Síguenos en Facebook 

​


Descubre la matemática 

oculta detrás de la práctica

​

Descarga: 

​Información Completa del Curso

MML - Información Completa.pdf
File Size:	479 kb
File Type:	pdf

Download File

---

El taller tiene como objetivo proporcionar una descripción general de la importancia de conocer y entender la matemática oculta en los algoritmos de aprendizaje automático. Además, se pretende que los estudiantes, bajo una perspectiva diferente, entiendan los problemas que resuelven los algoritmos de aprendizaje automático y cómo lo hacen para generar un aprendizaje complementario teoría-práctica que les permita resolver problemas de manera más efectiva. Descarga las diapositivas del taller en el siguiente enlace (si está roto el enlace, reportalo). 

machine_learning_descubriendo_la_matemática_oculta.pdf
File Size:	2111 kb
File Type:	pdf

Download File

---

Aclaraciones

• Puedes reservar con solo 499 pesos mexicanos (25 USD), y luego pagar el resto, para completar el precio total 1499 pesos mexicanos (75 USD). 
• Nuestros estudiantes en el extranjero (Colombia, Ecuador, Perú principalmente)  pueden pagar mediante Paypal. Contacta a Claudia Montaño mediante wa.me/5215539940156. 
• Tienes acceso a las clases grabadas hasta 3 meses después de terminar el curso.
• Reconocimiento digital ante la Secretaría del Trabajo (STPS-México)

Inicio y fin del curso

• Sábado 18 de Junio 2022
• Sábado 10 de Septiembre 2022
• No hay clases: 20 y 27 de agosto 2022.

Horarios
44 horas, 4 horas la semana (Horario de la Ciudad de México)

• Sábados de 10 a 14hrs

(RESERVA) Matemáticas para Machine Learning

MX$499.00

Agotado

Añade al carrito

Matemáticas para Machine Learning

MX$1,499.00

Agotado

Añade al carrito

Objetivo del curso

Esclarecer los conceptos matemáticos en que se sustentan los métodos de aprendizaje automático y desarrollar la habilidad lógica para aplicarlos.

Casos de Estudio

• Funciones de pérdida: entropía cruzada binaria, entropía cruzada categórica, entropía cruzada dispersa, error cuadrático medio.
• Optimizadores por descenso de gradiente: estocástico, momento, adagrad, RMSprop, Adam.
• Regresión logística y máquinas de soporte vectorial (SVM)
• Árboles de decisión
• Reducción de dimensiones por análisis de componentes principales (PCA)

Contenido resumido del curso

1. Motivación
   
2. Fundamentos de Algebra lineal
   
3. Fundamentos de Geometría Analítica 
   
4. Descomposiciones Matriciales
   
5. Fundamentos de Cálculo Diferencial de una y varias variables
   
6. Fundamentos de Probabilidad y Distribuciones
   
7. Optimización 
   
8. Temas selectos de estudio (Votados por los estudiantes)
   

Herramientas a aprender a usar: numpy, sympy, matplotlib, sklearn, google colab, Jupyter