Matemática para Investigación en IA
Álgebra lineal, cálculo matricial, optimización, probabilidad y teoría de la información al nivel que piden los papers de machine learning. Cada tema se deriva, se implementa en NumPy y se verifica numéricamente. Terminás reproduciendo un resultado de un paper.
U, s, Vt = np.linalg.svd(A, full_matrices=False)
A_k = U[:, :k] @ np.diag(s[:k]) @ Vt[:k]
err = np.linalg.norm(A – A_k, “fro”)
De usar las fórmulas a poder derivarlas
Cada objetivo es verificable mediante entregables y defensa conversacional. Vas a poder leer la matemática de un paper, derivarla y comprobarla con código.
Aplicar autovalores, SVD y aproximación de bajo rango a problemas de machine learning
Derivar gradientes en forma matricial y verificarlos numéricamente
Analizar la convergencia del gradiente descendente y resolver problemas con restricciones mediante Lagrange y KKT
Usar distribuciones, desigualdades de concentración y cadenas de Markov para razonar sobre algoritmos
Conectar máxima verosimilitud, entropía cruzada y divergencia KL con las funciones de pérdida que usás
Reproducir un resultado de un paper: derivarlo, implementarlo y defenderlo
6 unidades · 30 horas
Cada unidad incluye lecciones, un quiz de corrección automática y un entregable en un notebook de Google Colab.
- Espacios vectoriales, bases, normas y productos internos
- Autovalores y autovectores; descomposición espectral
- SVD, aproximación de bajo rango y PCA como SVD
- Gradientes, jacobianos y hessianos
- Regla de la cadena en forma matricial; backpropagation derivada a mano
- Verificación numérica de gradientes con diferencias finitas y autograd
- Convexidad y condiciones de optimalidad
- Convergencia del gradiente descendente y momentum
- Optimización con restricciones: Lagrange y condiciones KKT
- Variables aleatorias, esperanza, varianza y gaussiana multivariada
- Ley de los grandes números, teorema central del límite y desigualdades de concentración
- Cadenas de Markov y distribución estacionaria
- Máxima verosimilitud, MAP e inferencia bayesiana
- Entropía, entropía cruzada e información mutua
- Divergencia KL y cota inferior variacional (ELBO)
- Elegir un resultado de un paper breve y derivarlo paso a paso
- Implementarlo en NumPy y verificarlo numéricamente
- Informe técnico y defensa conversacional
- 10 preguntas al azar de un banco de 20 · 40 minutos · 2 intentos
- Se aprueba con 6 sobre 10
- Aprobarlo habilita el certificado
Diseñado para profesionales que practican
100% autogestionado y asincrónico. Cada unidad incluye lecciones, un quiz y un entregable en Google Colab con controles automáticos y defensa conversacional.
Tutor virtual 24/7
Un asistente virtual entrenado sobre el contenido del curso resuelve tus dudas y evalúa tu comprensión mediante defensa conversacional.
- Respuestas claras y sintéticas
- Disponible las 24 horas
- Contexto del curso completo
Lecciones en texto
Contenido estructurado en el campus, con la matemática justa y ejemplos paso a paso. Leé, consultá y avanzá a tu ritmo.
- Ejemplos paso a paso
- Búsqueda instantánea
- Ritmo personal
Notebooks en Google Colab
Notebooks ejecutables donde cada resultado teórico se implementa y se comprueba con números. No es solo pizarra: derivás y verificás.
- Sin instalación
- Derivación y código juntos
- Verificación numérica
Entregables con defensa conversacional
Cada unidad tiene un entregable con controles automáticos y una defensa conversacional. Recibís feedback sobre tu trabajo y tus decisiones.
- Controles automáticos
- Defensa conversacional
- Criterios claros
Del teorema al código que lo confirma
Cada tema se deriva, se implementa en NumPy y se contrasta numéricamente antes de pasar al siguiente.
Derivar
El resultado paso a paso.
Implementar
En NumPy y SymPy.
Verificar
Contra autograd y simulación.
Aplicar
A un problema de machine learning.
Herramientas que usarás
Sin fricción de configuración. Todo se ejecuta en Google Colab.
Doble aval universitario, verificación digital
Al aprobar el curso descargás tu certificado desde el campus y podés tramitar la homologación del certificado oficial: Instituto Data Science Argentina y UTN Facultad Regional Reconquista.
Qué incluye el certificado
- Doble firma: Director de IDSA + Decano UTN FRRQ
- Resolución oficial: 920/2020 UTN Facultad Regional Reconquista
- Datos personalizados: nombre, DNI, curso, carga horaria y calificación
- Código QR de verificación digital
- Homologación a pedido: enviás el certificado del campus y tu DNI a info@institutodatascience.org y recibís el certificado oficial por correo
- Emisión por curso: no esperás al final del trayecto
Se habilita al aprobar el Examen Final del curso (nota mínima 6 sobre 10).
Resolvemos tus dudas
De usar las fórmulas a demostrarlas y reproducirlas
6 unidades, 30 horas, verificable y aplicable. Con la reproducción de un resultado de un paper y certificación IDSA + UTN.