Curso Avanzado de Álgebra Lineal y Machine Learning: PCA y SVD
Nivel Avanzado
13 clases
3 horas de contenido
8 horas de práctica
Este curso profundiza en las técnicas avanzadas de descomposición matricial que sustentan los algoritmos más poderosos de Machine Learning. A través de implementaciones desde cero en Python (NumPy/Matplotlib) y proyectos aplicados, dominarás el eigen-análisis y la Descomposición en Valores Singulares (SVD) para resolver problemas reales de reducción de dimensionalidad, compresión de imágenes y extracción de patrones ocultos en datos complejos. Aprenderás a visualizar transformaciones lineales como deformaciones del espacio, a interpretar la matriz de covarianza como una transformación geométrica, y a construir PCA paso a paso para combatir la maldición de la dimensionalidad. Implementarás proyectos completos como Eigenfaces para reconstrucción facial y compresión de imágenes con SVD, desarrollando la intuición matemática necesaria para entender cómo "piensan" las redes neuronales y optimizar modelos de ML en producción.
Eigen-Análisis
Reducción de Dimensionalidad con PCA
Descomposición en Valores Singulares (SVD)
Profes del curso
Conoce quién enseña el curso
Daniel Erazo
AI Software Engineer | Content Creator
Daniel Erazo es AI Software Engineer y emprendedor tecnológico, con especialización en Matemáticas Aplicadas, Desarrollo de Software e Inteligencia Artificial. Actualmente se desempeña como Product Owner en Muyu Education, startup de coaching docente con IA, y es fundador de Twility, iniciativa enfocada en soluciones de HR Tech. Ha desarrollado herramientas de análisis de datos y comportamiento social destacadas por medios como Forbes Ecuador, transformando algoritmos complejos en productos de impacto real. Lidera la comunidad técnica @daniiee, donde comparte contenido especializado en IA, Machine Learning y programación a través de YouTube, TikTok, LinkedIn e Instagram, ayudando a desarrolladores y entusiastas a potenciar sus habilidades con proyectos desafiantes e innovadores.
Proyecto del curso
Matrix Vision
Este es un proyecto de exploración dual del álgebra lineal aplicada a la visión por computadora. El primer proyecto, Eigenfaces, utiliza PCA para capturar la identidad facial reduciendo miles de píxeles a sus rasgos esenciales. El segundo, compresión con SVD, aplica la descomposición matricial para separar la señal del ruido en imágenes generales. Ambos proyectos ilustran cómo la reducción matemática de dimensionalidad no solo optimiza el almacenamiento, sino que destila la información crítica para potenciar el Machine Learning.
Eleva tu aprendizaje
Este curso es parte de estas rutas de aprendizaje
Ruta
Data Scientist
133 horas
31 Profes
¡Conviértete en Data Scientist! Domina el análisis de negocios, redes neuronales y más con cursos prácticos en Python, ML y Bases de Datos.
Ruta
Machine Learning Engineer
164 horas
37 Profes
Integra inteligencia artificial en el software de un producto y mejora su desempeño con sistemas de machine learning.
Ruta
Machine Learning y Matemáticas con Python
33 horas
9 Profes
Aplica machine learning en tus análisis de datos y genera predicciones para tomar decisiones hacia el futuro.
Ruta
Data Scientist con Python
96 horas
17 Profes
Explora el fascinante mundo del Data Science con Python. Cada curso es un paso crucial hacia el análisis de datos y la creación de modelos de machine learning.
Ruta
Machine Learning con Python
33 horas
8 Profes
Aprende y aplica tus conocimientos para desarrollar soluciones avanzadas. Domina las habilidades necesarias para crear modelos de ML efectivos.
Comunidad
La comunidad es nuestro super poder
Contenido adicional creado por la comunidad que nunca para de aprender