Todos los cursos

Álgebra lineal

• Vectores, matrices y operaciones básicas.
• Espacios vectoriales y subespacios.
• Transformaciones lineales y matrices de transformación.
• Autovalores y autovectores.
• Descomposición en valores singulares (SVD).

Cálculo

• Derivadas e integrales en una y varias variables.
• Gradiente, divergencia y rotacional.
• Optimización y métodos de gradiente descendente.
• Lagrange multipliers para problemas de optimización con restricciones.

Probabilidad y Estadística

• Probabilidades básicas y teorema de Bayes.
• Variables aleatorias y distribuciones (normal, binomial, Poisson, etc.).
• Esperanza, varianza y desviación estándar.
• Inferencia estadística: estimación de parámetros y pruebas de hipótesis.
• Teoría de la probabilidad aplicada a modelos de machine learning.

Álgebra y Teoría de Grafos

• Conceptos básicos de grafos: nodos, aristas, caminos, conectividad.
• Representación de datos como grafos (redes neuronales, redes sociales, etc.).
• Aplicaciones en modelos como el algoritmo de PageRank o redes convolucionales de grafos (GCN).

Fundamentos de Machine Learning

• Regresión Lineal y Regularización:
  • Método de mínimos cuadrados.
  • Regularización: Ridge y Lasso.
• Clasificación:
  • Clasificación lineal y logística.
  • Métodos de evaluación de clasificación: precisión, recall, F1.
• Redes Neuronales:
  • Perceptrón y redes neuronales multicapa.
  • Retropropagación y optimización de redes.
• Redes Neuronales Profundas y Transfer Learning:
  • Redes convolucionales (CNN) y su aplicación en visión computacional.
  • Redes recurrentes (RNN) y aplicaciones en datos secuenciales.
• Modelos Generativos:
  • Redes Generativas Antagónicas (GAN).
  • Modelos autoregresivos y redes neuronales de flujo.

Optimización en Machine Learning

• Métodos de optimización estocásticos y deterministas.
• Técnicas avanzadas como Adam, RMSprop, etc.
• Regularización y evitación de overfitting.

Implementación Práctica

• Programación en Python: bibliotecas esenciales como NumPy, pandas, y scikit-learn.
• Introducción a TensorFlow y PyTorch.
• Implementación de modelos de machine learning y técnicas de preprocesamiento de datos.
• Proyectos prácticos: regresión, clasificación, redes neuronales convolucionales, etc.