Inteligencia Artificial

Machine lerning

Aprendizaje automatico:

Entrenamiento: en esta fase se obtiene el modelo

Prueba: probar el modelo de un conjunto de datos (test set)

Ejemplo de modelos (algoritmos):

Aprendizaje supervisado: los datos de entrenamiento son vectores supervisados que corresponden a vectores de caracteristicas

Clasificacion: Asigna cada vector de entrada una de las categorias discretas

Regresion: la salida deseada consiste en una o mas variables continuas

Aprendizaje no supervisado:el objetivo es descubrir grupos de ejemplos similares dentro de los datos (clustering y estimacion de densidad)

Reinforcement Learning: toma datos para maximizar la recompensa.

Teoria de la probabilidad:

Cuantificar y manipular la incertidumbre

Ayuda a hacer predicciones con la informacion obtenida aun si la informacion es incompleta o ambigua.

Var discreta: numeros enteros (1,2,3 a,b,c)

Var cont

Espacio probabilistico de una variable discreta:

Lanzamiento de 2 dados:

Componentes: Espacio muestral: todos los posibles resultados, se denota con "Ω "

Funcion de probabilidad: Probabilidad de un resultado (todas las probabilidades suman 1)

Evento:

Suceso del cual se tiene interes

Ejemplo: que dos dados sumen hasta 10. -> A={(4,6),(6,4),(5,5)}

La probabilidad de que pase mi evento es P(A) =

P(A)= 3/36 -> 1/12

Probabilidad condicional:

Para dos eventos A y B

Pr(B I A) = probabilidad de que B ocurra dado que A ocurra

p(A∩B) = P(A) * P(B∩A)

Teorema de Bayes: P(A I B) = P(A) x P(B I A) / P(B)

Ver ejemplo del 7 de febrero en la libreta naranja

Variable aleatoria:

FUncion cuyo dominio es el espacio muestral asociado

Funcion de probabilidad:

Ejemplo: 3 estudiantes tienen un paquete de tarjetas de los cuales se toman al azar

Inhalt der Notizen (1)