Elementos Básicos del Álgebra Lineal: Escalares, Vectores y Matrices
Contenido del curso
Mauricio Gomez
Maria Guadalupe Diaz Escobar
Julián Cárdenas
Franco Manca
Maria Guadalupe Diaz Escobar
Juan R. Vergara M.
Sergio Rubiano
Carlos Mazzaroli
Madison Eduardo Herrera Carrión
Juan Manuel Arango Cuadros
Gary Torres Martínez
María José Medina
Maria Guadalupe Diaz Escobar
Skarieth Ojeda
Jhon Freddy Tavera Blandon
Antonio Ramón Molina Simancas
Gerardo González García
Abdiel Guerrero
Santiago Lozano Alvarez
Geraldine León
Kembert Isaac Nieves Briceño
Carlos Daniel Pimentel Díaz
Edgardo Riveros Sepulveda
Mario Alexander Vargas Celis
Mario Alexander Vargas Celis
EDWING ALFONSO ARENAS RUEDA
Excelente curso, literalmente lo lleva a uno de la mano este profesor que ademas habla como locutor!
Concuerdo contigo
Total!!
Comparto mis apuntes en GitHub
Gracias
Muchas gracias 🥇
Muchas gracias por el curso, aporto mucho en mi desarrollo, seguire aprendiendo python en la ruta de Data Science y luego iré por machine learning :D
Hola, hice este resumen del curso, me tarde como 1 mes y sufrí bastante, pero me quedo bonito. Chequeen y gozen Fundamentos del algebra lineal
Gran aporte Carlos!
Le doy 100/100, de los cursos mejores explicados, el profesor no iba corriendo en cada diapositiva sino que le daba su debido tiempo a cada cosa.
Excelente curso!, uno de los mejores que he llevado hasta el momento!
Buen curso, buen profesor, buenas explicaciones :D
Concuerdo contigo
Excelente curso! Me gusto mucho el docente. Aun que repetia algunos elementos, el docente los volvia a explicar. Era bonito tener un "Refresh" para cada clase. Tomarse con tranquilidad y tiempo es lo mejor, especialmente para los que recien estamos comenzando
En resumen
Conceptos fundamentales del álgebra lineal y su aplicación en la resolución de problemas matemáticos y científicos. El uso de Python y las bibliotecas de computación científica facilita la implementación y visualización de estos conceptos, lo que nos permite explorar y analizar datos de manera eficiente.
Muy buen curso, resalto la labor de Sebastián explicando al detalle y con mucha paciencia clase por clase. Me permitió refrescar conocimientos que no veía desde hace mucho tiempo y lo mejor, ¡Aplicados en Jupyter Notebooks!. Gran aprendizaje. Para las personas que tuvieron dificultades en este curso sepan que el álgebra matricial puede resultar exasperante pero su aplicación es vital e infinita, ¡no se desanimen!, es cuestión de repasar las clases y consultar dudas con la comunidad.
El álgebra lineal y la estadística son pilares fundamentales para la ciencia aplicada, en particular la ciencias computacionales, la física y la química. El curso es muy bueno pero puede ser muy dificil para el no iniciado. Les recomiendo algunos libros de álgebra lineal que van de lo sencillo a lo más avanzado del área:
“Álgebra lineal” - Stanley Grossman.
“Aplicaciones de álgebra lineal” - Stanley Grossman
“Álgebra lineal” - John B. Fraleigh, Raymond A. Bauregard.
“Álgebra lineal” - Serge Lang.
“Álgebra lineal” - Stephen H. Friedberg, Arnold J. Insel, Lawrence E. Spence.
“Linear algebra: A geometric approach” - Theodore Shifrin.
“Álgebra lineal” - Kenneth Hoffman.
“Introducción al álgebra lineal” - Felipe Zaldivar. Algunos de ellos pueden encontrarlos de manera gratuita en Library Genesis, una página muy buena de libros.
Hola! Les comparto mis apuntes del curso que están en un notebook de JuPyter. Utilizo bastante notación en LaTeX y además agregué una que otra imagen de procedimientos a mano y gifs para hacer entendibles conceptos más complicados. 💜
Notas: Fundamentos_Algebra_Lineal_con_Python.ipynb
Tengo más notebooks de la ruta de aprendizaje de Machine Learning en ese repositorio y de algunos cursos externos.
Muy buen curso, a practicar bastante!
Excelente curso, muchas gracias!
Muchas gracias, muy bueno el curso, me gusto mucho
Excelente curso para aprender álgebra lineal con Python y NumPy. El profe explica muy bien.
Me costo mucho este curso como 3 meses cuando otros son 3 dias este me llevo mas pero lo re disfrute y me sirvió para muchas mas cosas
🟡 1. Escalares
✅ Definición
Un escalar es un número real o complejo. Representa una cantidad con magnitud, pero sin dirección.
Ejemplos:
Se usan para:
📌 En Python:
escalar = 5
🔵 2. Vectores
✅ Definición
Un vector es una secuencia ordenada de números (componentes) que tienen dirección y magnitud.
Ejemplo en 2D:
v⃗=[34]\vec{v} = \begin{bmatrix} 3 \\ 4 \end{bmatrix}
✅ Tipos:
📌 Operaciones básicas:
📌 En Python:
import numpy as np
v = np.array([3, 4]) print("Norma:", np.linalg.norm(v)) # Resultado: 5.0
🟢 3. Matrices
✅ Definición
Una matriz es una tabla rectangular de números organizados en filas y columnas.
Ejemplo:
A=[1234]A = \begin{bmatrix} 1 & 2 \\ 3 & 4 \end{bmatrix}
✅ Propiedades:
📌 Operaciones básicas:
📌 En Python:
A = np.array([[1, 2], [3, 4]]) B = np.array([[2, 0], [1, 2]])
# Multiplicación de matrices producto = A @ B print("Producto:\n", producto)
🧠 Resumen Comparativo
ElementoRepresentaEjemploEn PythonEscalarMagnitud (número)a=7a = 7a = 7VectorDirección + magnitud[1,2,3][1, 2, 3]np.array([1,2,3])MatrizTransformación/datos2×22\times2 o m×nm\times nnp.array([[a,b],[c,d]])
🟡 1. Escalares
✅ Definición
Un escalar es un número real o complejo. Representa una cantidad con magnitud, pero sin dirección.
Ejemplos:
Se usan para:
📌 En Python:
escalar = 5
🔵 2. Vectores
✅ Definición
Un vector es una secuencia ordenada de números (componentes) que tienen dirección y magnitud.
Ejemplo en 2D:
v⃗=[34]\vec{v} = \begin{bmatrix} 3 \\ 4 \end{bmatrix}
✅ Tipos:
📌 Operaciones básicas:
📌 En Python:
import numpy as np
v = np.array([3, 4]) print("Norma:", np.linalg.norm(v)) # Resultado: 5.0
🟢 3. Matrices
✅ Definición
Una matriz es una tabla rectangular de números organizados en filas y columnas.
Ejemplo:
A=[1234]A = \begin{bmatrix} 1 & 2 \\ 3 & 4 \end{bmatrix}
✅ Propiedades:
📌 Operaciones básicas:
📌 En Python:
A = np.array([[1, 2], [3, 4]]) B = np.array([[2, 0], [1, 2]])
# Multiplicación de matrices producto = A @ B print("Producto:\n", producto)
🧠 Resumen Comparativo
ElementoRepresentaEjemploEn PythonEscalarMagnitud (número)a=7a = 7a = 7VectorDirección + magnitud[1,2,3][1, 2, 3]np.array([1,2,3])MatrizTransformación/datos2×22\times2 o m×nm\times nnp.array([[a,b],[c,d]])
buen profesor y este curso es practico para tener bases de algebra lineal
