CS 229 ― Aprendizaje automático
Hoja de referencia
- • Función de pérdida, descenso de gradiente, verosimilitud
- • Modelos lineales, máquinas de vectores de soportes, aprendizaje generativo
- • Métodos basados en árboles y conjuntos, k-NN, teoría del aprendizaje
- • Expectativa-Maximización, k-means, Agrupación jerárquica
- • Métricas de evaluación de agrupamiento
- • Análisis de componentes principales, análisis de componentes independientes
- • Arquitectura, función de activación, retropropagación, retiro
- • Capa convolucional, normalización por lotes, tipos de puerta
- • Procesos de decisión de Markov, ecuación de Bellman, Q-learning
- • Matriz de confusión, exactitud, precisión, exhaustividad, F1 score, ROC
- • R cuadrado, Cp de Mallow, AIC, BIC
- • Validación cruzada, regularización, corrección de sesgo/varianza, análisis de errores
Repaso
- • Axiomas de la probabilidad, permutación, regla de Bayes, independencia, probabilidad condicional
- • Variables aleatorias, valor esperado, varianza
- • Teorema del Límite Central, estimación de parámetros
- • Matrices principales, multiplicación, transpuesta, inversa, traza, determinante
- • Valor propio, vector propio, norma, gradiente, Hessiana
- • Matriz semi-definida positiva, teorema espectral, descomposición en valores singulares