Fundamentos Matemáticas para Machine Learning

Descripción

Las matemáticas constituyen el núcleo de la ciencia de datos y el aprendizaje automático. Por lo tanto, para ser el mejor científico de datos que puedas ser, debes tener una comprensión práctica de las matemáticas más relevantes. Iniciarse en la ciencia de datos es fácil gracias a bibliotecas de alto nivel como Scikit-learn y Keras. Pero comprender las matemáticas que hay detrás de los algoritmos de estas bibliotecas te abre infinitas posibilidades. Desde identificar problemas de modelado hasta inventar soluciones nuevas y más potentes, entender las matemáticas que hay detrás de todo esto puede aumentar drásticamente el impacto que puedes tener a lo largo de tu carrera. Dirigido por el gurú del aprendizaje profundo, el Dr. Jon Krohn, este curso proporciona una firme comprensión de las matemáticas -a saber, álgebra lineal y cálculo- que subyacen en los algoritmos de aprendizaje automático y los modelos de ciencia de datos. Secciones del curso • Estructuras de datos de álgebra lineal • Operaciones tensoriales • Propiedades de las matrices • Vectores y valores propios • Operaciones matriciales para el aprendizaje automático • Límites • Derivadas y Diferenciación • Diferenciación automática • Cálculo de derivadas parciales • Cálculo integral A lo largo de cada una de las secciones, encontrarás un montón de tareas prácticas, demostraciones de código Python y ejercicios prácticos para que tu juego matemático esté en plena forma. Este curso de Fundamentos Matemáticos del Aprendizaje Automático está completo, pero en el futuro, tenemos la intención de crear contenido extra de temas relacionados más allá de las matemáticas, a saber: probabilidad, estadística, estructuras de datos, algoritmos y optimización que estará disponible en Frogames Formacion como parte 2 y 3 de este curso. ¿Estás preparado para convertirte en un destacado científico de datos? Nos vemos en el aula.

Lo que aprenderás

• Comprender los fundamentos del álgebra lineal y el cálculo, temas matemáticos críticos subyacentes a todo el aprendizaje automático y la ciencia de datos.
• Manipular tensores utilizando las tres bibliotecas de tensores más importantes de Python: NumPy, TensorFlow y PyTorch
• Cómo aplicar todas las operaciones vectoriales y matriciales esenciales para el aprendizaje automático y la ciencia de datos
• Reducir la dimensionalidad de datos complejos a los elementos más informativos con vectores propios, SVD y PCA.
• Resolver incógnitas con técnicas sencillas (p. ej., eliminación) y avanzadas (p. ej., pseudoinversión)
• Apreciar cómo funciona el cálculo, desde los primeros principios, mediante demostraciones de código interactivas en Python.
• Comprender en profundidad reglas de diferenciación avanzadas como la regla de la cadena
• Calcular las derivadas parciales de las funciones de coste de aprendizaje automático a mano, así como con TensorFlow y PyTorch
• Comprender exactamente qué son los gradientes y entender por qué son esenciales para permitir el ML mediante el descenso de gradiente.
• Utilizar el cálculo integral para determinar el área bajo una curva dada
• Ser capaz de comprender más íntimamente los detalles de los documentos de aprendizaje automático de vanguardia
• Desarrollar una comprensión de lo que ocurre bajo el capó de los algoritmos de aprendizaje automático, incluidos los utilizados para el aprendizaje profundo.

Requisitos

• Todas las demostraciones de código se realizarán en Python, por lo que será útil tener experiencia con este u otro lenguaje de programación orientado a objetos para seguir los ejemplos prácticos.
• Estar familiarizado con las matemáticas de secundaria facilitará el seguimiento de la clase. Si se siente cómodo con el manejo de información cuantitativa, como la comprensión de gráficos y la reorganización de ecuaciones sencillas, estará bien preparado para seguir todas las matemáticas.