Síguenos en Facebook 

​


Descubre la matemática 

oculta detrás de la práctica

​

Descarga: 

​Información Completa del Curso

MML07 - Información Completa.pdf
File Size:	604 kb
File Type:	pdf

Descargar archivo

---

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

Descargar archivo

---

Aclaraciones

• Las clases son en línea vía Zoom, cada clase se va grabando y te damos acceso a las grabaciones por 5 meses.
• Reconocimiento digital ante la Secretaría del Trabajo (STPS-México). ​
• Reserva con solo $600 MXN y paga el resto en la 4ta semana.
• ​Precio total $2000 MXN. 
• Nuestros estudiantes en el extranjero (Colombia, Ecuador, Perú principalmente)  pueden pagar mediante Paypal en dólares. Contacta a Claudia Montaño mediante wa.me/5215539940156. 

Inicio y fin del curso

• Lunes 3 de Marzo 2025
• Lunes 26 de Mayo 2025
• No hay clases: 17 de Marzo, 14 y 16 de Abril. 

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

• Lunes y Miércoles de 20 a 22hrs

(RESERVA) Matemáticas para Machine Learning

MX$600.00

Añade al carrito

Matemáticas para Machine Learning

MX$2,000.00

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