Eikosestadística y ciencia de datos

Machine learning e IA · Machine Learning

Validación, Selección de Modelos y Aspectos Prácticos en Machine Learning

Introducción pública · guía completa en Eikos

Introducción

De qué trata esta guía

☰ ↑ Validación e Inferencia en Aprendizaje Automático

Recorrido

Temas que aborda

  • Introducción
  • Machine Learning: Validación, Selección de Modelos y Práctica
  • Teoría del Aprendizaje Estadístico y Generalización
  • 1.1 Riesgo Teórico frente a Riesgo Empírico
  • 1.2 Complejidad de Rademacher y Cota de Generalización
  • El Dilema Sesgo-Varianza (Bias-Variance Tradeoff)

Conceptos relacionados

Conexiones principales

  • validacion cruzada
  • sobreajuste
  • varianza
  • diagnostico
  • receta
  • 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)∼D[L(h(x),y)]=∫X×YL(h(x),y) dP(x,y)R(h) = \mathbb{E}_{(x, y) \sim \mathcal{D}} [L(h(x), y)] = \int_{\mathcal{X} \times \mathcal{Y}} L(h(x), y) \, d\mathbb{P}(x, y)
Ver LaTeX fuenteR(h) = \mathbb{E}_{(x, y) \sim \mathcal{D}} [L(h(x), y)] = \int_{\mathcal{X} \times \mathcal{Y}} L(h(x), y) \, d\mathbb{P}(x, y)