

Aprendizaje Supervisado Avanzado y Métodos de Kernel

Introducción pública · guía completa en Eikos

Introducción

De qué trata esta guía

Inteligencia Artificial y Aprendizaje Estadístico de Nivel Doctoral

Recorrido

Temas que aborda

  • Introducción
  • Teoría del Aprendizaje Estadístico y Complejidad
  • Complejidad de Rademacher
  • Dimensión Vapnik-Chervonenkis (VC)
  • Regularización y Optimización en Espacios Funcionales
  • Regularización vs : Ridge y Lasso

Conceptos relacionados

Conexiones principales

  • algebra
  • calculo
  • regularizacion
  • varianza
  • ml supervisado
  • bayes

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[(h(X),Y)]=\X×\Y(h(x),y)\ddP(x,y).R(h) = \E_{(X,Y) \sim \mathbb{P}}[\ell(h(X), Y)] = \int_{\X \times \Y} \ell(h(x), y) \dd \mathbb{P}(x, y).
Ver LaTeX fuenteR(h) = \E_{(X,Y) \sim \mathbb{P}}[\ell(h(X), Y)] = \int_{\X \times \Y} \ell(h(x), y) \dd \mathbb{P}(x, y).