- Comprender los fundamentos de la teoría de aprendizaje estadístico
y sus bases probabilísticas.
- Analizar la compensación sesgo-varianza en la selección y evaluación
de modelos de aprendizaje automático.
- Aplicar la teoría de Vapnik-Chervonenkis (VC) para analizar la
complejidad y capacidad de generalización de modelos.
- Desarrollar y demostrar cotas de generalización para diferentes
algoritmos de aprendizaje.
- Conectar los principios teóricos con la implementación práctica
de algoritmos de aprendizaje estadístico.
Generado por Ernesto Cuadros-Vargas , Sociedad Peruana de Computación-Peru, basado en el modelo de la Computing Curricula de IEEE-CS/ACM
