Aprendizaje Estadístico

Question 1

Qué es el algoritmo de aprendizaje?

Answer 1

son las reglas que le
permiten a la máquina de aprendizaje llevar a cabo sus tareas

Question 2

qué son las variables de entrada?

Answer 2

Caracteríasticas o predictores

Question 3

qué son las variables de salida y cómo se denominan?

Answer 3

se denominan etiquetas y son asignadas a los ejemplos (observaciones) como valores numéricos (regresión) o categorías (clasificación)

Question 4

Para que se usa la muestra de validación?

Answer 4

se usa para ajustar los parámetros del algoritmo de aprendizaje

Question 5

para que se usa la muestra de prueba?

Answer 5

se usa para evaluar el desempeño del algoritmo de aprendizaje

Question 6

para que se usa la función de pérdida?

Answer 6

para determinar la diferencia o pérdida

Question 7

qué es un hiperparámetro?

Answer 7

es un parámetro que se usa para controlar el proceso de aprendizaje

Question 8

Para qué se usa la muestra de entrenamiento?

Answer 8

para estimar parámetros

Question 9

tipos de muestras:

Answer 9

validación, prueba, entrenamiento

Question 10

sabemos que La máquina de aprendizaje, 𝑓, relaciona la respuesta 𝑌 con los
predictores 𝑋 = 𝑋1⋯ 𝑋𝑛 Donde 𝜖 es un término de error con media cero e independiente de
𝑋, en este contexto 𝑓 representa la parte sistemática. Por qué se le denomina BLACKBOX a esta máquina?

Answer 10

porque en general no interesa su
forma funcional solo las estimaciones que de ella salen

Question 11

de qué depende la precisión de la predicción?

Answer 11

del error reducible (variables no obsevadas o medibles) e irreducible (función inadecuada)

Question 12

a qué es igual el error esperado de la estimación?

Answer 12

E[ f(x) - f^(x)]^2 + var(e)

Question 13

cuál es el objetivo de el machine learning?

Answer 13

Se busca aplicar un método de aprendizaje estadístico a la muestra
de entrenamiento para estimar la máquina de aprendizaje 𝑓.

Question 14

tipod de métodos de aprendizaje estadístico

Answer 14

paramétricos y no paramétricos

Question 15

Métodos paramétricos

Answer 15

asume una forma funcional para la máquina de aprendizaje. Una vez se haya decidido el modelo se busca un
procedimiento para ajustar o entrenar el modelo, esto se traduce en estimar
los parámetros del modelo

Question 16

Método no paramétrico

Answer 16

no asumen una forma funcional para la
máquina de aprendizaje, en su lugar la estiman para que se acerque a los
datos.

Question 17

cuáles son las modalidades de aprendizaje?

Answer 17

supervisado (los datos de la muestra están etiquetados), no supervisado, semisupervisado (algunos estan etiquetados), reforzado, activo

Question 18

Diferencia entre aprendizaje reforzado y activo?

Answer 18

En el apredizaje reforzado la fase de entrenamiento y prueba se mezclan, el aprendiz interactúa con el medio y recibe una
recompensa inmediata por esta acción, el objetivo es maximizar la
recompensa en el curso de las interacciones

Por otro lado, el aprendizaje activo el aprendiz recoge muestras de
entrenamiento adaptativamente preguntándole a un oráculo para
obtener las etiquetas de nuevos puntos.

Question 19

tipos de problemas

Answer 19

de regresion o de clasificación

Question 20

Qué medida se evalua a la hora de encontrar el mejor modelo?

Answer 20

el error cuadrático medio

Question 21

para evaluar el modelo se busca el mse calculado sobre cuales datos?? de prueba o de entrenamiento?

Answer 21

de prueba

Question 22

A medida que el nivel de flexibilidad del modelo aumenta

Answer 22

disminuye el error pero aumenta la varianza

Question 23

El nivel de flexibilidad se mide por

Answer 23

los grados de libertad del modelo

Question 24

Cuál es el mínimo MSE de prueba?

Answer 24

var(e)

Question 25

Cuando el MSE de entrenamiento es bajo y el de prueba es alto se
dice que los datos se

Answer 25

sobre-ajustaron, overfitting

Question 26

cuales modelos causan overfitting?

Answer 26

los flexibles

Question 27

qué es cross validation?

Answer 27

El MSE de prueba se puede estimar a partir del MSE de entrenamiento

Question 27

El MSE de prueba esperado se puede descomponer en la suma de
tres cantidades

Answer 27

la varianza de f estimado, el sesgo al cuadradi de f estimado, y la varianza de e

Question 27

Cómo se puede minimizar el MSE?

Answer 27

escoger un método de
aprendizaje estadístico de baja varianza y bajo sesgo

Question 28

Cómo se calcula el MSE de prueba esperado?

Answer 28

hay dos formas, o estimando f varias veces con los datos de entrenamiento y aplicandolo en un valor x en el conjunto de prueba, o sacando el promedio del error cuadrático sobre todos los valores de x en el conjunto de prueba

Question 29

Qué curvas van a generarte más varianza?

Answer 29

flexibles

Question 30

Qué curvas van a generar mayor sesgo?

Answer 30

las inflexibles

Question 31

Cómo se conoce la relación entre sesgo, varianza y MSE del conjunto de prueba?

Answer 31

compromiso, trade-off, sesgo varianza

Question 32

Si las etiquetas son cualitativas que se usa para medir la precisión del f estimado?

Answer 32

la tasa de error de entrenamiento

Question 33

qué es la tasa de error de entrenamiento?

Answer 33

es una proporción de errores cometidos al aplicar f estimado a las observaciones de entrenamiento

Question 34

en las etiquetas cualitativas, que es I?

Answer 34

es la función indicador, que es igual a 1 si 𝑦𝑖 ≠ ො
𝑦𝑖 y 0 si son
iguales, es decir que la observación se clasificó correctamente.

Question 35

En qué consiste cross validation?

Answer 35

en partir aleatoriamente los datos de una
muestra entre 𝑛 submuestras de igual tamaño. Para cada 𝑖 ∈
1,
⋯
, 𝑛 el algoritmo se entrena con todas las muestras menos las
del subgrupo 𝑖 −ésimo.

Question 36

Un caso especial de cross validation es : leave one out
cross-validation LOOCV.

Answer 36

es cuando el número de grupos
es igual al número de datos

Question 37

Para qué es útil usar cross validation?

Answer 37

para determinar el desempeño esperado de una metodología de aprendizaje
estadístico en datos independientes y asimismo determinar el minimizador de la curva del MSE de prueba estimado, para
identificar el mejor método de aprendizaje estadístico o la mejor flexibilidad.

Question 38

qué es bootstraping?

Answer 38

permite la obtención de nuevos conjuntos de
muestras a partir de la muestra original. (se realiza con reemplazo)

Question 39

cual presenta menos sesgo, loocv o cross validation?

Answer 39

Loocv

Question 40

cuál da valores mas precisos para el MSE, LOOCV o cross validation ?

Answer 40

cross validation

Question 41

cual presenta menos varianza, loocv o cross validation?

Answer 41

cross validation