Lección 14 del curso Cálculo para Ciencia de Datos y Machine Learning.
A lo largo de este módulo hemos hablado del concepto de derivada y hemos visto cómo aplicar este concepto a funciones de una y de múltiples variables, y en la lección anterior hemos hablado del concepto del gradiente y su relación con la derivada.
Así que en este punto ya tenemos todos los elementos conceptuales con respecto a este tema, así que lo único que nos resta antes de cerrar este módulo es ver las principales aplicaciones de la derivada en Ciencia de Datos y Machine Learning:
Contenido exclusivo para suscriptores
Si eres suscriptor accede en este enlace ó suscríbete a la Academia Online y accede a todo el contenido (lecciones en video, código fuente, sets de datos y descargas) de todos los cursos, proyectos y tutoriales.
Como acabamos de ver, la optimización en Machine Learning utiliza el concepto de derivada para ajustar iterativamente los parámetros del modelo, minimizando la función de error mediante algoritmos como el Gradiente Descendente. Este proceso es crucial en el entrenamiento de Redes Neuronales, donde el algoritmo de backpropagation actualiza los parámetros de la red usando derivadas parciales y la regla de la cadena para mejorar las predicciones del modelo.
En este punto ya tenemos un panorama claro de lo que es la derivada y de sus principales aplicaciones especialmente en el Machine Learning. Así que con esto cerramos este tercer módulo del curso.
En la próxima lección comenzaremos con el cuarto módulo del curso en donde hablaremos de la Integral, la operación inversa a la derivada y que también resulta de importancia en varias técnicas de Ciencia de Datos y Machine Learning.
En la próxima lección comenzaremos entonces entendiendo el concepto de la Integral en funciones univariadas.
Todas las lecciones del curso Cálculo para Ciencia de Datos y Machine Learning