Estudiar los dos tipos principales de modelos: generativos y discriminantes, comprendiendo como realizan sus operaciones a partir de la asignación de algún valor de incertidumbre a las variables desconocidas, así como alguna forma de certeza a las variables conocidas.
Un gran grupo de modelos de aprendizaje automático se basan en la utilización de métodos algebraicos, gráficos o de cálculo para realizar sus predicciones, sin embargo, existe otra enorme familia de modelos que entregan sus resultados haciendo uso de la teoría de las probabilidades. Los métodos probabilísticos realizan sus operaciones a partir de la asignación de algún valor de incertidumbre a las variables desconocidas y alguna forma de certeza a las variables conocidas.
Los siguientes enlaces son externos a la Universidad Tecmilenio, al acceder a ellos considera que debes apegarte a sus términos y condiciones.
Para conocer más sobre fundamentos matemáticos para el aprendizaje automático, te recomendamos leer:
Saini, B. (2021). The Most Common Machine Learning Classification Algorithms for Data Science and Their Code. Recuperado de https://medium.com/swlh/the-most-common-machine-learning-classification-algorithms-for-data-science-and-their-code-9a99c3d32b27
Implementa los modelos probabilísticos de clasificación, utilizando el lenguaje de programación Python y la librería Scikit-learn.
Asegúrate de: