CAPÍTULO 20 / 40
Teoría estadística del aprendizaje
3 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
3 lecciones
Por qué importa en ML
Sesgo–varianza, train/val/test y PAC dan el marco para '¿cuándo funciona el modelo en datos nuevos?' — la pregunta central del ML supervisado.
- bias-variance
- VC dimension
- PAC bounds
- Paso 89~15m3D · 113★Más cinematográfica
Descomposición sesgo–varianza
El error esperado de todo modelo se descompone en tres términos — sesgo, varianza y ruido irreducible. Saber cuál domina te dice si agregar…
Abrir lección - Paso 90~10m3D · 112★Más cinematográfica
Train / validación / test y generalización
El split que te protege de mentirte a ti mismo: el error de train mide ajuste, el de validación afina hiperparámetros, el de test estima gen…
Abrir lección - Paso 91~10m13
Aprendizaje PAC y dimensión VC
El aprendizaje PAC responde formalmente a '¿cuántas muestras necesito?' — y la dimensión VC mide la capacidad efectiva de una clase de model…
Abrir lección