Curso completo de álgebra lineal de cero a experto
Aprende las bases para aplicar el álgebra lineal a la Estadística, al Machine Learning y la Inteligencia Artificial
Ratings 4.40 / 5.00
What You Will Learn!
- Dominar los conceptos relativos a matrices, sistemas de ecuaciones y determinantes con ejemplos prácticos del álgebra lineal
- Conocer y saber aplicar los conceptos sobre espacios vectoriales, bases y aplicaciones lineales
- Diagonalizar endomorfismos calculando valores y vectores propios
- Saber aplicar todo lo anterior y calcularlo con código utilizando tanto R como Python como Matlab/Octave
Description
Conoce toda el álgebra lineal de la mano de Juan Gabriel Gomila y María Santos. Asienta las bases para convertirte en el Data Scientist del futuro con todo el contenido del curso. En particular verás los mismos contenidos que explicamos en primero de carrera a matemáticos, ingenieros o informáticos como por ejemplo:
Logística e instalación de R y RStudio, Anaconda Navigator para Python y Octave GNU para ingeniería.
Cómo usar R, Python y Octave como si fuese una calculadora científica para complementar tu estudio día a día
Introducción a la programación funcional, creando funciones con R, Python y Octave para resolver tus problemas del álgebra lineal y que te servirá para seguir tomando a posteriori cursos de estadística, análisis de datos, machine learning e inteligencia artificial
Fundamentos esenciales de matemáticas incluyendo el estudio de cuerpos, un repaso de trigonometría, el método de inducción o los números complejos entre otros.
Matrices, sistemas de ecuaciones lineales, determinantes o el método de factorización LU que se utiliza en algoritmos que involucran el cálculo de matrices inversas o la resolución de sistemas de ecuaciones en redes neuronales o SVM
Vectores y operaciones vectoriales incluyendo combinaciones lineales, producto escalar, proyecciones ortogonales, producto vectorial y producto mixto que aparecen constantemente en el mundo de la física, la ingeniería y la programación.
El mundo de los espacios vectoriales donde se ubican los datos de un análisis incluyendo el cálculo de la dimensión, la búsqueda de una base, el cambio de base o el método de ortogonalización de Gram Smith.
Creación de espacios vectoriales como la suma directa, el producto o el espacio cociente.
Morfismos y aplicaciones lineales para clasificar y relacionar espacios vectoriales.
Diagonalización de los endomorfismos con el método de los valores y los vectores propios. Aplicación de la diagonalización a la transmisión de datos y al Machine Learning con Cadenas de Markov o ACP
Optimización lineal con el método del Simplex.
Repositorio Github con todo el material del curso para disponer de los mismos scripts que usamos en clase desde el minuto inicial.
Una vez termines el curso podrás seguir con los mejores cursos de análisis de datos, machine learning e inteligencia aritificial publicados por Juan Gabriel Gomila como los cursos de Machine Learning o Inteligencia Artificial con Python o RStudio o el Curso de Data Science con Tidyverse y RStudio o el avanzado de TensorFlow. Todo el material del curso está enfocado en resolver los problemas de falta de base que presentan los estudiantes de esos cursos avanzados y poderlo hacer en un curso a parte te permitirá nivelar tus conocimientos y tomar los otros cursos con garantías de éxito.
Who Should Attend!
- Estudiantes de ingenierías, matemáticas, informática o telecomunicaciones que quieran un complemento a sus clases de universidad o ciclo formativo.
- Estudiantes que deseen formarse en cursos de Machine Learning, Inteligencia Artificial o Análisis de Datos y necesiten una base sólida de fundamentos matemáticos.
- Principiantes de Python, R o Matlab/Octave que quieran ver de forma práctica los conceptos teóricos del álgebra lineal
