CAPÍTULO 12 / 40
Máquinas de Vectores de Soporte
2 lecciones · Explora, experimenta y comprende.
DOJO PETTu pequeño compañero de código
DOJO / TU GUÍA
Aprendamos juntos.
Pregúntame sobre este curso o por dónde empezar.
Lecciones del capítulo
2 lecciones
Por qué importa en ML
Las SVM encuentran el hiperplano de máximo margen entre clases — el plano geométrico tras las pérdidas por margen que hoy se usan en hinge loss, aprendizaje contrastivo y aprendizaje métrico.
- SVM
- kernel SVM
- hinge loss
- Paso 52~20m3D · 12Código · 15★Más cinematográfica⚡Reto
SVM: Hiperplanos Separadores y Márgenes
Las Máquinas de Vectores de Soporte (SVM) resuelven la clasificación binaria encontrando el hiperplano de máximo margen que separa las dos c…
Abrir lección - Paso 53~20m3D · 21Código · 15★Más cinematográfica⚡Reto
SVM: Kernels
Las SVM lineales solo pueden trazar fronteras de decisión rectas — pero la mayoría de los datos interesantes no son linealmente separables.…
Abrir lección