Configura Google Colab para álgebra lineal

Curso de Álgebra Lineal para Machine Learning

Contenido del curso

No sé dónde empezar

Introducción al Álgebra Lineal para Machine Learning

Operaciones con Vectores y Matrices

Multiplicación de Matrices

Construcción de un Modelo de Regresión Lineal

Tomar examen

Cursos Empresas Blog Live Conf Eventos Precios

0:004:11

Configura Google Colab para álgebra lineal

Curso de Álgebra Lineal para Machine Learning

Clase 2 de 16

Clase 2 / 16

Comentarios (69)69 comentarios

Diana Carolina Torres Castaño

Hace 9 meses

Soy psicóloga. Estoy haciendo un máster en ciencia de datos y analítica. 🐍🐍🐍

MICHEL SOFIA PULISTAR ZAMBRANO

Hace 9 meses

Hola, Tomo el curso porque me gusta ver el algebra en accion y comprender un poco mas el machine learning.

Daniel Erazo

Profesor

Hace 9 meses

Espero que disfrutes mucho el curso!

Gabriel Londoño

Hace 7 meses

Estoy cambiando mi profesión de médico por analista y científico de datos

Jesús Alberto Romero Hernández

Hace 8 meses•editado

Estoy usando Jupyter Notebooks en VSCode con la extensión de Colab:

Fabian Chacon

Hace 7 meses

Genial! Estaba instalando la extensión pero no me funciona. ¿Me podrías indicar como hiciste para activarla en VSCode?

Jesús Alberto Romero Hernández

Hace 7 meses•editado

Con gusto. Primero debes estar conciente donde la necesitas instalar. Existe el entorno local de VSCode y el de WSL2(Ubuntu). Si estas trabajando (como es mi caso con ubuntu) debes instalarlo ahí, es decir, que en logo del add aparezca este símbolo "><". Luego que la instales y reinicies al estar en el archivo, arriba a la derecha debes seleccionar el kernel. Cuando le des click se despliega arriba en el medio las opciones. Le das click en "Select Another Kernel..", eliges Colab y luego te da a eligir las opciones de trabajo la cual incluye CPU (auto cennect), "+New Colab Server" lo cual incluye las opciones de TPU, GPU, etc. Si le das click a esta opción te pedirá crear un alias a ese kernel y listo.

Iván Villarroel

Hace 5 meses

Terminé el curso anterior y me encantó. Mi meta a mediano plazo es ser ingeniero en ML.

De igual forma debo tener bases matemáticas muy sólidas, dado que estoy interesado en la filosofía analítica y en las ciencias de la complejidad. Después de terminar los dos cursos de álgebra lineal aplicada a ML (es decir, teniendo la trilogía), repasaré cálculo multivariable, lo que me habilita a estudiar ecuaciones diferenciales. Acompaño mi incursión en matemáticas con el libro de Hala Nelson sobre matemáticas para inteligencia artificial.

Posteriormente o previo a dominar ecuaciones diferenciales ordinarias y parciales, pienso estudiar cosas muy propias de la ingeniería de software y MLOps.

Edgardo Riveros Sepulveda

Hace 7 meses

Soy un odioso que quiere ser todo lo posible de IA y potenciar mi carrera de arquitecto

Jorge Enrique Santander Fernandez

Hace 6 meses

Soy Ingeniero Químico, y estoy iniciando el camino en la ciencia de datos, primero reforzando los conceptos fundamentales de las matemáticas.

Jhosep Ramirez

Hace 8 meses

Johan L

Hace 10 meses•editado

estaba haciendo el curso anterior que estaba antes de este que era con otro profe, pero este curso se ve incluso mas interesante

Gisseth Natalia Gomez torres

Hace 2 meses

Dany Ramírez

Hace 2 meses

Hola, mundo del Álgebra lineal
Tu versión de Python es: 3.13.15 (main, Aug  6 2026, 11:06:23) [GCC 11.4.0]

Luis Alejandro Arellano Camacho

Hace 5 meses

Esa es la versión con la que trabajaré. y estoy metiendome a este curso derivado a que quiero especializarme en ML por que me estoy impulsando a ser un Data Scientist y tener todo el contexto de fundamentos me hará capaz y fuerte de sacar esos ML, esas redes neuronales etc etc

Marcelo Andres Salinas Basso

Hace 6 meses

Kenny Steven Hernandez Diaz

Hace 6 meses

Hola, mundo del álgebra lineal Tu versión de Python es 3.12.13 (main, Mar 4 2026, 09:23:07) [GCC 11.4.0]

Pablito Ayluardo

Hace 6 meses

versión de Python es: 3.12.13 (main, Mar  4 2026, 09:23:07) [GCC 11.4.0]

crecimiento profesional

Héctor Armando Gutiérrez Maldonado

Hace 6 meses

Grace Estibaliz Rojas García

Hace 7 meses

Emocionada por el curso! Llevo ya dos años estudiando DS en mi escuela y Platzi siempre me enseña a mejorar!

Diego Armando Garay Mejia

Hace 7 meses

José Eder Guzmán Mendoza

Hace 7 meses

Google Colab permite crear un entorno de programación en la nube para trabajar con álgebra lineal y machine learning en Python sin necesidad de instalar software. Funciona mediante Jupyter Notebooks, donde es posible ejecutar código de forma interactiva, compartir proyectos fácilmente y garantizar que todos los usuarios trabajen en el mismo entorno, lo que mejora la reproducibilidad de los experimentos.

Entre sus principales ventajas destacan el acceso gratuito desde el navegador, la posibilidad de utilizar GPUs, y la colaboración en tiempo real. En Colab se pueden crear notebooks, ejecutar código en celdas y verificar el entorno de trabajo (por ejemplo, revisando la versión de Python con el módulo sys). Este tipo de entorno facilita pasar de la teoría a la práctica y será la base para trabajar posteriormente con vectores, NumPy y visualización de datos con Matplotlib en aplicaciones de machine learning.

José Eder Guzmán Mendoza

Hace 7 meses

Hola, mundo del Álgebra Lineal
Tu versión del Python es 3.12.12 (main, Oct 10 2025, 08:52:57) [GCC 11.4.0]

Recursos

Configurar Google Colab es el primer paso práctico para aplicar álgebra lineal al machine learning usando Python sin instalar nada en tu computadora. Aquí descubrirás cómo preparar tu entorno de trabajo en minutos, por qué Colab es la opción más cómoda para empezar y qué alternativas existen si prefieres trabajar en local.

¿Por qué usar Google Colab para machine learning?

Google Colab funciona como un laboratorio en la nube que ejecuta Jupyter Notebook directamente desde tu navegador. Es la respuesta a esa frase tan común que escucharás en desarrollo: en mi máquina sí funciona. Al estandarizar el entorno, garantizas que tu código corra igual sin importar quién lo ejecute.

¿Qué es Google Colab? Es un servicio gratuito de Google que te permite ejecutar notebooks de Python en la nube, con acceso opcional a GPUs y sin necesidad de instalar nada localmente.

¿Cuáles son las ventajas de Colab frente a una instalación local?

Colab destaca por tres razones que lo vuelven ideal cuando estás empezando con álgebra lineal aplicada [00:38]:

Cero instalación: abres una pestaña, inicias sesión con Google y ya estás programando.
Gratis y poderoso: tienes acceso a GPUs que aceleran el entrenamiento de modelos de machine learning, aunque en este curso no las necesitarás.
Colaborativo: puedes compartir tus notebooks como un documento de Google Drive, y otras personas verán y ejecutarán tu código al instante.

De ahí viene su nombre: Colab, abreviatura de collaboratory.

¿Cómo abrir tu primer notebook en Google Colab?

El proceso es directo y toma menos de un minuto. Entra a la página colab.google, haz clic en el botón Open Colab y verás un primer notebook de bienvenida [01:32]. Inicia sesión con tu cuenta de Google para guardar y compartir todo lo que crees durante el curso.

Una vez dentro, haz clic en New Notebook. Tras unos segundos de carga, tendrás un cuaderno de Jupyter en blanco listo para escribir código Python.

¿Existe alternativa profesional a Colab?

Sí. La opción profesional que usarás mucho a lo largo de tu carrera es instalar Jupyter Notebook en tu entorno local [02:08]. Esta opción es ideal cuando necesitas trabajar sin conexión o tener control total sobre las librerías que instalas.

La buena noticia: todo lo que hagas en Colab funcionará igual en tu entorno local. No hay pérdida de compatibilidad al cambiar de uno a otro.

¿Cómo verificar que tu entorno de Python está operativo?

Antes de empezar con vectores y matrices, conviene confirmar que el laboratorio responde. En una celda de código nueva, escribe lo siguiente:

python import sys

print("Hola, mundo del álgebra lineal") print(f"Tu versión de Python es: {sys.version}")

Para ejecutar la celda, haz clic en el botón Play o usa el atajo de teclado: Ctrl + Enter en Windows o Linux, o Command + Enter en Mac [02:52].

La primera ejecución tarda unos segundos porque Colab configura el entorno. Después verás el mensaje impreso junto con la versión de Python activa. En el ejemplo de la clase, la versión detectada fue 3.12.12, una de las más recientes disponibles [03:14].

¿Qué hace el módulo sys en Python? Permite acceder a variables y funciones del intérprete de Python, como la versión instalada o las rutas del sistema. Es parte de la librería estándar, así que no requiere instalación.

¿Qué es una celda de código en Jupyter Notebook?

Una celda es un bloque ejecutable de manera independiente dentro del notebook. Puedes escribir Python, ejecutarlo y ver el resultado justo debajo. Esta estructura modular es lo que vuelve a Jupyter tan útil para experimentar con álgebra lineal: pruebas una operación, ves el resultado y avanzas al siguiente concepto.

Usar f-strings, como en el ejemplo anterior, te permite insertar variables dentro de un texto de forma legible. Es la forma moderna y recomendada de formatear cadenas en Python.

¿Qué sigue después de configurar Colab?

Con el laboratorio listo, ya tienes todo lo necesario para empezar a construir. El siguiente paso será trabajar con vectores usando las dos librerías más importantes del ecosistema de datos en Python: NumPy y Matplotlib.

NumPy te dará las estructuras matemáticas para representar vectores y matrices, mientras que Matplotlib te permitirá visualizarlos. Juntas forman la base sobre la que se construye prácticamente cualquier proyecto serio de machine learning.

Cuéntame en los comentarios qué versión de Python te apareció al ejecutar la celda y por qué decidiste aprender álgebra lineal aplicada al machine learning.

Resumen

¿Por qué usar Google Colab para machine learning?

¿Qué es Google Colab? Es un servicio gratuito de Google que te permite ejecutar notebooks de Python en la nube, con acceso opcional a GPUs y sin necesidad de instalar nada localmente.

¿Cuáles son las ventajas de Colab frente a una instalación local?

Colab destaca por tres razones que lo vuelven ideal cuando estás empezando con álgebra lineal aplicada [00:38]:

Cero instalación: abres una pestaña, inicias sesión con Google y ya estás programando.
Gratis y poderoso: tienes acceso a GPUs que aceleran el entrenamiento de modelos de machine learning, aunque en este curso no las necesitarás.
Colaborativo: puedes compartir tus notebooks como un documento de Google Drive, y otras personas verán y ejecutarán tu código al instante.

De ahí viene su nombre: Colab, abreviatura de collaboratory.

¿Cómo abrir tu primer notebook en Google Colab?

Una vez dentro, haz clic en New Notebook. Tras unos segundos de carga, tendrás un cuaderno de Jupyter en blanco listo para escribir código Python.

¿Existe alternativa profesional a Colab?

La buena noticia: todo lo que hagas en Colab funcionará igual en tu entorno local. No hay pérdida de compatibilidad al cambiar de uno a otro.

¿Cómo verificar que tu entorno de Python está operativo?

Antes de empezar con vectores y matrices, conviene confirmar que el laboratorio responde. En una celda de código nueva, escribe lo siguiente:

python import sys

print("Hola, mundo del álgebra lineal") print(f"Tu versión de Python es: {sys.version}")

Para ejecutar la celda, haz clic en el botón Play o usa el atajo de teclado: Ctrl + Enter en Windows o Linux, o Command + Enter en Mac [02:52].

¿Qué hace el módulo sys en Python? Permite acceder a variables y funciones del intérprete de Python, como la versión instalada o las rutas del sistema. Es parte de la librería estándar, así que no requiere instalación.

¿Qué es una celda de código en Jupyter Notebook?

Usar f-strings, como en el ejemplo anterior, te permite insertar variables dentro de un texto de forma legible. Es la forma moderna y recomendada de formatear cadenas en Python.

¿Qué sigue después de configurar Colab?

Cuéntame en los comentarios qué versión de Python te apareció al ejecutar la celda y por qué decidiste aprender álgebra lineal aplicada al machine learning.

Introducción al Álgebra Lineal para Machine Learning

Álgebra lineal detrás de Spotify y Netflix

Configura Google Colab para álgebra lineal

NumPy y Matplotlib para datos en Python

Vectores, matrices y tensores en NumPy

Operaciones con Vectores y Matrices

Resta y broadcasting de vectores en NumPy

Norma L2 vs L1 en vectores con NumPy

Similitud coseno con vectores de palabras

Ortogonalidad y ortonormalidad con NumPy

Multiplicación de Matrices

Producto matriz-vector para inferencia en NumPy

Multiplicación matricial en redes neuronales

Matriz identidad e inversa en NumPy

Construcción de un Modelo de Regresión Lineal

Regresión lineal desde cero con álgebra lineal

Regresión lineal resuelta con álgebra lineal

Determinante y rango para diagnosticar matrices

Multicolinealidad: por qué rompe tu modelo

Pseudo inversa de NumPy para matrices singulares

Configura Google Colab para álgebra lineal

Progreso del curso

Introducción al Álgebra Lineal para Machine Learning

Operaciones con Vectores y Matrices

Multiplicación de Matrices

Construcción de un Modelo de Regresión Lineal

Recursos

Recursos