Información administrativa
| Título | Regresión lineal |
| Duración | 60 |
| Módulo | A |
| Tipo de lección | Conferencia |
| Enfoque | Práctico — Modelado de IA |
| Tema | Regresión lineal |
Keywords
regresión lineal, máxima probabilidad, máximo a posteriori, funciones básicas,
Objetivos de aprendizaje
- Adquirir un conocimiento demostrable de lo que es la regresión lineal
- Adquirir un conocimiento demostrable de los diversos enfoques de la regresión lineal: estimación de la probabilidad máxima (MLE), estimación máxima a-posteriori (MAP), Bayesian
- Adquirir conocimientos demostrables de forma analítica cerrada para ajustar un modelo de regresión lineal
- Adquirir conocimientos demostrables de modelos lineales no linealizados
Preparación prevista
Eventos de aprendizaje que se completarán antes
Obligatorio para los estudiantes
- Una revisión del álgebra lineal básica y la resolución numérica de sistemas lineales.
Opcional para estudiantes
Ninguno.
Referencias y antecedentes para estudiantes
- Obispo, Christopher M. (2006). Reconocimiento de patrones y aprendizaje automático, capítulo 3.
Recomendado para profesores
- Familiarizarse con el material de demostración.
Material didáctico
Instrucciones para profesores
Cubra los temas en el esquema de la lección y demuestre los conceptos utilizando los cuadernos interactivos (ajustando un modelo «manualmente», demostrando los efectos de los hiperparámetros). Proporcione una breve descripción general del código.
Esquema/horario de tiempo
| Duración (min) | Descripción | Conceptos |
|---|---|---|
| 5 | Introducción a la regresión lineal | hiperplano, normal, sesgo |
| 5 | Definición de un modelo de regresión lineal | ruido aditivo, distribución gaussiana |
| 15 | Estimación de la probabilidad máxima | error cuadrado, solucionadores lineales |
| 10 | Regresión no lineal (polinomial) | regresión polinómica, transformación de muestras |
| 10 | Estimación a posteriori máxima | hiperparámetro, previo, regularización, estabilidad numérica |
| 5 | Regresión lineal bayesiana | posterior, incertidumbre, media predictiva y varianza |
| 10 | Demostración |
Reconocimientos
El programa de maestría en IA centrada en el ser humano fue cofinanciado por el Mecanismo «Conectar Europa» de la Unión Europea en virtud de la subvención «CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068».