Your cart is empty.
Keep shoppingFundamentos Matemáticas para Machine Learning
Bestseller
Highest Rated
1,699 students
Fundamentos Matemáticas para Machine Learning
Las matemáticas esenciales para ML: Álgebra lineal y cálculo práctico explicado en NumPy, TensorFlow y PyTorch
Created byMaría Santos, Juan Gabriel Gomila Salas
Last updated 11/2024
Spanish
What you'll learn
- 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.
Explore related topics
Course content
11 sections • 108 lectures • 19h 19m total length
Requirements
- Todas las demostraciones de código se realizarán en Python, por lo que será útil tener experiencia con este u otro lenguaje de programación orientado a objetos para seguir los ejemplos prácticos.
- Estar familiarizado con las matemáticas de secundaria facilitará el seguimiento de la clase. Si se siente cómodo con el manejo de información cuantitativa, como la comprensión de gráficos y la reorganización de ecuaciones sencillas, estará bien preparado para seguir todas las matemáticas.
Description
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.
Who this course is for:
- Utilizas librerías de software de alto nivel (por ejemplo, scikit-learn, Keras, TensorFlow) para entrenar o desplegar algoritmos de aprendizaje automático, y ahora te gustaría comprender los fundamentos subyacentes a las abstracciones, lo que te permitiría ampliar tus capacidades
- Usted es un desarrollador de software que le gustaría desarrollar una base firme para el despliegue de algoritmos de aprendizaje automático en los sistemas de producción
- Eres un científico de datos que desea reforzar su comprensión de los temas en el núcleo de su disciplina profesional
- Eres un analista de datos o un entusiasta de la Inteligencia Artificial al que le gustaría convertirse en científico de datos o ingeniero de datos/ML, por lo que estás deseando comprender en profundidad el campo en el que estás entrando desde cero (¡muy sabio por tu parte!).