Fundamentos Matemáticas para Machine Learning
Las matemáticas esenciales para ML: Álgebra lineal y cálculo práctico explicado en NumPy, TensorFlow y PyTorch
Lo que serás capaz de hacer
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.
- 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.
Temario
UNIDAD 1 - Estructuras de Datos para Álgebra Lineal · 15 leccionesUNIDAD 1 - Estructuras de Datos para Álgebra Lineal
UNIDAD 1 - Estructuras de Datos para Álgebra Lineal
- Introducción
- El repositorio github del curso
- Qué es el álgebra lineal
- Un recorrido históico del álgebra
- Representar un sistema de ecuaciones lineal
- Un ejercicio de álgebra lineal
- Los tensores
- Los escalares
- Vectores y Transposición de Vectores
- Normas y Vectores Unitarios
- Bases, Vectores Ortogonales y Ortonormales
- Matrices
- Notación Tensorial Genérica
- Ejercicio Final de Estructuras de Álgebra Lineal
- Rutas de Aprendizaje
UNIDAD 2 - Operaciones con Tensores · 9 leccionesUNIDAD 2 - Operaciones con Tensores
UNIDAD 2 - Operaciones con Tensores
- Introducción
- Transposición Tensorial
- Aritmética Tensorial Básica y Producto de Hadamard
- Reducción de Tensores
- El producto escalar
- Ejercicios de operaciones con Tensores
- Resolución de Sistemas Lineales por Sustitución
- Resolución de Sistemas Lineales por Eliminación
- Visualización de Sistemas Lineales
UNIDAD 3 - Propiedades de las Matrices · 8 leccionesUNIDAD 3 - Propiedades de las Matrices
UNIDAD 3 - Propiedades de las Matrices
- Introdución
- La Norma de Frobenius
- La Multiplicación de Matrices
- La Matriz Simétrica y la Matriz Identidad
- Ejercicio de producto de matrices
- La Inversa de una Matriz
- Matrices Diagonales
- Matrices ortogonales
UNIDAD 4 - Valores y vectores propios · 10 leccionesUNIDAD 4 - Valores y vectores propios
UNIDAD 4 - Valores y vectores propios
- Repaso de Álgebra Lineal
- Aplicaciones de Matrices
- Transformaciones Afines
- Valores y Vectores Propios
- Determinantes de Matrices
- Determinantes de orden superior
- Ejercicios de Determinantes
- Determinantes y Valores Propios
- Descomposición Propia
- Aplicaciones de los Valores y los Vectores Propios
UNIDAD 5 - Operaciones Matriciales para Machine Learning · 8 leccionesUNIDAD 5 - Operaciones Matriciales para Machine Learning
UNIDAD 5 - Operaciones Matriciales para Machine Learning
- Introducción al Segmento
- Descomposición en valor singular
- Compresión de datos con SVD
- La pseudo inversa de Moore Penrose
- Regresión con la pseudo inversa
- El operador Traza
- Análisis de Componentes Principales
- Recursos adicionales para seguir aprendiendo Álgebra Lineal
UNIDAD 6 - Límites · 8 leccionesUNIDAD 6 - Límites
UNIDAD 6 - Límites
- Introducción al Segmento
- Introducción al cálculo diferencial
- Introducción al cálculo integral
- El método por agotamiento
- Cálculo de infinitesimales
- Aplicaciones del cálculo
- Cálculo de límites
- Ejercicios de límites
UNIDAD 7 - Derivadas y diferenciación · 14 leccionesUNIDAD 7 - Derivadas y diferenciación
UNIDAD 7 - Derivadas y diferenciación
- Introducción al segmento
- El método Delta
- Como obtener derivadas a partir de límites
- La notación de las derivadas
- Derivada de una constante
- La regla de la potencia
- La regla del múltiplo por un constante
- La regla de la suma
- Ejercicios para practicar derivadas
- La regla del producto
- La regla del cociente
- La regla de la cadena
- Ejercicios finales de derivadas
- La regla de la potencia combinada con la regla de la cadena
UNIDAD 8 - Diferenciación automática · 7 leccionesUNIDAD 8 - Diferenciación automática
UNIDAD 8 - Diferenciación automática
- Introducción al segmento
- ¿Qué es la diferenciación automática?
- Diferenciación automática en Pytorch
- Diferenciación automática en Tensorflow
- La ecuación de la recta de regresión como grafo tensorial
- Cómo funciona el aprendizaje en Machine Learning con Autodiff I
- Cómo funciona el aprendizaje en Machine Learning con Autodiff II
UNIDAD 9 - Cálculo de Derivadas Parciales · 17 leccionesUNIDAD 9 - Cálculo de Derivadas Parciales
UNIDAD 9 - Cálculo de Derivadas Parciales
- Introducción al Segmento
- ¿Qué son las derivadas parciales?
- Ejercicios de Derivadas Parciales
- Ejercicios de Derivadas Parciales
- Cálculo de Derivadas Parciales con Autodiff
- Derivadas Parciales Avanzadas
- Ejercicios de Derivadas Parciales Avanzadas
- Notación de las Derivadas Parciales
- Regla de la Cadena para Derivadas Parciales
- Ejercicios de Regla de la Cadena Multivariante
- Recta de regresión en un punto
- El gradiente del Coste Cuadrático
- El descenso del gradiente del coste
- El gradiente del error cuadrático medio
- La propagación hacia atrás
- Derivadas de orden superior
- Ejercicios de derivadas de orden superior
UNIDAD 10 - Cálculo Integral · 12 leccionesUNIDAD 10 - Cálculo Integral
UNIDAD 10 - Cálculo Integral
- Introducción al segmento
- Clasificación Binaria
- La matriz de confusión
- Las curvas ROC
- Qué es el cálculo integral
- Reglas básicas de integración
- Ejercicios de integrales indefinidas
- Integrales definidas
- Integración Numérica con Python
- Ejercicios de integrales definidas
- Encontrar el área bajo la curva ROC
- Recursos para seguir aprendiendo cálculo
UNIDAD 11 - Enhorabuena por completar el curso · 2 leccionesUNIDAD 11 - Enhorabuena por completar el curso
UNIDAD 11 - Enhorabuena por completar el curso
- Fin de la primera parte
- Para seguir con tu aprendizaje
Tu certificado lo emite la SEP, no solo una plataforma
Al demostrar la competencia recibes un certificado emitido por la Secretaría de Educación Pública a través del Gobierno del Estado de México: un documento oficial que puedes presentar con confianza ante cualquier empleador o institución.
Tu certificado con INEC
- Lo emite la Secretaría de Educación Pública (SEP), a través del Gobierno del Estado de México
- Documento oficial con folio verificable en línea
- Lo otorga la Universidad Tecnológica Fidel Velázquez
Otras plataformas en línea
- Constancia privada emitida por la misma plataforma
- Solo acredita horas cursadas o asistencia
- Sin respaldo de una autoridad educativa
Tu itinerario, de la inscripción al certificado
- 1
Inscripción con pago único
Pagas $2,800 MXN una sola vez y entras de inmediato al curso.
- 2
Estudias a tu ritmo
11 unidades con videos, lecturas y actividades, disponibles 24/7 durante 12 meses.
- 3
Cuestionarios por unidad
2 cuestionarios para comprobar lo aprendido.
- 4
Certificado
Emitido por la SEP a través del Gobierno del Estado de México, con folio verificable.
Un certificado oficial de la SEP
Muestra · verificable por folio y QR
- Emitido por la Secretaría de Educación Pública (SEP), a través del Gobierno del Estado de México. No es una constancia privada: es un documento oficial, y ese respaldo marca la diferencia frente a otras plataformas en línea.
- Contenido impartido por María Santos.
- Folio y QR verificables para compartirlo con quien te contrate.
Empieza hoy, a tu ritmo
Un solo pago y acceso inmediato al curso completo durante 12 meses.
- 11 unidades · 110 lecciones · 55 h
- 12 meses de acceso
- 2 cuestionarios de evaluación
- Certificado emitido por la SEP (Gob. del Estado de México) con folio verificable
Sobre tu inscripción
¿Cómo es el pago?
Un solo pago de $2,800 MXN. No hay mensualidades ni cargos recurrentes.
¿Cuánto tiempo tengo acceso?
12 meses desde tu inscripción, 24/7, para avanzar a tu ritmo.
¿Quién imparte el contenido?
El curso es impartido por María Santos; INEC gestiona tu inscripción, evaluación y certificado.
¿Qué pasa cuando vence mi acceso?
Puedes renovar tu cuenta tú mismo desde la plataforma, sin trámites ni esperas.
