CAPÍTULO 08 / 40
Cuando los Modelos Encuentran los Datos
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
El riesgo empírico, la generalización y el equilibrio sesgo–varianza explican por qué un modelo que ajusta perfectamente los datos de entrenamiento puede fallar en datos nuevos — y cómo arreglarlo.
- train/test split
- regularization
- cross-validation
- Paso 42~20m2Código · 15⚡Reto
Datos, Modelos y Aprendizaje
Los siete capítulos anteriores construyeron una caja de herramientas matemática. El capítulo 8 gira la llave y abre la puerta al machine lea…
Abrir lección - Paso 43~20m3D · 12Código · 25★Más cinematográfica⚡Reto
Estimación de Parámetros (MLE y MAP)
Los modelos probabilísticos replantean el aprendizaje como estimación de parámetros. Asume que los datos son generados por — una familia de…
Abrir lección - Paso 44~20m3D · 12Código · 15★Más cinematográfica⚡Reto
Modelado Probabilístico y Selección de Modelos
Una vez que aceptas la mirada probabilística, cada decisión de modelado — la forma funcional, la distribución del ruido, la previa — es un s…
Abrir lección