Nicolas Arrioja
@nicolasarrioja·
Excelente profesor, me hubiera gustado ver mas aplicaciones, pero da temas importantes
Nivel Intermedio
19 clases
2 horas de contenido
6 horas de práctica
Comprende y aplica álgebra lineal a Machine Learning. Descubre autovalores, autovectores, y descomposición de matrices con SVD y PCA. Optimiza tus modelos reduciendo dimensiones y mejorando eficiencia computacional.
David Coello
@david-coello·Me encantó el curso, definitivamente, es necesario tomar antes el curso de Fundamentos de álgebra líneal para entender mejor este curso
Franklin Garcia
@fmgarcia·Buen curso
David E Marquez S
@DavidMarquezBokken·Excelente... Ojo con los siguientes puntos de la evaluación, las respuestas estan como raras: - Usar np.linalg.svd para descomponer una matriz por el método SVD nos devuelve 3 objetos U, D, V ¿Qué es D? - Cuando importamos una imagen a una matriz usando np.array(list(imagen.getdata(band=0)), float) obtenemos: - ¿Cuál es la solución usando la pseudoinversa de Moore Penrose? - Cuando preparamos nuestros datos para aplicar PCA es importante que estén entre [0,1] o [-1,1] y estandarizarlos (por ejemplo dividir todos los elementos por el máximo valor que pueden tomar nuestros datos) porque:
Javier Andres Atuesta Esparza
@javieruis·excelente clase este profe me parece excelente todo se le entiende
Jorge Lara
@jalara6·Excelente contenido y explicación.
Luis Lopera
@lopera47·El mejor profesor hasta ahora.
Alfonso Andres Zapata Guzman
@AAZG·Este curso me hizo enamorarme del algebra, actualmente estoy viendo las clases del MIT sobre algebra lineal que estan en youtube. No se salten este curso, que permite ver parte de la caja negra que hay detras del machine learning.
Eduardo Reyes
@retrox·La información es buena, el profesor tiene conocimientos pero no lo recomiendo por la forma tan lineal(y aburrida) que tiene el profesor de hablar, aunque si no tienes problemas con que un profesor hable tan linealmente si que te puede servir mucho, pongo 5 estrellas porque platzi censura calficaciones menores.
