Capítulo 5. El marco del aprendizaje automático probabilístico
Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: translation-feedback@oreilly.com
La teoría de la probabilidad no es más que sentido común reducido a cálculo.
-Pierre-Simon Laplace, principal contribuyente a la estadística epistémica y a la inferencia probabilística
Recuerda la regla de la probabilidad inversa del Capítulo 2, que afirma que dada una hipótesis H sobre un parámetro del modelo y algún conjunto de datos observados D:
P(H|D) = P(D|H) × P(H) / P(D)
Es sencillamente asombroso que esta reformulación trivial de la regla del producto sea la base sobre la que se construyen las complejas estructuras de la inferencia epistémica en general, y del aprendizaje automático probabilístico (APP) en particular. Es la razón fundamental por la que ambas estructuras son matemáticamente sólidas y lógicamente cohesivas. Si lo examinamos más detenidamente, veremos que la regla de la probabilidad inversa combina probabilidades condicionales e incondicionales de formas profundas.
En este capítulo, analizaremos y reflexionaremos sobre cada término de la regla para comprenderlo mejor. También exploraremos cómo estos términos satisfacen cada uno de los requisitos para la próxima generación del marco de ML para las finanzas y la inversión que esbozamos en el Capítulo 1.
Aplicar la regla de la probabilidad inversa a problemas del mundo real no es trivial por dos razones: lógicas y computacionales. ...
Get Aprendizaje Automático Probabilístico para Finanzas e Inversión now with the O’Reilly learning platform.
O’Reilly members experience books, live events, courses curated by job role, and more from O’Reilly and nearly 200 top publishers.
