Matemáticas para la Ciencia de Datos

24 semanas
De lunes, miércoles y viernes
7:30-9:00 am CDT

Tarifa en México*

15,750 MXN + IVA
3 meses sin intereses con tarjetas participantes

Tarifa internacional

790 USD
Matemáticas para la Ciencia de Datos Colegio Bourbaki

Objetivos

01
Enseñar un manejo de Python que permita resolver problemas utilizando imágenes, texto, bases estructuradas, series de tiempo e incluso cuando no existen su!cientes datos.
02
Familiarizar al estudiante con el lenguaje matemático así como su utilidad para resolver problemas concretos e identi!car di!cultades. Se hará énfasis en fortalecer la intuición de los estudiantes.
03
Estudiar las ideas matemáticas utilizadas en Ciencia de Datos enfocándonos en las siguientes áreas: Probabilidad, Estadística e Inferencia Bayesiana, Álgebra Lineal y Optimización y Cálculo Diferencial.
04
Estudiar algoritmos de Machine Learning y ponerlos en práctica utilizando fuentes de datos reales.
DESCARGAR TEMARIO
Descargar temario

Perfil de Estudiante

El estudiante debe estar interesado en aprender los detalles matemáticos detrás de los algoritmos y modelos de Machine learning con el objetivo de mejorar su comprensión sobre las ventajas, di!cultades o soluciones que ocurren en el trabajo de los científicos de datos.

Clase abierta

Temario

Módulo 1. Fundamentos deprobabilidad
1. La aleatoriedad y la independencia

2. Variables aleatorias y sus invariantes
3. El Método de Monte Carlo
4. Máxima verosimilitud y regresiones Bernoulli5. Las cadenas de Markov Page Rank
6. Metropolis Hastling

Módulo 2. Estadística e InferenciaBayesiana

1. Tests estadísticos
2. A/B & Thompson samplings3. Inferencia Causal
4. Regresiones Bayesianas
5. Redes Bayesianas
6. Optimización Bayesiana

Módulo 3. Álgebra Lineal

1. Matrices y sistemas de ecuaciones
2. Medidas de similitud de audios
3. Análisis de Componentes Principales PCA4. Latent Semantic Analysis y SVD
5. Eigen-descomposición y text-rank
6. Álgebra lineal numérica I

Módulo 4. Optimización y CálculoDiferencial

1. Programación lineal y optimización
2. La importancia de la convexidad
3. Support Vector Machines y Lagrange4. Gradient descend
5. Stochastic Gradient Descend
6. El algoritmo de Backpropagation

SUSCRÍBETE AL CURSO

Gracias, su información ha sido recibida.
Oops! Something went wrong while submitting the form.
*Aplican restricciones
Contacto
Tarifas hasta Diciembre de 2023, pregunte por opciones para congelar la Tarifa