Capítulo 2. Métodos probabilísticos esenciales para el aprendizaje profundo
Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: translation-feedback@oreilly.com
El auge y la accesibilidad de la tecnología han hecho posible que todo el mundo pueda implementar algoritmos de aprendizaje automático y aprendizaje profundo para el análisis y la optimización de datos. Pero, por desgracia, un gran número de usuarios no comprende los fundamentos de los distintos modelos de aprendizaje. Esto hace que el aprendizaje automático no sea más que una caja misteriosa para ellos, lo que es una receta para el desastre.
Comprender los conceptos fundamentales de la probabilidad, la estadística y las matemáticas es esencial para entender y dominar los datos, así como para crear modelos que intenten interpretar y predecir los datos. Este capítulo presenta los fundamentos de la probabilidad que están directa o indirectamente relacionados con los algoritmos. Ten en cuenta que es poco probable que utilices estos conceptos de probabilidad en tu vida cotidiana, pero es importante saber de dónde extraen sus supuestos algunos algoritmos.
Introducción a la probabilidad
La probabilidad consiste en describir variables aleatorias y sucesos aleatorios. El mundo está lleno de aleatoriedad, y la mejor forma de encontrar el camino a través del caos es intentar explicarlo utilizando métodos probabilísticos. De acuerdo, la frase explicar el caos puede ser un oxímoron, ya que el caos ...
Get Aprendizaje profundo para las finanzas now with the O’Reilly learning platform.
O’Reilly members experience books, live events, courses curated by job role, and more from O’Reilly and nearly 200 top publishers.
