La inspiración para esta pregunta proviene del conocido artículo de Leo-Breiman, Estadística: Las dos culturas (acceso abierto disponible). El autor compara lo que ve como dos enfoques dispares para analizar datos, tocando ideas clave en estadística clásica y aprendizaje automático. Sin embargo, el...
\newcommand{\P}{\mathbb{P}} Tenemos un proceso aleatorio que puede-o-no-puede aparecer varias veces en un período determinado de tiempo TTT . Tenemos una fuente de datos de un modelo preexistente de este proceso, que proporciona la probabilidad de que ocurran varios eventos en el período...
Estoy tratando de entender mejor las redes neuronales convolucionales escribiendo mejor el código de Python que no depende de las bibliotecas (como Convnet o TensorFlow), y me estoy atascando en la literatura sobre cómo elegir valores para la matriz del núcleo, cuando realizando una convolución en...
¿Cuál es la diferencia entre dropout y drop connect? AFAIK, el abandono abandona aleatoriamente los nodos ocultos durante el entrenamiento, pero los mantiene en las pruebas, y desconecta y desconecta las conexiones. Pero, ¿no es dejar caer conexiones equivalente a dejar caer los nodos ocultos?...
Sabemos que debemos aplicar correcciones tipo Benjamini Hochberg para pruebas de hipótesis múltiples a experimentos basados en un solo conjunto de datos, para controlar la tasa de descubrimiento falso, de lo contrario, todos los experimentos que den un resultado positivo podrían ser...
Esta es una pregunta recurrente (vea esta publicación , esta publicación y esta publicación ), pero tengo un giro diferente. Supongamos que tengo un montón de muestras de una muestra genérica de MCMC. Para cada muestra θθ\theta , conozco el valor del log de verosimilitud Iniciar sesiónF( x | θ...
Deseo comprender mejor cómo se obtuvo la corrección de continuidad de la distribución binomial para la aproximación normal. ¿Qué método se utilizó para decidir que debemos agregar 1/2 (¿por qué no otro número?). Cualquier explicación (o un enlace a la lectura sugerida, aparte de esto , sería...
¿Hay algo significativo acerca de una media geométrica y una media aritmética que se acerquen mucho, digamos ~ 0.1%? ¿Qué conjeturas se pueden hacer sobre ese conjunto de datos? He estado trabajando en el análisis de un conjunto de datos, y noto que, irónicamente, los valores están muy, muy cerca....
Estaba leyendo sobre el optimizador Adam para Deep Learning y encontré la siguiente oración en el nuevo libro Deep Learning de Bengio, Goodfellow y Courville: En general, se considera que Adam es bastante robusto para la elección de hiperparámetros, aunque a veces la tasa de aprendizaje debe...
Actualmente estoy trabajando en un problema, donde necesito desarrollar un algoritmo de Monte Carlo de cadena de Markov (MCMC) para un modelo de espacio de estado. Para poder resolver el problema, se me ha dado la siguiente probabilidad de : p ( ) = 2I ( > 0) / (1+ ). es la desviación estándar...
La estimación de la densidad de la ventana de Parzen se describe como p(x)=1n∑i=1n1h2ϕ(xi−xh)p(x)=1n∑i=1n1h2ϕ(xi−xh) p(x)=\frac{1}{n}\sum_{i=1}^{n} \frac{1}{h^2} \phi \left(\frac{x_i - x}{h} \right) donde nnn es el número de elementos en el vector, es un vector, es una densidad de probabilidad...
¿Es la "hora del día" donde el valor puede ser 0, 1, 2, ..., 23 una variable categórica? Me sentiría tentado a decir que no, ya que 5, por ejemplo, está "más cerca" de 4 o 6 que de 3 o 7. Por otro lado, existe la discontinuidad entre 23 y 0. Entonces, ¿se considera generalmente categórico o no?...
Estoy escribiendo un breve ensayo teórico para un curso de Estadística Bayesiana (en un M.Sc. de Economía) sobre antecedentes no informativos y estoy tratando de entender cuáles son los pasos en el desarrollo de esta teoría. En este momento, mi cronograma consta de tres pasos principales: el...
Estoy un poco confundido acerca de las ventajas de los modelos mixtos con respecto al modelado predictivo. Dado que los modelos predictivos generalmente están destinados a predecir valores de observaciones previamente desconocidas, me parece obvio que la única forma en que un modelo mixto puede ser...
Estoy tratando de entender la regresión cuantil, pero una cosa que me hace sufrir es la elección de la función de pérdida. ρτ( u ) = u ( τ- 1{ u < 0 })ρτ(u)=u(τ−1{u<0})\rho_\tau(u) =
Estoy tratando de rastrear quién inventó la estructura de datos del árbol de decisión y el algoritmo. En la entrada de Wikipedia sobre el aprendizaje del árbol de decisión hay una afirmación de que "ID3 y CART se inventaron de forma independiente aproximadamente al mismo tiempo (entre 1970 y...
Estaba confundido acerca de las diferencias entre el puntaje F1, el puntaje Dice y el IoU (intersección sobre unión). Por ahora descubrí que F1 y Dice significan lo mismo (¿verdad?) Y IoU tiene una fórmula muy similar a las otras dos. F1 / Dados: 2 TPAGS2 TPAGS+ FPAGS+
Así que acabo de leer un gran libro Introducción a Empirical Bayes . Pensé que el libro era genial, pero construir anteriores a partir de los datos se sintió mal. Fui entrenado para que elabore un plan de análisis, luego recopile datos y luego pruebe la hipótesis que previamente determinó en su...
La distribución binomial negativa (NB) se define en enteros no negativos y tiene una función de masa de probabilidad F( k ; r , p ) = ( k + r - 1k) pk( 1 - p )r.f(k;r,p)=(k+r−1k)pk(1−p)r.f(k;r,p)={\binom {k+r-1}{k}}p^{k}(1-p)^{r}.¿Tiene sentido considerar una distribución continua en reales no...
Según esta y esta respuesta, los autoencoders parecen ser una técnica que utiliza redes neuronales para la reducción de dimensiones. También me gustaría saber qué es un autoencoder variacional (sus principales diferencias / beneficios sobre los autoencoders "tradicionales") y cuáles son las...