3.7.1 FDS/Teoría del Aprendizaje Estadístico

Marco PAC-learning, dimensión VC, complejidad de Rademacher, cotas de generalización y equilibrio sesgo-varianza.
Temas:
Core

• Marco PAC-learning: complejidad muestral, clases de hipótesis y capacidad de aprendizaje
• Dimensión VC: definición, ejemplos y el teorema fundamental del aprendizaje
• Complejidad de Rademacher y cotas de convergencia uniforme
• Descomposición sesgo-varianza y el fenómeno de doble descenso
• Regularización: regularización de Tikhonov y minimización del riesgo estructural

Aprendizaje esperado (Learning Outcomes):
Core:

1. Enunciar la definición de PAC-learning y determinar si una clase de hipótesis es PAC-aprendible [Familiarizarse]
2. Calcular la dimensión VC de clases de hipótesis estándar y derivar cotas de complejidad muestral [Usar]
3. Analizar el error de generalización usando complejidad de Rademacher y explicar el fenómeno de doble descenso [Evaluar]