Notas, código y ejercicios del curso. Cada módulo corresponde a un tema visto en clase e incluye el notebook de trabajo correspondiente.
Navegación por el sistema de archivos, creación y eliminación de archivos, rutas relativas y absolutas.
Asignación, reglas de nombres, tipos str, int y float, y la función type().
Captura de datos con input(), conversión de tipos y presentación con print() y f-strings.
Suma, resta, división entera, módulo y potencia. Aplicados a un perceptrón y regresión lineal.
Control de versiones local con Git y respaldo remoto en GitHub: init, add, commit y push.
Estructuras if/elif/else, operadores de comparación y lógicos. Aplicados a la función de activación.
Colecciones ordenadas, iteración con for, patrón acumulador, range() y enumerate().
Arrays n-dimensionales, operaciones vectoriales, álgebra lineal y construcción de funciones numéricas.
Matplotlib y Seaborn: tipos de gráficas, subplots y exploración visual de datos.
Exploración inicial, filtros booleanos, agrupaciones y matrices de correlación.
Construcción manual: función de pérdida ECM y solución por fórmula cerrada.
Algoritmo de optimización iterativa: derivadas, regla de actualización y learning rate.
OLS en Python, interpretación del summary estadístico y análisis de residuos.
Variables categóricas, one-hot encoding, train/test split, K-Fold y LOOCV.
Fundamentos estadísticos: prueba t de Student, ANOVA y chi-cuadrada con Python.
Por qué las escalas importan, contornos de la función de costo, y métodos de escalado para mejorar el gradiente descendente.
Problemas de análisis de residuos y aplicaciones interactivas con Streamlit.