¿Qué es MLE?

Un vídeo para una demostración gráfica del MLE
https://www.youtube.com/watch?v=XepXtl9YKwc&t=87s

Les dejo un artículo de Towards Data Science escrito por Johnny Brooks-Bartlett muy fácil de digerir y que complementa muy bien la introducción del profe Francisco: Probability concepts explained: Maximum likelihood estimation

Es tan claro que mi única pregunta es:
En qué lugar puedo conseguir el termo que el profesor mostró al principio de la clase? XD

MLE (Maximum Likelihood Estimation)
O estimación de máxima verosimilitud. Consiste en escoger la distribucion que más se ajuste a nuestros datos, para ello maximizamos la probabilidad de nuesto modelo:
P(X,θ)=L(X,θ)
max L(X,θ) → maxΠP(Xi,θ)

Nota:
El producto de mútiples probabilidades (por tanto son menores a 1) genera número cada vez más pequeños al punto que no son reconocimos por la máquina, a esto se llama underflow para evitar esta situacion usamos logaritmos:

max log L(X,θ) → maxΣ log P(Xi,θ)

resumen: MLE, buscar la mejor forma de adaptar un algoritmo a una muestra, para predecir lo que sucederá con partículas que tienen comportamientos parecidos

El objetivo del MLE es encontrar la manera más óptima de encajar una distribución a los datos

Un poco para complementar:

min 0:35 -> Paranormal Distribution JAJAJA

¿Qué es MLE?

Es un framework para estimación de densidades de probabilidades dentro de un esquema de trabajo muy general.

• Escoge una distribución
• Escoger los parámetros de la distribución que mejor se ajustan a la distribución a los datos

Les dejo una pagina relacionado al tema :
https://economipedia.com/definiciones/estimacion-de-maxima-verosimilitud.html

MLE, o como lo aprendi en la universidad: ajuste de los datos a una distribución de probabilidades.

Al margen de toda la explicación que por demás está clarísima me sorprende “el truco” (por llamarlo de forma coloquial) que se implementó con la operación de logaritmos, el ingenio es parte fundamental para resolver problemas!

¡SORPRENDIDO!

Como un problema matemático cambia por completo la eficiencia de una maquina.

MLE Maximum Likelyhood Estimation

Underflow (Precisión limite de una computadora) se soluciona utilizando aplicando el Logaritmo de la probabilidad, por la propiedad log(a*b)=log(a)+log(b), entonces se convierte las multiplicaciones en suma y los resultados de los logaritmos se convierte en números negativos relativamente grandes.

Un aporte más.
https://www.youtube.com/watch?v=e3ZJ-7QZM9I

likelihood lo podemos traducir como el encaje, es decir que tan bien podemos adaptar una distribucion de probabilidad a unos datos.

Esto con el animo de hacer mas facil hacer predicciones.

Hola a todos le dejo esta pagina q me parecio muy interesante espero q le sirva, saludos. https://seeing-theory.brown.edu/probability-distributions/es.html

https://www.youtube.com/watch?v=XepXtl9YKwc Este video me ayudo mucho a complementar los conceptos de esta clase

Encontré un buen artículo sobre MLE 😃 :
https://www.kdnuggets.com/2019/11/probability-learning-maximum-likelihood.html

El objetivo del MLE es encontrar la forma óptima de ajustar una distribución a los datos.

Elementos de MLE: Escoger distribucion & Escoger parametros de distribucion

Si alguna duda de MLE escribí un pequeño tutorial -> Tutorial : )

Muy buena esta clase, voy a seguir investigando sobre el MLE