Probabilidad para Data Science
Teoría de conjuntos, axiomas, Bayes, variables aleatorias, distribuciones, teorema central del límite y más.
Fundamentos
Matemáticas para Data Science
Los pilares matemáticos del machine learning y la ciencia de datos. Cada sub-área incluye teoría, visualizaciones interactivas y código Python.
Sub-áreas
Álgebra Lineal
Matrices, espacios vectoriales, transformaciones, eigenvalores, SVD, proyecciones.
Cálculo para Data Science
Derivadas, gradientes, backpropagation, series de Taylor y optimización.
Optimización para Data Science
Descenso de gradiente, Lagrange, KKT, optimización convexa.
Machine Learning
Riesgo empírico, GMM, EM, SVM — los algoritmos clásicos del ML.
Estadística para Data Science
Descriptiva, ANOVA, no paramétricos, bootstrap, inferencia bayesiana.