Temas avanzados y aplicados · Bioestadistica Computacional

Bioestadística Computacional: Métodos de Aprendizaje Automático

Introducción pública · guía completa en Eikos

Introducción

De qué trata esta guía

☰ ↑ Aprendizaje Automático · Métodos Estadísticos Avanzados

Recorrido

Temas que aborda

  • Introducción
  • Bioestadística Computacional: Métodos de Machine Learning
  • Bioestadística clásica versus Aprendizaje Automático
  • 1.1 La Maldición de la Dimensionalidad
  • 1.2 Compromiso Sesgo-Varianza en el Entorno Clínico
  • Métodos de Regularización: Ridge, Lasso y Elastic Net

Conceptos relacionados

Conexiones principales

  • supervivencia
  • regularizacion
  • ml supervisado
  • sobreajuste
  • varianza
  • interpretabilidad

Notación compatible

Muestra matemática en LaTeX

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

E[(yf^(x))2]=Bias[f^(x)]2+Var[f^(x)]+σ2E\left[(y - \hat{f}(x))^2\right] = \text{Bias}\left[\hat{f}(x)\right]^2 + \text{Var}\left[\hat{f}(x)\right] + \sigma^2
Ver LaTeX fuenteE\left[(y - \hat{f}(x))^2\right] = \text{Bias}\left[\hat{f}(x)\right]^2 + \text{Var}\left[\hat{f}(x)\right] + \sigma^2