[MÚSICA] La notación que hemos usado hasta ahora
es sin características asociadas, pero al igual que el curso de regresión,
nos centraremos en la introducción de las características desde el comienzo. Vamos a tener estas
funciones h1 hasta hD. Que definen algunas características
que podemos extraer de los datos. Y vamos a codificar
la función constante que es h0. En particular, vamos a tener que
el resultado es w0 * h0 + w1 * h1 + w2 * h2,
y así hasta wD * hD una característica podría
ser una constante h0, podría ser #increíbles para h1,
#horribles para h2. Podría ser algo como logaritmo del
número de "increíble" por el número de "malo" . O de forma más realista,
podría ser el TFIDF del número de "horrible" que nos ayuda a enfatizar las
palabras mas distintivas, o importantes que vimos en TFIDF en el
primer curso, y explorado un poco. Y vamos a volver a eso
en el próximo curso. Ahora tenemos este valor de predicción que
está basado en la suma sobre las características de los coeficientes wj veces la característica hj. Y vamos a usar la abreviación
w transpuesta h(xi) para denotar este valor. Me vas a ver mucho
hacer eso. W transpuesta h(xi) denota el resultado para un dato en particular y si ese valor
es mayor  que 0 vamos a decir que es positivo, y si el valor es menor que 0,
vamos a decir que es negativo. Muy bien, ahora introducimos nuestro
modelo un un poco más de detalle. Y siempre voy a tomar
la entrada de datos x, pasarla por la función
generadora de características, que podría ser contar el número de
"increíbles" o crear un modelo TF-IDF. Voy a pasar eso al modelo
de aprendizaje automático, que va a multiplicar las características con los pesos aprendidos
y obtener así el valor del resultado que vamos a arrojar a través de la misma función 
un elemento ŷ que significa +1 comentarios positivos, o
-1 comentarios negativos. [MÚSICA]