Tutoriales de Ciencia de Datos

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.

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.

Guía con las comprobaciones proactivas clave en replicación, rendimiento y copias de seguridad para mantener tu plataforma de datos robusta y fiable.

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.

Descubre qué es una prueba de normalidad, por qué importa y cómo usar pruebas como Shapiro-Wilk, Kolmogorov-Smirnov y métodos visuales para comprobar tus datos, con ejemplos en Python y R.

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

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

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.

Un análisis en profundidad de la arquitectura ResNet, que explica cómo el aprendizaje residual y las conexiones de salto resuelven el desvanecimiento del gradiente y la degradación que dificultan el entrenamiento de redes neuronales profundas.

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

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

Aprende a usar VLOOKUP() en Google Sheets para buscar y extraer datos de grandes conjuntos en segundos.