Tutoriales de Ciencia de Datos

Descubre qué es una función objetivo, cómo funciona en optimización y machine learning, y cómo definirla e interpretarla con ejemplos reales.

Guía práctica sobre series de Maclaurin que cubre la fórmula básica, los desarrollos más comunes, las reglas de convergencia y aplicaciones reales en métodos numéricos, física y machine learning.

Guía práctica de series geométricas que cubre las fórmulas de suma finita e infinita, las condiciones de convergencia y aplicaciones reales en finanzas, física e informática.

GELU es una función de activación suave y probabilística que supera a alternativas más simples como ReLU en arquitecturas profundas, y se ha convertido en la opción por defecto en modelos transformer como BERT y GPT.

El método de Newton es un algoritmo iterativo para hallar raíces que usa aproximaciones por tangentes para acercarse a la solución de ecuaciones sin respuesta en forma cerrada.

La U de Mann-Whitney es una prueba no paramétrica basada en rangos para comparar dos grupos independientes cuando los datos no cumplen la normalidad requerida por la t de Student.

Descubre cómo las aproximaciones polinómicas impulsan el descenso por gradiente, XGBoost y las funciones que tu ordenador calcula a diario.

Explora cómo la regresión polinómica ayuda a modelar relaciones no lineales y a mejorar la precisión de predicción en datasets reales.

El operador laplaciano es una de las herramientas matemáticas más utilizadas en el machine learning moderno. Está detrás del clustering espectral, el aprendizaje de variedades, la detección de bordes en imágenes y los algoritmos basados en grafos.

Introducción práctica a las ecuaciones diferenciales: tipos clave, clasificación, métodos de solución analíticos y numéricos, y su papel real en descenso por gradiente, regresión y modelado de series temporales.

Guía paso a paso de la expansión por cofactores (expansión de Laplace): definiciones clave, ejemplos resueltos, propiedades y su relación con la inversión de matrices mediante la matriz adjunta.

Descubre cómo la distribución binomial modela múltiples resultados binarios y se aplica en finanzas, salud y machine learning.