2.1.11 AI/Formulación del Aprendizaje Automático y Evaluación

Temas:
Core

• Formulación del aprendizaje automático simple como un problema de optimización, como regresión lineal por mínimos cuadrados o regresión logística:
  1. Función objetivo
  2. Descenso de gradiente
  3. Regularización para evitar sobreajuste (formulación matemática)
• Conjuntos de modelos:
  1. Combinación de mayoría ponderada simple
• Evaluación de rendimiento:
  1. Otras métricas para clasificación (por ejemplo, error, precisión, exhaustividad)
  2. Métricas de rendimiento para regresores
  3. Matriz de confusión
  4. Validación cruzada:
     1. Ajuste de parámetros (búsqueda en cuadrícula/aleatoria, mediante validación cruzada)

Aprendizaje esperado (Learning Outcomes):
Core:

1. Comparar y contrastar varias técnicas de aprendizaje (por ejemplo, árboles de decisión, regresión logística, Bayes ingenuo, redes neuronales y redes de creencia), proporcionando ejemplos de cuándo cada estrategia es superior [Comparar]
2. Evaluar el rendimiento de un sistema de aprendizaje simple en un conjunto de datos del mundo real [Evaluar]

NonCore:

1. Caracterizar el estado del arte en teoría del aprendizaje, incluyendo sus logros y limitaciones [Explicar]
2. Explicar el problema del sobreajuste, junto con técnicas para detectar y manejar el problema [Explicar]
3. Explicar el triple compromiso entre el tamaño de un espacio de hipótesis, el tamaño del conjunto de entrenamiento y la precisión del rendimiento [Explicar]