Tutoriales de Ciencia de Datos

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.

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.

Una guía práctica sobre la regularización en aprendizaje automático: qué es, cómo funciona y cuándo usar L1, L2 y Elastic Net para construir modelos que generalicen.

Guía práctica de la prueba de Kruskal-Wallis: qué es, cómo funciona, cuándo usarla en lugar de ANOVA y cómo ejecutarla e interpretarla en Python y R.

Explora fórmulas sencillas, funciones modernas de Excel y nuevas herramientas de IA para contar palabras en Excel.

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

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.

Aprende a usar la función RANK() de SQL para asignar rangos a filas, gestionar empates y compararla con DENSE_RANK() y ROW_NUMBER().

Aprende a ajustar NVIDIA Nemotron-3-Nano-4B con un dataset de Q&A de psicología en una GPU RTX 3090 usando LoRA y TRL tras descargar el modelo de Hugging Face.

Aprende a crear una app de agente de OpenAI que se ejecute dentro de Modal Sandboxes, trabaje con archivos, ejecute código y devuelva resultados en este tutorial práctico de Python.

Aprende a usar Qwen 3.6 Plus de Alibaba, Python y el SDK de OpenAI para crear una canalización automática de procesamiento de facturas con visión nativa y llamadas a herramientas.

Aprende a usar el método pop() de Python para eliminar elementos de listas y diccionarios, incluso al iterar. Evita errores comunes como IndexError y KeyError.