Aprendizaje Estadístico: Espacio de Etiquetas Continuo

Ponente(s): Andrea Chávez Heredia

En la Teoría Estadística de Aprendizaje en Máquina, es de suma relevancia establecer garantías sobre ciertos tipos de aprendizaje de algunas clases de hipótesis. Es decir, establecer bajo qué condiciones ciertas funciones son aprendibles, en particular, en esta presentación hablaremos sobre el aprendizaje PAC de funciones con espacio de etiquetas discreto. Daremos su caracterización por medio de la dimensión VC y el Teorema Fundamental del Aprendizaje Estadístico. Finalmente, generalizaremos estos resultados a funciones cuyas etiquetas es el intervalo [0,1] dando el análogo de la dimensión VC, fat-shattering, y el equivalente al Teorema Fundamental de Aprendizaje Estadístico.