Alvaro Nohales
Las matemáticas constituyen el núcleo de la ciencia de datos y el aprendizaje automático. Por lo tanto, para llegar a ser tu mejor versión de científico de datos, 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 la identificación de problemas de modelado hasta la invención de soluciones nuevas y más potentes, la comprensión de las matemáticas detrás de todo esto puede aumentar drásticamente el impacto que puede tener en el transcurso de su carrera.
Dirigido por el gurú del aprendizaje profundo, Juan Gabriel Gomila, 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.
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 añadir contenido extra de temas relacionados más allá de las matemáticas, a saber: probabilidad, estadística, estructuras de datos, algoritmos y optimización.
Skills / Knowledge
- Aprender a utilizar google colab
- 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
- Aplicar todas las operaciones vectoriales y matriciales esenciales para el aprendizaje automático y la ciencia de datos
- Utilizar el cálculo integral para determinar el área bajo una curva dada
- Comprender en profundidad reglas de diferenciación avanzadas como la regla de la cadena
- Comprender exactamente qué son los gradientes y entender por qué son esenciales para permitir el ML mediante el descenso de gradiente
- Calcular las derivadas parciales de las funciones de coste de aprendizaje automático a mano, así como con TensorFlow y PyTorch
- Ser capaz de comprender más íntimamente los detalles de los documentos de aprendizaje automático de vanguardia
- Apreciar cómo funciona el cálculo, desde los inicios, mediante demostraciones de código interactivas en Python
- Resolver incógnitas con técnicas sencillas y avanzadas
- Reducir la dimensión de datos complejos a elementos más informativos con vectores propios, SVD y PCA
- Desarrollar una comprensión de lo que ocurre bajo el capó de los algoritmos de aprendizaje automático, incluidos los utilizados para el Deep Learning
Issued on
Expires on
These are the most common job titles and employers with the most open positions related to this credential.
FBI Oracle PwC Amazon Meta