.avif){kind=icon}
MA2501 - Matemáticas para la Ciencia de Datos
Le damos la bienvenida a nuestro curso Matemáticas para la Ciencia de Datos, en esta sección encontrará el material semanal que incluye las grabaciones, las notas del curso y las presentaciones. también podrá descargar desde aquí las evaluaciones del curso. ¡Le deseamos mucho éxito en su aprendizaje!
Semana
1
Variables aleatorias e independencia estadística
.png)
Bien entendidas, las bases de datos con las que se entrenan los modelos en Machine Learning son el resultado de un proceso aleatorio el cual puede modelarse con distintos tipos de distribuciones. Además estudiaremos el concepto de independencia que generaliza a la correlación. La correlación es una medida estadística que utiliza la frecuencia con la que dos variables se relacionan proporcionalmente con la misma constante. Pensemos por ejemplo en el número de metros cuadrados y el costo de un terreno.
MA2501 - Feb 04, 2025
MA2501 - Feb 05, 2025
MA2501 - Feb 07, 2025
Semana
2
Momentos estadísticos & regresiones de Poisson
Gracias a los momentos estadísticos se pueden distinguir distintas distribuciones, en esta sección estudiaremos valor esperado, varianza y curtosis. También hablaremos de las distribuciones de Poisson y sus regresiones. La primera vez que se propuso utilizar una distribución de Poisson fue para calcular la frecuencia con la que se encarcelaba injustamente en Francia, tomando en cuenta el número de sentencias.
MA2501 - Feb 11, 2025
MA2501 - Feb 12, 2025
MA2501 - Feb 14, 2025
Semana
3
Ley de los grandes números & Teorema límite central
La Ley de los Grandes números es uno de los únicos resultados matemáticos que garantiza que una base de datos podría ser una buena aproximación a un resultado general, pensemos por ejemplo en un sondeo previo a una elección presidencial.
MA2501 - Feb 18, 2025
MA2501 - Feb 19, 2025
MA2501 - Feb 21, 2025
Semana
4
Tests estadísticos
Una de las herramientas más importantes de los teoremas límite es la posibilidad de construir tests estadísticos como los intervalos de confianza. En esta semana estudiaremos distintos test indispensables para la validación de resultados.
MA2501 - Feb 25, 2025
MA2501 - Feb 26, 2025
MA2501 - Feb 28, 2025
Semana
5
Cadenas de Markov PageRank
Gracias al comportamiento límite de las cadenas de markov es posible predecir cuáles serían las páginas más visitadas si navegamos aleatoriamente por aquellas páginas que contengan un texto.
MA2501 - Mar 04, 2025
MA2501 - Mar 05, 2025
MA2501 - Mar 07, 2025
Semana
6
Metropolis Hastings
Utilizando el algoritmo de metropolis Hastings es posible descifrar mensajes codigicados por medio de una búsqueda aleatoria a través de todas las posibles traducciones.
MA2501 - Mar 11, 2025
MA2501 - Mar 12, 2025
MA2501 - Mar 14, 2025
No items found.
Semana
8
Sistemas de ecuaciones lineales
El aprendizaje supervisado es muy parecido al problema de resolver un sistema de ecuaciones lineales, en este caso las matrices formadas por la base de datos es muy similar a la de los coeficientes en un sistema de ecuaciones lineales.
MA2501 - Mar 25, 2025
MA2501 - Mar 26, 2025
MA2501 - Mar 28, 2025
Semana
9
Similitud del coseno & geometría lineal
MA2501 - Abr 01, 2025
MA2501 - Abr 02, 2025
MA2501 - Abr 04, 2025
Semana
10
Análisis de componentes principales
Una de las técnicas de compresión más conocidas es el análsiis de componentes principales el cual construye una aproximación lineal de nuestra información mediante una cantidad menor de coordenadas. Podemos pensar en la información genética de las personas.
MA2501 - Abr 08, 2025
MA2501 - Abr 09, 2025
MA2501 - Abr 11, 2025
Semana
11
Descomposición en valores singulares
Las bases de datos con una enorme cantidad de textos son muy complicadas desde el punto de vista computacional y gracias a la factorización de matrices es posible eficientar este tipo de búsquedas.
MA2501 - Abr 23, 2025
MA2501 - Abr 25, 2025
Semana
12
Auto-vectors & Auto-valores
El concepto de auto-vector es un reflejo de las simetrías contenidas en algunas de nuestras bases de datos y en algunas ocasiones podemos utilizarlas para reducir la cantidad de cálculos.
MA2501 - Abr 29, 2025
MA2501 - Abr 30, 2025
MA2501 - May 02, 2025
Semana
13
Álgebra lineal numérica
Existen técnicas del álgebra lineal que permiten reducir el número de cálculos necesarios para realizar una búsqueda, este tipo de problemas son muy comunes en Big Data y utilizan métodos de reducción de la dimensión.
MA2501 - May 06, 2025
MA2501 - May 09, 2025
MA2501 - May 13, 2025
Semana
Optimización lineal & método simplex
Aunque parezca una técnica poco sofisticada, la programación lineal es una de las herramientas más versátiles para resolver problemas de matemáticas aplicadas, es cierto que las soluciones no resuelven todos los problemas sin embargo una amplia cantidad de problemas se pueden resolver por medio de estas técnicas.
MA2501 - May 20, 2025
MA2501 - May 21, 2025
MA2501 - May 23, 2025
Semana
Derivadas, Método de Cauchy & Convexidad
.png)
Aunque no existe una explicación matemática satisfactoria de por qué funcionan los modelos de machine learning, utilizando el concepto de convexidad ayuda a entender algunos casos particulaes en los que sí existen teoremas de convergencia. El algoritmo que veremos en esta semana fue propuest originalmetne por Cauchy, la idea principal es optimizar siguiendo la dirección opuesta del gradiente.
MA2501 - May 28, 2025
MA2501 - May 30, 2025
Semana
Gradient Boosting & SGD
Existen métodos similares al propuesto por Cauchy que tienen algunas ventajas, en esta semana revisaremos dos de ellos.
MA2501 - Jun 03, 2025
MA2501 - Jun 04, 2025
MA2501 - Jun 06, 2025
Semana
Back-propagation & redes profundas
El algoritmo del gradiente descendiente sería inviable para entrenar a las redes neuronales con billones de parámetros y por ello fue necesario un algoritmo extra que permita que su entrenamiento sea viable. Este algoritmo se conoce como Back-Propagation y fue propuesto por Hinton a finales de los 90's.
MA2501 - Jun 10, 2025
MA2501 - Jun 11, 2025
MA2501 - Jun 13, 2025
Semana
19
Programación dinámica & refuerzo
La programación dinámica fue propuesta por Richard Bellman buscando resolver problemas en los que la dimensión es gigantesca, de hecho fue él quien acuñó el término de la maldición de la dimensión. Estas ideas son utilizadas por plataformas como Waze para encontrar la ruta óptima.
MA2501 - Jun 17, 2025
MA2501 - Jun 23, 2025
Semana
Teorema de Policy Gradieny
Las ecuaciones de Bellman nos permiten entrenar políticas cuando tratamos de resolver un problema por medio del aprendizaje por refuerzo. En algunas ocasiones es necesario tener más grados de libertad en nuestras políticas y el famoso teorema de Policy Gradient es una herramienta fundamental para este fin.
MA2501 - Jun 24, 2025
MA2501 - Jun 25, 2025
MA2501 - Jul 01, 2025
MA2501 - Jul 02, 2025
No items found.
Semana
Inferencia Bayesiana e Interpretabilidad
Durante esta semana vamos a explicar cómo utilizando el teorema de Bayes se pueden cambiar las hipótesis durante el modelado de un fenómino sin que necesariamente se tome en cuenta el dataset que se está observando.
MA2501 - Jul 08, 2025
MA2501 - Jul 09, 2025
MA2501 - Jul 11, 2025
Semana
Redes Bayesianas y causalidad
.png)
Por medio de los modelos causales introducidos por primera vezo por Judea Pearl, las computadoras pueden razonar mejor utilizando incertidumbre estadística, estos modelos además permiten el estudio causal de nuestros fenómenos.
MA2501 - Jul 15, 2025
MA2501 - Jul 16, 2025
MA2501 - Jul 18, 2025
No items found.
WA2601 - 20 Feb, 2026
WA2601 - 19 Feb, 2026
EDL2601 - 19 Feb, 2026
NLP2601 - 19 Feb, 2026
MMF2601 - 19 Feb, 2026
WA2601 - 18 Feb, 2026
EDL2601 - 18 Feb, 2026
NLP2601 - 17 Feb, 2026
WA2601 - 17 Feb, 2026
EDL2601 - 17 Feb, 2026
MMF2601 - 16 Feb, 2026
EDL2601 - 16 Feb, 2026
NLP2601 - 12 Feb, 2026
M&DL2501 - 12 Feb, 2026
NLP2601 - 11 Feb, 2026
M&DL2501 - 10 Feb, 2026
NLP2601 - 09 Feb, 2026
M&DL2501 - 05 Feb, 2026
NLP2601 - 05 Feb, 2026
WA2504 - 04 Feb, 2026
NLP2601 - 04 Feb, 2026
WA2504 - 03 Feb, 2026
AF2503 - 03 Feb, 2026
M&DL2501 - 03 Feb, 2026
WA2504 - 29 Ene, 2026
NLP2601 - 29 Ene, 2026
AF2503 - 28 Ene, 2026
WA2504 - 27 Ene, 2026
NLP2601 - 27 Ene, 2026
AF2503 - 27 Ene, 2026
M&DL2501 - 27 Ene, 2026
M&DL2501 - 26 Ene, 2026
NLP2601 - 26 Ene, 2026
AF2503 - 26 Ene, 2026
AF2503 - 23 Ene, 2026
WA2504 - 23 Ene, 2026
NLP2601 - 22 Ene, 2026
M&DL2501 - 22 Ene, 2026
WA2504 - 20 Ene, 2026
AF2503 - 22 Ene, 2026
WA2504 - 22 Ene, 2026
WA2504 - 21 Ene, 2026
AF2503 - 21 Ene, 2026
NLP2601 - 20 Ene, 2026
AF2503 - 20 Ene, 2026
NLP2601 - 19 Ene, 2026
M&DL2501 - 20 Ene, 2026
M&DL2501 - 19 Ene, 2026
AF2503 - 19 Ene, 2026
AF2503 - 16 Ene, 2026
WA2504 - 16 Ene, 2026
NLP2601 - 15 Ene, 2026 (Parte II)
NLP2601 - 15 Ene, 2026 (Parte I)
WA2504 - 15 Ene, 2026
AF2503 - 15 Ene, 2026
WA2504 - 14 Ene, 2026
AF2503 - 14 Ene, 2026
M&DL2501 - 13 Ene, 2026
NLP2601 - 13 Ene, 2026
WA2504 - 13 Ene, 2026
AF2503 - 13 Ene, 2026
M&DL2501 - 12 Ene, 2026
AF2503 - 12 Ene, 2026
NLP2601 - 12 Ene, 2026
WA2504 - 09 Ene, 2026 / Parte II
WA2504 - 09 Ene, 2026 / Parte I
WA2504 - 06 Ene, 2026
AF2503 - 09 Ene, 2026
M&DL2501 - 08 Ene, 2026
WA2504 - 08 Ene, 2026
AF2503 - 08 Ene, 2026
AF2503 - 07 Ene, 2026
WA2504 - 07 Ene, 2026
NLP2601 - 06 Ene, 2026
AF2503 - 06 Ene, 2026
M&DL2501 - 06 Ene, 2026
NLP2601 - 05 Ene, 2026
M&DL2501 - 06 Ene, 2026
AF2503 - 05 Ene, 2026
AF2503 - 22 Dic, 2025
M&DL2501 - 18 Dic, 2025
WA2504 - 16 Dic, 2025
AF2503 - 17 Dic, 2025
AF2503 - 16 Dic, 2025
M&DL2501 - 16 Dic, 2025
WA2504 - 12 Dic, 2025
M&DL2501 - 15 Dic, 2025
AF2503 - 15 Dic, 2025
AF2503 - 12 Dic, 2025
M&DL2501 - 09 Dic, 2025
AF2503 - 11 Dic, 2025
M&DL2501 - 11 Dic, 2025
WA2504 - 10 Dic, 2025
AF2503 - 09 Dic, 2025
WA2504 - 09 Dic, 2025
M&DL2501 - 08 Dic, 2025
WA2504 - 04 Dic, 2025
AF2503 - 08 Dic, 2025
WA2504 - 05 Dic, 2025
WA2504 - 03 Dic, 2025