CAPÍTULO 24 / 40
Fundamentos de estadística y optimización
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
Intervalos de confianza, jacobianas/hessianas y dualidad KKT cierran la base: cada accuracy tiene un IC, cada optimizador ve curvatura, y cada loss restringido tiene un dual limpio.
- bootstrap CIs
- L-BFGS
- natural gradient
- SVM dual
- Paso 101~10m13
Pruebas de hipótesis e intervalos de confianza
Las pruebas de hipótesis y los intervalos de confianza convierten muestras finitas en afirmaciones rigurosas sobre la población — la misma m…
Abrir lección - Paso 102~15m3D · 113★Más cinematográfica
Jacobianas, Hessianas y el método de Newton
Más allá del gradiente: la jacobiana es el gradiente de una función vector-valuada, la hessiana es el gradiente de un gradiente, y el método…
Abrir lección - Paso 103~15m3D · 113★Más cinematográfica
Dualidad convexa y condiciones KKT
Todo problema de optimización con restricciones tiene un *dual* — un segundo problema cuyo óptimo iguala al original bajo convexidad. Las co…
Abrir lección