
Edgar A. Gonzalez Ambriz
@EdgarGAMuy buen curso, el profesor muy paciente para explicar todo a detalle
530
Opiniones
intermedio
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.
Sebastián Sosa
Co-founder en Caburé
Muy buen curso, el profesor muy paciente para explicar todo a detalle
Aplicar los conceptos matemáticos explicados en los cursos a diferentes imágenes
El curso fue muy bueno, me encantó la metodología utilizada y la manera como el profe se hacia entender
Muy bueno el curso, excelente profesor, espero mas cursos de el
Un curso muy divertido, pero con la formalidad que existe en las clases de matemáticas avanzadas de la Uni. :)
Un muy buen curso para poder entender y aplicar Algebra Lineal, ademas de captar su presencia detras del Machine Learning.
Aprender bases de ML para asi poder utilizar estas herramientas cada vez menos como una caja negra.
Fue un curso muy bueno me gustó mucho , excelente profesor.
Excelente curso, excelente maestro realmente no es muy fácil pero les recomiendo que si deben repetir una clase dos veces y comprobar con papel y lápiz y de nuevo en Python háganlo, adicional el examen es increíble.
Muy buena explicaciones y ejercicios
Excelente curso, muy bien aterrizada la teoría con los ejemplos vistos. Gracias
Es un tremendo profesor enseña conceptos super abstractos de manera que son fácilmente visualizables. lo que si hay partes donde se confunde entre dirección y sentido eso debería haberlo grabado denuevo . pero todo lo demás es excelente
El profesor es lo maximo, explica muy bien y el curso es muy interesante
Un curso muy bueno, con gran contenido para introducirte al machine learning
Buen curso
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:
excelente clase este profe me parece excelente todo se le entiende
Excelente contenido y explicación.
El mejor profesor hasta ahora.
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.
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.
muy buen curso, el profesor explica claro, ayuda a afianzar las bases de AL
Gran curso y gran instructor!!
Excelente curso que le enseña lo mas practico del algebra lineal, pero que por si solo no es suficiente para comprender la inmensidad de este tema. Es un tema complejo, y mas si nunca has tenido acercamiento por lo que recomiendo obtener informacion adicional de la web
Gracias, muy buen curso. Queda claro que el álgebra lineal es uno de los pilares del ML
Excelente
nice
No pudo haber sido mejor, estuvo increíble y muy didactico!!
Me hubiera gustado que el curoso de Numpy y Pandas hubiese estado antes de este curso, hace mucho mas facil su entendimiento
Excelente curso!! Me gustaria que en el tema de PCA a imagenes profundizaran mucho más porque el curso es increible y el profesor es excelente.