Planifica experimentos costosos con sustitutos probabilísticos y estrategias de adquisición.
Avanza desde la motivación de la optimización bayesiana hasta el diseño experimental con sustitutos y el ajuste automatizado del rendimiento. Analiza incertidumbre, adquisición, ruido y límites prácticos como el coste de evaluación y los dominios de parámetros. El curso destaca comparaciones reproducibles con búsqueda aleatoria y la documentación cuidadosa del presupuesto de búsqueda.
Explicar cómo un sustituto probabilístico y una regla de adquisición guían evaluaciones sucesivas del objetivo. Elegir espacios de búsqueda y protocolos de validación para parámetros mixtos, acotados, ruidosos o costosos. Comparar optimización bayesiana con búsqueda aleatoria o en cuadrícula usando el mismo presupuesto e informar incertidumbre y reproducibilidad.
Se recomienda conocer aprendizaje automático supervisado, hiperparámetros y probabilidad básica. Ayuda interpretar gráficos; no se necesita experiencia implementando procesos gaussianos.
Personas con experiencia que quieren profundizar y aplicar habilidades avanzadas de IA
Quienes aprenden mejor con ejemplos, lecciones guiadas y práctica
Profesionales, creadores y desarrolladores independientes que buscan un flujo de trabajo repetible
La lección 1 es gratis
4 lecciones · Avanzado · Curso completo.
Este curso utiliza material con licencia CC BY atribuido a su proveedor de contenido o a quien lo publicó. La reproducción de las lecciones solo está disponible tras iniciar sesión y superar las comprobaciones de publicación y licencia.