Fundamentos Matemáticas para Machine Learning from Udemy

Las matemáticas constituyen el núcleo de la ciencia de datos y el aprendizaje automático. Por lo tanto, para ser el mejor científico de datos que puedas ser, debes tener una comprensión práctica de las matemáticas más relevantes.

Iniciarse en la ciencia de datos es fácil gracias a bibliotecas de alto nivel como Scikit-learn y Keras. Pero comprender las matemáticas que hay detrás de los algoritmos de estas bibliotecas te abre infinitas posibilidades. Desde identificar problemas de modelado hasta inventar soluciones nuevas y más potentes, entender las matemáticas que hay detrás de todo esto puede aumentar drásticamente el impacto que puedes tener a lo largo de tu carrera.

Dirigido por el gurú del aprendizaje profundo, el Dr. Jon Krohn, este curso proporciona una firme comprensión de las matemáticas -a saber, álgebra lineal y cálculo- que subyacen en los algoritmos de aprendizaje automático y los modelos de ciencia de datos.

Secciones del curso

Estructuras de datos de álgebra lineal
Operaciones tensoriales
Propiedades de las matrices
Vectores y valores propios
Operaciones matriciales para el aprendizaje automático
Límites
Derivadas y Diferenciación
Diferenciación automática
Cálculo de derivadas parciales
Cálculo integral

A lo largo de cada una de las secciones, encontrarás un montón de tareas prácticas, demostraciones de código Python y ejercicios prácticos para que tu juego matemático esté en plena forma.

Este curso de Fundamentos Matemáticos del Aprendizaje Automático está completo, pero en el futuro, tenemos la intención de crear contenido extra de temas relacionados más allá de las matemáticas, a saber: probabilidad, estadística, estructuras de datos, algoritmos y optimización que estará disponible en Frogames Formacion como parte 2 y 3 de este curso.

¿Estás preparado para convertirte en un destacado científico de datos? Nos vemos en el aula.

What's inside

Learning objectives

Comprender los fundamentos del álgebra lineal y el cálculo, temas matemáticos críticos subyacentes a todo el aprendizaje automático y la ciencia de datos.
Manipular tensores utilizando las tres bibliotecas de tensores más importantes de python: numpy, tensorflow y pytorch
Cómo aplicar todas las operaciones vectoriales y matriciales esenciales para el aprendizaje automático y la ciencia de datos
Reducir la dimensionalidad de datos complejos a los elementos más informativos con vectores propios, svd y pca.
Resolver incógnitas con técnicas sencillas (p. ej., eliminación) y avanzadas (p. ej., pseudoinversión)
Apreciar cómo funciona el cálculo, desde los primeros principios, mediante demostraciones de código interactivas en python.
Comprender en profundidad reglas de diferenciación avanzadas como la regla de la cadena

Calcular las derivadas parciales de las funciones de coste de aprendizaje automático a mano, así como con tensorflow y pytorch
Comprender exactamente qué son los gradientes y entender por qué son esenciales para permitir el ml mediante el descenso de gradiente.
Utilizar el cálculo integral para determinar el área bajo una curva dada
Ser capaz de comprender más íntimamente los detalles de los documentos de aprendizaje automático de vanguardia
Desarrollar una comprensión de lo que ocurre bajo el capó de los algoritmos de aprendizaje automático, incluidos los utilizados para el aprendizaje profundo.
Show more
Show less

Comprender los fundamentos del álgebra lineal y el cálculo, temas matemáticos críticos subyacentes a todo el aprendizaje automático y la ciencia de datos.
Manipular tensores utilizando las tres bibliotecas de tensores más importantes de python: numpy, tensorflow y pytorch
Cómo aplicar todas las operaciones vectoriales y matriciales esenciales para el aprendizaje automático y la ciencia de datos
Reducir la dimensionalidad de datos complejos a los elementos más informativos con vectores propios, svd y pca.
Resolver incógnitas con técnicas sencillas (p. ej., eliminación) y avanzadas (p. ej., pseudoinversión)
Apreciar cómo funciona el cálculo, desde los primeros principios, mediante demostraciones de código interactivas en python.
Comprender en profundidad reglas de diferenciación avanzadas como la regla de la cadena
Calcular las derivadas parciales de las funciones de coste de aprendizaje automático a mano, así como con tensorflow y pytorch
Comprender exactamente qué son los gradientes y entender por qué son esenciales para permitir el ml mediante el descenso de gradiente.
Utilizar el cálculo integral para determinar el área bajo una curva dada
Ser capaz de comprender más íntimamente los detalles de los documentos de aprendizaje automático de vanguardia
Desarrollar una comprensión de lo que ocurre bajo el capó de los algoritmos de aprendizaje automático, incluidos los utilizados para el aprendizaje profundo.
Show more
Show less

Syllabus

Estructuras de Datos para Álgebra Lineal

Introducción

El repositorio github del curso

Qué es el álgebra lineal

Traffic lights

Read about what's good

what should give you pause

and possible dealbreakers

Provides a solid understanding of linear algebra and calculus, which are essential for understanding machine learning algorithms and data science models

Offers hands-on experience with Python libraries like NumPy, TensorFlow, and PyTorch, which are widely used in the field of machine learning

Explores dimensionality reduction techniques like SVD and PCA, which are crucial for handling complex datasets in machine learning

Covers automatic differentiation in PyTorch and TensorFlow, which are essential tools for training neural networks and other machine learning models

Intends to create additional content on probability, statistics, data structures, algorithms, and optimization, which may be helpful for learners seeking a more comprehensive education

Requires familiarity with Python, as the course uses Python code demonstrations and exercises to teach mathematical concepts

Reviews summary

Fundamentos matemáticos esenciales para ml

Según los estudiantes, este curso ofrece una sólida base en álgebra lineal y cálculo, matemáticas cruciales para el aprendizaje automático. Muchos valoran positivamente las explicaciones claras del instructor y las demostraciones prácticas en Python que conectan la teoría con la implementación. Sin embargo, algunos learners mencionan que el ritmo puede ser rápido si no se tiene una base matemática previa. Se destaca su relevancia para comprender los algoritmos bajo el capó y su utilidad para profesionales que buscan profundizar sus conocimientos.

El ritmo puede ser un desafío para algunos.

"Si no tienes una base sólida en matemáticas, el ritmo puede parecer un poco rápido a veces."

"Encontré que algunas secciones avanzan muy rápido y tuve que pausar y repasar mucho."

"Para mí, que ya tenía algo de base, el ritmo fue adecuado, pero puedo ver cómo sería difícil para principiantes totales."

Proporciona fundamentos fuertes, pero es teórico.

"Este curso es ideal para construir los fundamentos matemáticos necesarios para ML."

"Te da la base para entender por qué funcionan los algoritmos, lo cual es muy valioso."

"Es muy fuerte en la teoría matemática; no esperes un curso lleno de proyectos prácticos de ML."

Demostraciones prácticas en Python muy útiles.

"Me gustaron mucho las demostraciones de código en Python, ayudaron a ver cómo se aplica la matemática."

"Los cuadernos de ejercicios y las implementaciones prácticas son un gran punto a favor del curso."

"La conexión entre la teoría matemática y su implementación en TensorFlow/PyTorch es excelente."

Conceptos matemáticos complejos explicados bien.

"Las explicaciones del profesor son muy claras y hace que temas difíciles sean comprensibles."

"Realmente entendí el álgebra lineal y el cálculo después de tomar este curso, gracias a la forma en que se presenta el material."

"El instructor tiene una gran habilidad para desglosar los conceptos complejos en partes manejables."

Activities

Be better prepared before your course. Deepen your understanding during and after it. Supplement your coursework and achieve mastery of the topics covered in Fundamentos Matemáticas para Machine Learning with these activities:

Repasar Álgebra Lineal Básica

Show steps

Refresca los conceptos básicos de álgebra lineal para construir una base sólida antes de comenzar el curso.

Show steps

Revisa tus apuntes de cursos anteriores de álgebra lineal.
Resuelve ejercicios de práctica sobre vectores y matrices.
Consulta recursos en línea como Khan Academy para aclarar dudas.

Ayudar a otros estudiantes en el foro del curso

Show steps

Refuerza tu comprensión respondiendo preguntas y ayudando a otros estudiantes en el foro del curso.

Show steps

Revisa el foro del curso regularmente.
Responde preguntas de otros estudiantes sobre temas que comprendas bien.
Explica los conceptos de manera clara y concisa.

Leer 'Álgebra Lineal con Aplicaciones' de Gareth Williams

Show steps

Complementa el curso con un libro de texto de álgebra lineal que profundiza en los temas clave.

View Linear Algebra with Applications on Amazon

Show steps

Lee los capítulos relevantes sobre vectores, matrices y transformaciones lineales.
Resuelve los ejercicios propuestos en el libro para practicar los conceptos.
Consulta la bibliografía del libro para encontrar recursos adicionales.

Four other activities

Expand to see all activities and additional details

Show all seven activities

Practicar Cálculo de Derivadas

Show steps

Refuerza tus habilidades de cálculo diferencial mediante la resolución de ejercicios de práctica.

Show steps

Encuentra ejercicios de práctica en línea o en libros de texto.
Resuelve ejercicios de derivadas de funciones simples y compuestas.
Verifica tus respuestas y analiza tus errores.

Leer 'Cálculo de Varias Variables' de James Stewart

Show steps

Profundiza en el cálculo multivariable con un libro de texto reconocido.

View Calculo Multivariable - 3b* Edicion (Spanish... on Amazon

Show steps

Lee los capítulos sobre derivadas parciales, gradientes y optimización.
Resuelve los ejercicios propuestos para practicar los conceptos.
Consulta ejemplos de aplicaciones en el aprendizaje automático.

Crear un Blog sobre un Tema de Álgebra Lineal

Show steps

Escribe una entrada de blog explicando un concepto clave de álgebra lineal para solidificar tu comprensión.

Show steps

Escribe una entrada de blog clara y concisa explicando el concepto.
Elige un tema específico de álgebra lineal que te interese.
Investiga a fondo el tema y recopila información relevante.
Incluye ejemplos y visualizaciones para facilitar la comprensión.

Implementar PCA con NumPy

Show steps

Implementa el algoritmo de Análisis de Componentes Principales (PCA) utilizando la biblioteca NumPy de Python.

Show steps

Recopila un conjunto de datos para aplicar PCA.
Implementa las funciones necesarias para calcular la matriz de covarianza y los vectores propios.
Aplica PCA al conjunto de datos y visualiza los resultados.

Career center

Learners who complete Fundamentos Matemáticas para Machine Learning will develop knowledge and skills that may be useful to these careers:

Científico de datos

Un científico de datos extrae 'insights' valiosos de grandes conjuntos de datos. Este rol requiere una sólida comprensión de las matemáticas, especialmente álgebra lineal y cálculo, que este curso proporciona. El curso Fundamentos Matemáticas para Machine Learning ayuda a los científicos de datos a comprender los algoritmos y modelos subyacentes en el 'machine learning', permitiéndoles identificar problemas de modelado e inventar soluciones nuevas y más potentes. El curso cubre estructuras de datos de álgebra lineal, operaciones tensoriales, propiedades de las matrices, derivadas parciales y cálculo integral, todo lo cual es esencial para el trabajo de un científico de datos.

See salaries and explore the career path for Científico de datos

Ingeniero de Machine Learning

El ingeniero de 'machine learning' diseña, desarrolla e implementa modelos de 'machine learning'. Este campo requiere una base sólida en matemáticas, particularmente álgebra lineal y cálculo, que se abordan en este curso. Fundamentos Matemáticas para Machine Learning ayuda a los ingenieros de 'machine learning' a comprender los algoritmos y modelos que están implementando, lo que les permite optimizarlos y personalizarlos. El curso cubre temas como operaciones tensoriales, vectores propios, diferenciación automática y aplicaciones de matrices, todos útiles para un ingeniero de 'machine learning'.

See salaries and explore the career path for Ingeniero de Machine Learning

Investigador de Inteligencia Artificial

Un investigador de inteligencia artificial investiga y desarrolla nuevos algoritmos y modelos de 'machine learning'. Este rol requiere una comprensión profunda de las matemáticas, especialmente álgebra lineal y cálculo, que se cubren en profundidad en este curso. Fundamentos Matemáticas para Machine Learning ayuda a los investigadores de inteligencia artificial a comprender los fundamentos teóricos de los algoritmos de 'machine learning', lo que les permite innovar y mejorar los métodos existentes. El curso ofrece información sobre diferenciación, gradientes y descenso de gradientes.

See salaries and explore the career path for Investigador de Inteligencia Artificial

Analista Cuantitativo

Un analista cuantitativo usa métodos matemáticos y estadísticos para resolver problemas financieros. Para este trabajo, es fundamental un conocimiento profundo de cálculo y álgebra lineal, que este curso imparte. Este curso, Fundamentos Matemáticas para Machine Learning, ayuda a los analistas cuantitativos a construir modelos sofisticados para la gestión de riesgos, el comercio algorítmico y la fijación de precios de derivados. Se centra en las operaciones de matrices, los valores propios y el cálculo integral, que ayudan a los analistas cuantitativos a modelar mercados financieros complejos.

See salaries and explore the career path for Analista Cuantitativo

Científico de Investigación

Un científico de investigación realiza investigaciones en una variedad de campos, incluyendo matemáticas, física, informática e ingeniería. Los científicos de investigación suelen necesitar un doctorado. Este rol requiere una sólida comprensión de las matemáticas, particularmente álgebra lineal y cálculo, que se abordan en profundidad en este curso. Fundamentos Matemáticas para Machine Learning ayuda a los científicos de investigación a desarrollar nuevos modelos y algoritmos matemáticos para una variedad de aplicaciones. El curso cubre temas como estructuras de datos de álgebra lineal, operaciones matriciales y derivadas parciales.

See salaries and explore the career path for Científico de Investigación

Físico Computacional

Un físico computacional usa métodos computacionales para resolver problemas de física. Este rol requiere una sólida comprensión de las matemáticas, particularmente álgebra lineal y cálculo, que se abordan en este curso. Fundamentos Matemáticas para Machine Learning ayuda a los físicos computacionales a desarrollar y simular modelos físicos, como los utilizados para modelar el clima, los fluidos y los materiales. El curso cubre temas como estructuras de datos de álgebra lineal, operaciones matriciales y derivadas parciales.

See salaries and explore the career path for Físico Computacional

Robotista

Un robotista diseña, construye y programa robots. Este campo requiere una base sólida en matemáticas, particularmente álgebra lineal y cálculo, que se abordan en este curso. Fundamentos Matemáticas para Machine Learning ayuda a los robotistas a comprender los algoritmos y modelos que están utilizando para controlar robots, como los utilizados para la navegación, la planificación y el control. El curso cubre temas como operaciones tensoriales, vectores propios y diferenciación automática.

See salaries and explore the career path for Robotista

Consultor de Ciencia de Datos

Un consultor de ciencia de datos trabaja con clientes para resolver problemas de negocio utilizando técnicas de ciencia de datos. Este rol requiere una sólida comprensión de las matemáticas, especialmente álgebra lineal y cálculo, que se abordan en este curso. Fundamentos Matemáticas para Machine Learning ayuda a los consultores de ciencia de datos a comprender los algoritmos y modelos que están aplicando, lo que les permite explicar los resultados a los clientes de manera clara y concisa. El curso cubre diferenciación automática y cálculo integral.

See salaries and explore the career path for Consultor de Ciencia de Datos

Científico de Datos en Salud

Un científico de datos en salud aplica técnicas de ciencia de datos para mejorar los resultados de la atención médica. Este rol requiere una sólida comprensión de las matemáticas, especialmente álgebra lineal y cálculo, que se abordan en este curso. Fundamentos Matemáticas para Machine Learning ayuda a los científicos de datos en salud a analizar datos de pacientes, predecir resultados de salud e identificar nuevas estrategias de tratamiento. El curso cubre temas como operaciones tensoriales y diferenciación.

See salaries and explore the career path for Científico de Datos en Salud

Bioinformático

Un bioinformático aplica técnicas computacionales para analizar datos biológicos. El álgebra lineal y el cálculo son fundamentales para modelar procesos biológicos y analizar datos genómicos, por lo tanto este curso es de utilidad. Fundamentos Matemáticas para Machine Learning ayuda a los bioinformáticos a comprender los principios matemáticos detrás de los algoritmos de 'machine learning' utilizados en la bioinformática, como los utilizados para la secuenciación de ADN y el descubrimiento de fármacos. El curso incluye ejemplos de análisis de componentes principales.

See salaries and explore the career path for Bioinformático

Estadístico

Un estadístico recopila, analiza e interpreta datos para identificar tendencias y relaciones. Por lo general, necesitan una maestría o un doctorado. Si bien la estadística es un campo separado de las matemáticas, existe una superposición significativa, particularmente en el área del modelado estadístico. Fundamentos Matemáticas para Machine Learning puede ayudar a los estadísticos a comprender los principios matemáticos detrás de los modelos estadísticos que están utilizando, lo que les permite desarrollar modelos más precisos y sofisticados. El curso cubre cálculo integral y álgebra lineal.

See salaries and explore the career path for Estadístico

Ingeniero de datos

Un ingeniero de datos construye y mantiene la infraestructura para el almacenamiento y el procesamiento de datos a gran escala. Si bien este rol puede no ser tan intensivo en matemáticas como otros, una comprensión básica de álgebra lineal y cálculo puede resultar útil, particularmente cuando se trabaja con algoritmos de 'machine learning' para el procesamiento de datos. Fundamentos Matemáticas para Machine Learning puede ayudar a los ingenieros de datos a comprender los principios subyacentes de los algoritmos que están utilizando y cómo optimizarlos para su infraestructura. El curso cubre estructuras de datos de álgebra lineal y operaciones tensoriales.

See salaries and explore the career path for Ingeniero de datos

Analista de riesgos

Un analista de riesgos evalúa y gestiona riesgos en una variedad de industrias, incluyendo finanzas, seguros y atención médica. Este rol requiere una sólida comprensión de las matemáticas, particularmente la probabilidad y la estadística. Fundamentos Matemáticas para Machine Learning ayuda a los analistas de riesgos a comprender los principios matemáticos detrás de los modelos de riesgo que están utilizando, lo que les permite evaluar y mitigar los riesgos de manera más efectiva. El curso cubre propiedades matriciales.

See salaries and explore the career path for Analista de riesgos

Desarrollador de software

Un desarrollador de software diseña, desarrolla y mantiene aplicaciones y sistemas de software. Si bien este rol puede no ser tan intensivo en matemáticas como otros, una comprensión básica de álgebra lineal y cálculo puede resultar útil, particularmente cuando se trabaja con gráficos, juegos o simulaciones. Fundamentos Matemáticas para Machine Learning puede ayudar a los desarrolladores de software a comprender los principios subyacentes de los algoritmos que están utilizando y cómo optimizarlos para su software. El curso cubre estructuras de datos de álgebra lineal y operaciones tensoriales.

See salaries and explore the career path for Desarrollador de software

Analista de Inteligencia de Negocios

Un analista de inteligencia de negocios examina datos para ayudar a las empresas a tomar mejores decisiones. Si bien este rol no es tan intensivo en matemáticas como otros en la ciencia de datos, comprender los principios matemáticos que subyacen al análisis de datos puede resultar útil. Fundamentos Matemáticas para Machine Learning puede ayudar a los analistas de inteligencia de negocios a comprender las bases del álgebra lineal y el cálculo, lo que permite una comprensión más profunda de lo que impulsa varios algoritmos y técnicas. El curso puede ser útil para comprender componentes como el descenso de gradiente.

See salaries and explore the career path for Analista de Inteligencia de Negocios

Reading list

We've selected two books that we think will supplement your learning. Use these to develop background knowledge, enrich your coursework, and gain a deeper understanding of the topics covered in Fundamentos Matemáticas para Machine Learning.

Linear Algebra with Applications

Save

Este libro proporciona una cobertura completa del álgebra lineal con un enfoque en las aplicaciones prácticas. Es un excelente recurso para comprender los conceptos fundamentales y cómo se aplican en diversos campos, incluyendo el aprendizaje automático. El libro es útil tanto como referencia durante el curso como para una lectura más profunda después de completar el curso.

Linear Algebra with Applications

Paperback

Check price

Linear Algebra with Applications

Kindle Edition

Check price

Cálculo multivariable

Save

Este libro es un texto clásico de cálculo que cubre derivadas parciales, integrales múltiples y otros temas avanzados relevantes para el aprendizaje automático. Es útil para comprender los fundamentos del cálculo multivariable y cómo se aplican en la optimización de modelos. Este libro es más valioso como lectura adicional para profundizar en los temas del curso.

Calculo Multivariable - 3b* Edicion (Spanish...

Paperback

Fundamentos Matemáticas para Machine Learning

Here's a deal for you

What's inside

Learning objectives

Syllabus

Traffic lights

Save this course

Reviews summary

Fundamentos matemáticos esenciales para ml

Activities

Career center

Reading list

Share

Similar courses