Este es el reporsitorio del curso propedéutico de la maestría en ciencias de datos
- Su compañero Eduardo Sulim comparte los siguientes libros accesibles para Álgebra Lineal:
- Basics of Matrix Algebra Nick Fieller
- Matrix Algebra James E. Gentle
- Numerical Lineal Algebra for Applications in Statistics James E. Gentle
- La primera tarea está lista en la carpeta
Tareacon el nombre Proyecto1 - Curso para Python en Udemy: https://www.udemy.com/complete-python-bootcamp/learn/v4/overview
- Poner su nombre en el documento de la siguiente liga: dar click aqui
En este curso haremos una revisión de los prerequisitos básicos de Álgebra Lineal y Estadística Matemática necesarios para comenzar sus estudios de Maestría en Ciencias de Datos. Toda la teoría vendrá acompañada de ejemplos aplicados en Python para Álgebra Lineal y R para Probabilidad y Estadística.
Habrá 4 proyectos con componentes teóricos y aplicados que deberán entregar una semana después de que sean asignados en clase. La calificación final será el promedio de esos proyectos. Pueden trabajar en grupos, no hay necesidad de que tengan el mismo grupo en todos los proyectos. Este es un formato de trabajo al que recurrirán frecuentemente en la maestría.
Álgebra Lineal- Vectores, espacios vectoriales, transformaciones lineales, representación matricial
- Subespacios vectoriales, bases, núcleo e imagen de una transformación
- Normas matriciales y determinantes
- Matrices diagonales y matrices ortogonales
- Vectores y valores propios
- Descomposición en valores singuales (SVD)
- Aplicaciones de la SVD
- Introducción al Análisis de Componentes Principales (PCA)
- Variable aleatorias, esperanza, varianza y momentos
- Muestras y verosimilitud
- Teoría de estimación puntual
- Pruebas de hipótesis
- Estimación por intervalos
- Teorema de Bayes e Inferencia Bayesiana
- Introducción a la Regresión Lineal: 4 puntos de vista