​

Estudiar los fundamentos matemáticos necesarios para comprender con detalle cómo funciona el algoritmo de Page Rank.

Estudiar los fundamentos matemáticos necesarios para comprender con detalle tres algoritmos de aglomeración.

Este curso estudia las bases de programación en Python y ML en Jupyter Notebook y Google Colab

El análisis de Fourier es uno de los grandes logros de las matemáticas, sus ideas han influido profundamente en casi todas las áreas de las matemáticas y la física. Este curso busca invitar al alumno a conocer los detalles detrás de estos fascinantes métodos y sus aplicaciones.

Uno de los métodos más exitosos en el mundo de la Ciencia de Datos y la Inteligencia artificial es el llamado Aprendizaje por Refuerzo el cuál se basa en interesantísimos resultados de la programación dinámica. Este curso estudia las ecuaciones de Bellman que permiten aprender por medio de técnicas de refuerzo.

Este curso busca estudiar los problemas de programación lineal y sus versiones duales, así como sus aplicaciones a problemas de ciencia de datos y procesamiento de señales. Así mismo busca desarrollar los detalles de teoría de juegos estudiando el equilibrio de nash y las cadenas de markov en machine learning.

Este curso busca ayudar a profesionales con poca experiencia en matemáticas a entender de manera más clara las limitantes y fortalezas de Machine Learning.

Este curso busca estudiar algunos algoritmos comúnmente utilizados en Ciencia de Datos tales como Stochastic Gradient Descent o árboles de decisión desde un enfoque formal utilizando la teoría estocástica de aproximación y martingalas.

Los outliers son un fenómeno presente en cualquier problema de predicción, algunas veces relacionados con los errores en el muestreo sin embargo algunas otras veces son el reflejo de fenómenos importantes y relevantes. En este curso describimos algunas de las técnicas más utilizadas tanto para la detección de outliers como para el modelado en su presencia.

Familiarizar al alumno con las ideas y algunos de los métodos más eficaces en Ciencia de Datos utilizando dos ejemplos fundamentales: Deep learning y árboles de decisión.

Estudiar los fundamentos matemáticos necesarios para interpretar mejor los resultados de la primera parte del algoritmo de detección de anomalías de Azure.

Estudiar los fundamentos matemáticos necesarios para comprender con detalle los principales aspectos del forecasting vía las series de tiempo.

Estudiar los fundamentos matemáticos necesarios para comprender con detalle los principales aspectos del análisis financiero formal y aplicaciones tanto del cálculo estocástico aplicado como de la teoría de los valores extremos, con énfasis en la interpretación financiera.

Re-visitamos la teoría de los procesos estocásticos (y la probabilidad) con un énfasis en los detalles y su significado en el modelado de la incertidumbre en la macroeconomía.

Este curso busca estudiar las bases teóricas y técnicas de los procesos estocásticos que permitan comprender las ideas y el alcance del Cálculo Estocástico con énfasis en la teoría financiera.

Este curso busca proveer al estudiante de los fundamentos estadísticos para comprender los regularizadores en Machine Learning, así como introducir las ideas y los usos de Extreme Value Theory y su comparación con otros resultados clásicos.

Este curso busca estudiar distintos tipos de ruido estocástico así como sus interpretaciones como un error de diversos algoritmos en machine learning.

Algunas veces en problemas de Ciencia de Datos, Finanzas o Ingeniería es imposible utilizar los métodos tradicionales debido a imposibilidades teóricas. En este curso estudiaremos casos particuales de estos problemas y cómo resolverlos.

Algunas veces aproximar la distribución de probabilidad que guía nuestras bases de datos no solo es posible sino podría ser una mejor idea que aproximar una función para predecir/clasificar los datos. Este curso sigue el enfoque Bayesiano y se concentra en aquellos métodos inspirados en Monte Carlo para mediante muestreos de variables aleatorias aproximar las distribuciones.

El informático C. Shannon se inspiró en algunas ideas de la termodinámica para idear una teoría matemática sólida que pudiera estudiar las dificultades relacionadas con la información. En la época actual cuando la información abunda su trabajo es uno de los pilares para poder resolver algunos de los problemas más complicados en la industria y otras áreas del conocimiento. En este curso planteamos un estudio matemático de la fenomenología de los siguientes conceptos: transmisor, mensaje y receptor.

La Ciencia de Datos es un área interdisciplinaria que se nutre de diversas técnicas. En este curso vamos a estudiar los fundamentos matemáticos necesarios para comprender con detalle las principales aplicaciones del álgebra lineal en la Ciencia de Datos.

Estudiar los fundamentos matemáticos necesarios para comprender con detalle los principales aspectos tanto de la estadística no-paramétrica como de CNN.

Estudiar los fundamentos matemáticos y estadísticos que permitan comprender los detalles y las sutilezas de algunos modelos comúnmente utilizados en Machine Learning.

Buscamos estudiar las bases teóricas y técnicas de la Estadística, con el objetivo de comprender el alcance de aquel análisis o modelos matemáticos que se sirven de ella.

Estamos convencidos de que un analista de datos tanto en la actualidad como en las próximas décadas necesitará una comprensión profunda de las matemáticas utilizadas en la Ciencia de Datos. El diferenciador para ser un analista competitivo contiene entre sus cualidades la fluidez con la que se hable el lenguaje matemático. Además de lo anterior, la capacidad de mejora para un analista con una firme formación matemática, provee un valor con el sabor de una inversión informada.

El objetivo de este curso es clarificar los conceptos fundamentales de Machine Learning en diversos algoritmos tales como overfitting, regularización y costo computacional. Conoceremos los detalles de tres célebres y útiles algoritmos (modelos) en Machine Learning: Redes Neuronales, Support Vector Machines y Árboles de Decisión. 

Estudiar los detalles formales matemáticos necesarios para continuar el estudio sistemático de machine learning y procesos estocásticos con soluciones más eficientes computacionalmente ​

Te gustaría conocer cómo se comprimen las señales de audio o video. Este curso se enfoca en aquellos métodos matemáticos utilizados para comprimir información.

La teoría de grafos nació con la inteligente observación del matemático Euler sobre la imposibilidad recorrer todos los puentes de la ciudad de Königsberg una sola vez. En este curso planteamos el estudio de problemas complicados en la industria y la teoría de redes mediante las técnicas de la teoría de grafos.

Alexander Grothendieck es uno de los matemáticos más influyentes del siglo XX, su trabajo en geometría, topología y aritmética revolucionó esas áreas. Sin embargo su carrera profesional como matemático no comenzó en las áreas mencionadas. Él comenzó su carrera estudiando espacios de Banach e hizo contribuciones fundamentales, una de ellas es la llamada desigualdad de Grothendieck. Las aplicaciones de estas desigualdades son muy poderosas y han perneado diversas áreas del conocimiento por su profundidad y sus aplicaciones.