19 lecciones • 6 horas
Curso teórico-práctico en donde aprenderás los conceptos esenciales del Álgebra Lineal, un campo de las matemáticas fundamental para entender el funcionamiento de los diferentes algoritmos usados en Ciencia de Datos y Machine Learning.
Al final de este curso habrás aprendido
- Qué es el Álgebra Lineal y su importancia en la Ciencia de Datos y el Machine Learning
- Qué son los vectores y las matrices y cómo se usan en Ciencia de Datos y Machine Learning
- Qué son los valores y vectores propios y cómo usarlos para resolver diferentes problemas en Ciencia de Datos y Machine Learning
- Cómo aplicar de forma práctica los conceptos de vectores, matrices, valores y vectores propios a la solución de diferentes problemas en Ciencia de Datos y Machine Learning
Requisitos
- Conocimientos básicos de Álgebra a nivel de último año de secundaria
- Se sugiere haber tomado los cursos Python Nivel Básico, Python Nivel Intermedio, Python Nivel Avanzado y NumPy para Ciencia de Datos y Machine Learning disponibles acá en la Academia Online.
Contenido
MÓDULO 1: FUNDAMENTOS DE ÁLGEBRA LINEAL
1 – ¿Qué es el Álgebra Lineal?
2 – Ejemplos de aplicación del Álgebra Lineal en Ciencia de Datos y Machine Learning
MÓDULO 2: VECTORES
3 – El papel de los vectores en la Ciencia de Datos y el Machine Learning
4 – Vectores: definiciones y conceptos básicos
5 – Operaciones básicas con vectores
6 – El producto punto entre vectores
8 – Bases y espacios vectoriales
9 – Proyecciones vectoriales y cambios de base
10 – Práctica 1: de palabras a vectores con Word2Vec
MÓDULO 3: MATRICES
11 – El papel de las matrices en la Ciencia de Datos y el Machine Learning
12 – Matrices: definiciones y conceptos básicos
13 – Operaciones básicas con matrices
15 – Práctica 2: el perceptrón
MÓDULO 4: VALORES Y VECTORES PROPIOS
16 – ¿Qué son los valores y vectores propios?
17 – ¿Cómo calcular los valores y vectores propios?
18 – Los valores y vectores propios en Ciencia de Datos y Machine Learning
19 – Proyecto final: sistema de recomendación de películas
