Esta presentación es llevada hasta ustedes por el Stanford Center for Professional

development

Ok, buenos dias y bienvenidos nuevamente

a la tercer lectura de esta clase.

lo que quiero hacer el día de hoy

y algunos de

los temas que desarrollaré hoy pueden parecer que voy saltando, sin orden,

hablado acerca

de la regresión lineal y hoy quiero hablar sobre

un tipo de adaptación llamada "regresion de pesos locales". Es un algoritmo muy popular

Es uno de los algoritmos favoritos de mi mentor

Luego hablaremos de la interpretacion probabilistica de la regresion lineal.

Y usaremos esta en nuestro primer algoritmo de classificacion:

Regresion Lineal (Logistic Regression)

luego hablaremos del algoritmo de perceptron (perceptron algorithm)

el cual revizaremos de nuevo en este semestre

Y si el tiempo lo permite, espero explicar el metodo de Newton (Newton's method)

un algoritmo para entrenar la regression lineal

Repasemos, lo que deciamos en la clase anterior

Recuerden las definiciones que utilize

Yo utilize x sub i

para denotar la i-ava muestra de entramiento

Cuando hablamos de regresion lineal

o minimos cuadrados ordinarios (ordinary least squares)

utilizamos 'esto' para definir

el valor que predecimos

como resultado de evaluar mi hipotesis H con

la entrada x sub i