MAT281 - Aplicaciones de la Matemática en la Ingeniería

• Docentes: Sebastián Flores & Alonso Ogueda

• Ayudantes: Alberto Rubio

• Repositorio Código: Asignatura

• Licencia: MIT

Planificación

• Módulo 1 - Introducción: Planificación del curso, reglas, herramientas, setup, consejos y otros temas introductorios.

  • Clase 01: ¿Qué aprenderemos en el curso? ¿Cómo lo aprenderemos? ¿Porqué lo aprenderemos?

  • Clase 02: ¿Qué herramientas utilizaremos en el curso? Consejos de instalación de conda, jupyter notebook/lab, python y librerías.

  • Clase 03: ¿Cómo es trabajar en el "mundo real"™? Consejos para encontrar y mantener un buen trabajo/práctica y sobrevivir en el intento.

  • Clase 04: Sesión práctica sobre pandas.

  • Tarea 01: Información, bits y contexto: ocultando mensajes en imágenes

• Módulo 2 - Análisis de datos: Tipos de datos, obtención de datos, detección de errores, análisis.

  • Clase 05: Técnicas y Consejos para un estudio preliminar de un problema: educated guessing, análisis dimensional, teorema Pi.

  • Clase 06: Sobre datos tabulares: etiqueta, pivotear y despivotear.

  • Clase 07: Sobre formato de datos y SQL.

  • Clase 08: Sobre formatos de archivos de datos y APIs.

  • Clase 10: Consejos para análisis de datos.

  • Tarea 02: Evolución de medios de almacenamiento, Street Fighting Math meets Feynman y Análisis de Datos de otra dimensión.

• Módulo 3 - Visualización: Teoría y herramientas útiles para la correcta exposición de datos y resultados.

  • Clase 11: Landscape. Panorama actual de las visualizaciones y por donde comenzar.

  • Clase 12: Teoría. Una buena visualización dista de ser una tarea trivial.

  • Clase 13: Visualización Declarativa. Introducción a la librería Altair

  • Clase 14: Visualización para Bussines Intelligence. Una mirada a Power BI.

• Módulo 4 - Data Science: Obtener conocimiento a través de los datos, predecir valores. Darle valor a los datos.

  • Clase 15: Introducción modelamiento y machine learning.

  • Clase 16: Holdout Set y Cross Validation.

  • Clase 17: Regresión Lineal.

  • Clase 18: Clasificación.

  • Clase 19: Laboratorio de Clasificación.

  • Clase 20: Clustering.

  • Clase 21: Laboratorio de Clustering.

  • Tarea 03: Visualización y Machine Learning en el conjunto de datos Gapminder.

• Módulo 5 - Proyecto: .

  • Clase 22: Presentación del Proyecto

Consejos