Elementales de Algebra Linear
Crear visualizaciones de transformaciones lineares
Entendimiento de eigenvalues y eigenvectors con aplicacion en ML
Como trabajan los operadores de projeccion para projectar informacion en varios algoritmos de ML
Matrices especiales con sus importantes propiedades
Simetria y matrices ortogonales
Vector spaces
Vector subspaces
Elementales de analisis de datos
Estadisticas para analizar datos
Pensamiento estadistico para analizar datos
Technicas de calculo multivariable aplicables a ML
Algoritmos de Optimizacion requeridos en ML
Gradient Calculus
Testeo de Hipotesis Estadisticas
Programacion para AI y Analisis de datos
Escribir codigo utilizando Python y R
Escribir codigo utilizando Pandas y R para trabajar con datos y realizar exploraciones en la misma.
Preparar, analizar, and interpretar resultados de analisis estadisticos inferenciales
Desarrollar codigo para crear visualizaciones usando Matplotlib, Pandas, Seaborn, y R
Tecnicas ML para analisis de datos y AI
Conceptos ML y ciclo de vide de un proyecto ML
Dimensionality reduction: Analisis del componente Principal ‘Principal Component analysis (PCA)’
Regresion linear y logistica
Support Vector Machines (SVM) Linear
Support Vector Machines (SVM) Kernel
Clustering: K-means
Decision Trees
Neural Networks
Utilizar Kaggle
- Trabajar en equipo y ganar experiencia similar a la de la industria en projectos de ML
- Familiarizarse con Kaggle y entender el objetivo del problme analitico
- Descargar informacion y producir un prototipo del modelo ML
- Experimentar con los modelos de ML para mejorar su rendimiento.