1. Inicio
  2. Cursos
  3. Matemática para Investigación en IA
CURSO DE FUNDAMENTOS · 30 HORAS

Matemática para Investigación en IA

El lenguaje formal para leer, derivar y reproducir papers de 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.

30 horas
6 unidades
Tutor virtual 24/7
Perfil avanzado
svd.py
# Aproximación de bajo rango con SVD
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”)
1
Derivar — el resultado a mano
2
Implementar — en NumPy
3
Verificar — numéricamente con autograd
6
Unidades didácticas
30h
Duración total
Avanzado
Nivel del curso
24/7
Tutor virtual disponible
Inversión del curso
$100.000 ARS
Acceso completo + certificado IDSA con trámite de homologación UTN. Emisión por curso, no al final del trayecto.
Único pago
Transferencia · Mercado Pago · PayPal
$100.000
▸ OBJETIVOS DE APRENDIZAJE

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.

1

Aplicar autovalores, SVD y aproximación de bajo rango a problemas de machine learning

2

Derivar gradientes en forma matricial y verificarlos numéricamente

3

Analizar la convergencia del gradiente descendente y resolver problemas con restricciones mediante Lagrange y KKT

4

Usar distribuciones, desigualdades de concentración y cadenas de Markov para razonar sobre algoritmos

5

Conectar máxima verosimilitud, entropía cruzada y divergencia KL con las funciones de pérdida que usás

6

Reproducir un resultado de un paper: derivarlo, implementarlo y defenderlo

▸ TEMARIO COMPLETO

6 unidades · 30 horas

Cada unidad incluye lecciones, un quiz de corrección automática y un entregable en un notebook de Google Colab.

1
Álgebra lineal
Álgebra lineal para machine learning
▼
  • Espacios vectoriales, bases, normas y productos internos
  • Autovalores y autovectores; descomposición espectral
  • SVD, aproximación de bajo rango y PCA como SVD
2
Cálculo matricial
Cálculo matricial y gradientes
▼
  • Gradientes, jacobianos y hessianos
  • Regla de la cadena en forma matricial; backpropagation derivada a mano
  • Verificación numérica de gradientes con diferencias finitas y autograd
3
Optimización
Optimización
▼
  • Convexidad y condiciones de optimalidad
  • Convergencia del gradiente descendente y momentum
  • Optimización con restricciones: Lagrange y condiciones KKT
4
Probabilidad
Probabilidad para machine learning
▼
  • 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
5
Inferencia e información
Inferencia y teoría de la información
▼
  • Máxima verosimilitud, MAP e inferencia bayesiana
  • Entropía, entropía cruzada e información mutua
  • Divergencia KL y cota inferior variacional (ELBO)
6
Proyecto
Proyecto integrador
▼
  • Elegir un resultado de un paper breve y derivarlo paso a paso
  • Implementarlo en NumPy y verificarlo numéricamente
  • Informe técnico y defensa conversacional
✓
Cierre
Examen Final y certificado
▼
  • 10 preguntas al azar de un banco de 20 · 40 minutos · 2 intentos
  • Se aprueba con 6 sobre 10
  • Aprobarlo habilita el certificado
▸ MODALIDAD

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
▸ METODOLOGÍA

Del teorema al código que lo confirma

Cada tema se deriva, se implementa en NumPy y se contrasta numéricamente antes de pasar al siguiente.

1

Derivar

El resultado paso a paso.

2

Implementar

En NumPy y SymPy.

3

Verificar

Contra autograd y simulación.

4

Aplicar

A un problema de machine learning.

▸ STACK TECNOLÓGICO

Herramientas que usarás

Sin fricción de configuración. Todo se ejecuta en Google Colab.

Python Python
NumPy NumPy
SciPy SciPy
SymPy SymPy
PyTorch PyTorch
Google Colab Google Colab
▸ CERTIFICACIÓN ACADÉMICA

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.

Certificado IDSA + UTN

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).

▸ PREGUNTAS FRECUENTES

Resolvemos tus dudas

¿Qué conocimientos previos necesito?▼
Matemática como la de Nivelación Matemática para Data Science (derivadas, gradientes, álgebra lineal operativa y probabilidad) y estadística como la de Estadística Aplicada e Inferencia, además de Python con NumPy. PyTorch se usa solo para verificar gradientes.
¿Necesito instalar algo?▼
No. Los notebooks corren en Google Colab y no instalás nada en tu computadora.
¿Qué temas voy a aprender?▼
Álgebra lineal (autovalores, SVD), cálculo matricial y gradientes, optimización convexa y con restricciones (Lagrange y KKT), probabilidad y concentración, cadenas de Markov, máxima verosimilitud, entropía y divergencia KL.
¿Cuánto tiempo tengo que dedicarle por semana?▼
Con 5 horas semanales completás las 30 horas del curso en 6 semanas. Podés avanzar más rápido o más lento, porque es 100% asincrónico.
¿Cómo se verifican los entregables?▼
Cada unidad cierra con un entregable que se verifica con controles automáticos y una defensa conversacional con el tutor virtual. Cada entregable usa un único archivo de datos, incluido en el campus.
¿Cómo se abona el curso?▼
El valor del curso es de $100.000 ARS y se abona en un único pago mediante transferencia bancaria, Mercado Pago o PayPal.
¿Cómo obtengo el certificado?▼
Al aprobar el Examen Final (10 preguntas al azar, 40 minutos, 2 intentos, nota mínima 6 sobre 10) se habilita el certificado en el campus. Para el certificado oficial, enviás ese certificado y tu DNI a info@institutodatascience.org.
¿Cuál es el siguiente paso después de este curso?▼
Fundamentos de Deep Learning y Optimización, o Fundamentos Matemáticos de la Difusión (DDPM), que asume esta base.

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.

Item added to cart.
0 items - $0,00