Anda di halaman 1dari 1

Aprendizaje automático

Proporciona a las computadoras la capacidad de aprender, donde la computadora se adapta


al cambio de datos nuevos por medio de desarrollo de programas informáticos.
El atributo es la variable de entrada para realizar predicciones.
La etiqueta en el aprendizaje supervisado, parte de "respuesta" o "resultado" de un ejemplo.
La perdida L2 para un ejemplo determinado también se denomina error al cuadrado

 Cuadrado es la diferencia entre la predicción y la etiqueta


 (observación – predicción)2
 (y - y’)2
A medida que se aleja del valor verdadero (etiqueta) la perdida aumenta al cuadrado
cuándo se capacita un modelo lo que se interesa es reducir la perdida en todo el conjunto
de datos.

entrenar en un modelo simple significa determinar los valores correctos para todas las
ponderaciones y las ordenadas al origen de los ejemplos etiquetados. Minimización de
riesgo empírico es cuando se examina variedad de modelos para encontrar uno que
minimice la perdida.
La perdida es una penalidad por una predicción incorrecta, si la predicción del modelo es
perfecta la perdida es igual a cero; de lo contrario la perdida será mayor.
https://developers.google.com/machine-learning/crash-course/descending-into-
ml/training-and-loss?hl=es-419