Tau Education Academy Explorar el curso

Tau Academy · Curso 01

Fundamentos Matemáticos para Machine Learning

Si ya puedes programar o trabajar con datos pero las matemáticas de Machine Learning aparecen como piezas sueltas, este programa de seis semanas conecta vectores, matrices, loss, gradientes, probabilidad y generalización dentro de una sola historia: cómo aprende un modelo.

Para quién Analistas y developers técnicos
Requisitos Álgebra básica y Python básico
Herramientas Python y Google Colab
Duración 6 semanas · 6 actos

Qué vas a poder hacer

  1. 01Interpretar vectores y matrices dentro de modelos y datasets, no como objetos aislados.
  2. 02Explicar qué representan los parámetros y cómo una combinación lineal produce una predicción.
  3. 03Construir y comparar funciones de pérdida entendiendo qué significa equivocarse para un modelo.
  4. 04Interpretar derivadas y gradientes como sensibilidad y explicar conceptualmente gradient descent.
  5. 05Distinguir ajuste de entrenamiento y generalización, y reconocer señales de overfitting.
  6. 06Leer material introductorio de Machine Learning con mayor autonomía y saber qué estudiar después.

El hilo del curso

y^=f(x;θ)θ∗=arg⁡min⁡θL(y^,y)\hat y=f(x;\theta) \qquad \theta^*=\arg\min_\theta L(\hat y,y)

Representar datos, producir una predicción, medir el error y modificar parámetros parece una secuencia de temas distintos. En realidad es una sola historia que vuelve a aparecer durante todo el curso.

No estudiamos álgebra lineal, cálculo y probabilidad como bloques separados antes de tocar Machine Learning. Cada herramienta aparece cuando el modelo crea una necesidad que podemos ver, experimentar y formalizar.

Seis actos

6 actos · notebooks guiados · un hilo narrativo continuo
01 Representar datos Vectores, escala, distancia y producto punto para describir datos. visual
02 Construir predicciones Pesos, combinaciones lineales, matrices y parámetros de un modelo. simulación
03 Medir el error Residuos, normas, MAE, MSE y decisiones incorporadas en una loss. caso real
04 Aprender del error Derivadas, gradiente, learning rate y descenso de gradiente desde cero. simulación
05 Desconfiar del ajuste Muestras, variabilidad, overfitting, validación y regularización. con datos
06 Decidir con incertidumbre Sigmoid, probabilidad, threshold y log-loss para clasificación. proyecto

¿Necesito saber programar?

Sí, a nivel básico. El curso asume que puedes leer y modificar Python sencillo: variables, funciones, listas, loops y condiciones. No usamos las seis semanas para enseñar sintaxis desde cero.

Trabajamos en Google Colab con NumPy y visualización. Python funciona como laboratorio para probar ideas, cambiar parámetros y observar resultados; el objetivo sigue siendo comprender la matemática que el código representa.

Sí hace falta Álgebra elemental, funciones, lectura de gráficas y Python básico.
No hace falta Cálculo universitario sólido, álgebra lineal formal ni probabilidad avanzada.
Se reconstruye dentro Vectores, matrices, derivadas, gradiente, probabilidad y generalización.