De la Teoría a la Práctica: Matemáticas Aplicadas en Machine Learning
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.
Responsable | Emmanuel Rdz |
---|---|
Última actualización | 23/09/2025 |
Tiempo de finalización | 1 hora 40 minutos |
Miembros | 0 |
Compartir este curso
Compartir enlace
Compartir en redes sociales
Compartir por correo electrónico
Please iniciar sesión para compartir esto De la Teoría a la Práctica: Matemáticas Aplicadas en Machine Learning por correo electrónico.
-
Álgebra Lineal5Lecciones · 1 h 40 min
-
Vectores, matrices y operaciones básicas
-
Espacios vectoriales y subespacios
-
Vista previa
-
Autovalores y autovectores.
-
Descomposición en valores singulares (SVD).
-