adictosalaIApor Iván CarrilloContacto
ADICTOS A LA IA / MATEMÁTICAS APLICADAS A LA IA Y AL DEEP LEARNING

Fundamentos matemáticos para la inteligencia artificial

Unidad 1 · 7 temas · 18 bitácoras

Empieza por la pregunta de cada lectura. Antes de abrir la solución del ejercicio, escribe qué calcularías y qué significaría el resultado. Los números junto a cada entrada te llevan al punto correspondiente del manual y de las diapositivas.

TEMA 01

Fundamentos de probabilidad

De qué conjunto sale el denominador y cómo cambia al observar evidencia.

  1. ¿Entre qué impresiones estás sorteando?
    Manual 7–9 · Clase 23–24
  2. Una pieza, un lote, una espera: ¿qué variable estás midiendo?
    Manual 9–10 · Clase 25–35
  3. ¿Cuántas alarmas corresponden a defectos reales?
    Manual 10–13 · Clase 36–39
TEMA 02

Modelos multivariados

Cómo leer nubes de puntos, distinguir poblaciones y elegir una proyección.

  1. Dos sensores normales, una lectura conjunta extraña
    Manual 13–16 · Clase 41–45
  2. ¿Un pedido pertenece a un grupo o se parece a dos?
    Manual 16–18 · Clase 46–48
  3. ¿Qué dirección conserva los datos y cuál separa las clases?
    Manual 18–20 · Clase 49–54
TEMA 03

Estimar y predecir

Ajustar parámetros, predecir una magnitud o asignar una probabilidad.

  1. ¿Cuántas incidencias cabe esperar en el próximo turno?
    Manual 20–21 · Clase 56–59
  2. ¿Cuántos minutos añade una caja al pedido?
    Manual 21–22 · Clase 60–61
  3. Una probabilidad de retraso del 33 %, ¿justifica avisar?
    Manual 22–24 · Clase 62
TEMA 04

Variables latentes y selección

Aprender sin observar la pertenencia y decidir cuánta complejidad merece la evidencia.

  1. ¿Qué máquina llenó este paquete si nadie guardó su etiqueta?
    Manual 24–27, 41 · Clase 65–66
  2. ¿Compensa añadir un parámetro para predecir mejor?
    Manual 27–29 · Clase 67–71
TEMA 05

Información e incertidumbre

Medir la sorpresa, el coste de equivocarse y la utilidad de una señal.

  1. ¿Cuántos bits cuesta una incidencia?
    Manual 29–31 · Clase 73–76
  2. ¿Por qué una predicción segura puede salir tan cara?
    Manual 30–31, 33 · Clase 77–79
  3. ¿Merece la pena instalar este sensor?
    Manual 31–33 · Clase 80–81
TEMA 06

Modelos lineales generalizados

Elegir una familia para la respuesta y controlar el tamaño de los coeficientes.

  1. La misma centralita, tres predicciones distintas
    Manual 33–37 · Clase 83–87
  2. Dos sensores dicen lo mismo: ¿qué coeficiente te crees?
    Manual 37–39 · Clase 88–91
TEMA 07

Modelos no paramétricos

Aprender de casos próximos y combinar predictores imperfectos.

  1. ¿Qué reparación se parece a la de hoy?
    Manual 39 · Sin desarrollo en las diapositivas
  2. ¿Por qué confiar en un bosque de árboles que se equivocan?
    Manual 39–40 · Sin desarrollo en las diapositivas

Consultar las 63 fórmulas del manual →

Repaso final: siete decisiones con solución →