Machine learning: prácticas habituales

1. Recorrido teórico acelerado

Ahora estamos familiarizados con una serie de conceptos y notaciones, que hemos abordado a través de experimentos y descubrimientos empíricos sucesivos. Vamos a recolocar parte de esta información en un marco teórico simplificado para brindarle una descripción general rápida del diseño del campo teórico común a los profesionales del machine learning. La mayoría de las veces tomaremos el punto de vista del aprendizaje supervisado (y con una pequeña tendencia a favorecer la clasificación sobre la regresión del aprendizaje supervisado, porque esta última es más didáctica).

Advertencia: como en otras partes del libro, se describen nociones matemáticas, pero no se describen de manera formal, como lo haría un matemático. Por ejemplo, no se explicitan formalmente los cuantificadores matemáticos o las definiciones precisas de los espacios a los que pertenecen determinadas variables y funciones, así como sus dominios de definición o imágenes. De esta manera, evitamos, por ejemplo, definir nociones como el espacio de Hilbert o las resultantes de la teoría de la medida, etc. Para obtener definiciones «rigurosas», consulte los sitios web que citamos en la introducción del libro.

a. Linealidad

Los modelos lineales implementan una señal, que se puede expresar como: wTx + b (también encontramos esta formulación...

Si desea saber más, le proponemos el siguiente libro:
couv_EPT3DASR.png
60-signet.svg
Versión impresa
20-ecran_lettre.svg
Versión online
41-logo_abonnement.svg
En ilimitado con la suscripción ENI
130-boutique.svg
En la tienda oficial de ENI
Anterior
Representación gráfica de los datos
Siguiente
¿Dónde estamos en nuestro aprendizaje?