Eikosestadística y ciencia de datos

Machine learning e IA · Machine Learning

Máquinas de Vector de Soporte (SVM) y Métodos de Kernel

Introducción pública · guía completa en Eikos

Introducción

De qué trata esta guía

Una exposición matemática rigurosa, desde la geometría del hiperplano de margen máximo hasta los espacios funcionales de Hilbert (RKHS), teoremas de representación y optimización convexa.

Recorrido

Temas que aborda

  • Introducción
  • Máquinas de Vector de Soporte y Métodos de Kernel
  • Fundamentos del Aprendizaje Estadístico
  • 1.1 Minimización del Riesgo Empírico vs. Estructural
  • 1.2 La Dimensión Vapnik-Chervonenkis (Dimensión VC)
  • 1.3 Cota de Generalización de Vapnik

Conceptos relacionados

Conexiones principales

  • ml supervisado
  • algebra
  • calculo
  • regularizacion
  • media
  • sobreajuste

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