0:00:10.419,0:00:13.689
Esta presentación es llevada hasta ustedes por el Stanford Center for Professional

0:00:13.689,0:00:20.689
development

0:00:23.579,0:00:26.800
Ok, buenos dias y bienvenidos nuevamente

0:00:26.800,0:00:30.619
a la tercer lectura de esta clase.

0:00:30.619,0:00:33.360
lo que quiero hacer el día de hoy

0:00:33.360,0:00:34.320
y algunos de

0:00:34.320,0:00:37.920
los temas que desarrollaré hoy pueden parecer que voy saltando, sin orden,

0:00:41.980,0:00:44.360
hablado acerca

0:00:44.360,0:00:48.390
de la regresión lineal y hoy quiero hablar sobre

0:00:48.390,0:00:52.290
un tipo de adaptación llamada "regresion de pesos locales". Es un algoritmo muy popular

0:00:52.290,0:00:57.120
Es uno de los algoritmos favoritos de mi mentor

0:00:57.120,0:01:02.170
Luego hablaremos de la interpretacion probabilistica de la regresion lineal.

0:01:02.170,0:01:07.468
Y usaremos esta en nuestro primer algoritmo de classificacion:

0:01:07.468,0:01:10.698
Regresion Lineal (Logistic Regression)

0:01:11.046,0:01:13.426
luego hablaremos del algoritmo de perceptron (perceptron algorithm)

0:01:13.426,0:01:16.306
el cual revizaremos de nuevo en este semestre

0:01:16.306,0:01:19.636
Y si el tiempo lo permite, espero explicar el metodo de Newton (Newton's method)

0:01:19.731,0:01:23.151
un algoritmo para entrenar la regression lineal

0:01:23.340,0:01:28.120
Repasemos, lo que deciamos en la clase anterior

0:01:29.364,0:01:33.364
Recuerden las definiciones que utilize

0:01:33.773,0:01:38.333
Yo utilize x sub i

0:01:38.779,0:01:42.039
para denotar la i-ava muestra de entramiento

0:01:49.104,0:01:52.164
Cuando hablamos de regresion lineal

0:01:52.184,0:01:54.754
o minimos cuadrados ordinarios (ordinary least squares)

0:01:54.954,0:01:56.314
utilizamos 'esto' para definir

0:01:56.333,0:01:57.633
el valor que predecimos

0:01:57.745,0:02:00.695
como resultado de evaluar mi hipotesis H con

0:02:00.774,0:02:02.064
la entrada x sub i