Gallardo7761/etsii-vault
1
0
Fork 0
Code Issues Activity

cambios 2024-11-04 10:32:35

Browse Source
This commit is contained in:
Jose
2024-11-04 10:32:35 +01:00
parent e70d667f4d
commit 022bd0fc1c
2 changed files with 14 additions and 3 deletions
Download Patch File Download Diff File Expand all files Collapse all files

6
.obsidian/workspace.json vendored
View File

@@ -13,12 +13,12 @@
"state": { "state": {
"type": "markdown", "type": "markdown",
"state": { "state": {
"file": "TERCERO/SS/SS 24-25.md", "file": "TERCERO/IA/Teoría_2425.md",
"mode": "source", "mode": "source",
"source": false "source": false
}, },
"icon": "lucide-file", "icon": "lucide-file",
"title": "SS 24-25" "title": "Teoría_2425"
} }
} }
] ]
@@ -177,8 +177,8 @@
}, },
"active": "7d00eaebf5db2f27", "active": "7d00eaebf5db2f27",
"lastOpenFiles": [ "lastOpenFiles": [
"TERCERO/SS/SS Lab.md",
"TERCERO/SS/SS 24-25.md", "TERCERO/SS/SS 24-25.md",
"TERCERO/SS/SS Lab.md",
"TERCERO/SPD/P4_SPD.md", "TERCERO/SPD/P4_SPD.md",
"TERCERO/SPD/Teoría_2425.md", "TERCERO/SPD/Teoría_2425.md",
"TERCERO/SS/images/Pasted image 20241024113018.png", "TERCERO/SS/images/Pasted image 20241024113018.png",

11
TERCERO/IA/Teoría_2425.md
View File

@@ -369,3 +369,14 @@ Se puede usar una estrategia, llamada **UCB (Upper Confidence Bound)** que const
3. **Simulación:** partiendo del estado recién añadido se simula una partida completa, ya sea al azar o con una heurística. Se obtiene un valor (premio, recompensa, etc) que determina la utilidad de esa rama para el jugador. 3. **Simulación:** partiendo del estado recién añadido se simula una partida completa, ya sea al azar o con una heurística. Se obtiene un valor (premio, recompensa, etc) que determina la utilidad de esa rama para el jugador.
4. **Actualización:** con el estado final alcanzado de la fase anterior se actualizan las estadísticas de todas las posiciones previas visitadas durante la simulación que se ejecutó a partir del nuevo estado (incluyendo la cuenta de ganancias). 4. **Actualización:** con el estado final alcanzado de la fase anterior se actualizan las estadísticas de todas las posiciones previas visitadas durante la simulación que se ejecutó a partir del nuevo estado (incluyendo la cuenta de ganancias).
![[mcts.gif]] ![[mcts.gif]]
# <mark style="background: #FFF3A3A6;">TEMA 6: Fundamentos de ML</mark>
Básicamente se trata de crear algoritmos capaces de generalizar comportamientos y reconocer patrones a partir de unos datos de entrada. De la forma:
$$
\begin{equation}
f:D\rightarrow r
\end{equation}
$$
sea $f$ una función que dados unos datos $D$ da un resultado $r$. Hace falta saber, **cómo** se manipulan los datos, **qué** datos se cogen y cómo calcular los **errores**. ML es una mezcla de técnicas de álgebra (para representación vectorial de los parámetros de $f$) y optimización.
### <mark style="background: #FFB86CA6;">Aprendizaje supervisado</mark>
Se trata de $D\rightarrow ML\rightarrow f~aprox~D$ (o minimizar el error entre $D$ y $f$). Los datos se suelen dividir en dos bloques, uno de **entrenamiento** ($D_{train}$), y otro de **validación** ($D_{val}$) para calcular el error empírico (ya que esos datos "no los ha visto"). También puede haber un tercer bloque de **test** ($D_{test}$) para usarse luego de repetir varias veces el entrenamiento.