Matemáticas y Fundamentos
Esta sección está diseñada como un recurso de aprendizaje para profundizar en las bases matemáticas que hacen posible el Machine Learning.
Más que solo documentación de API, aquí encontrarás explicaciones detalladas de los conceptos teóricos (Álgebra Lineal, Estadística, Probabilidad) y cómo se traducen en código eficiente dentro de Minerva. Úsala para entender qué está pasando bajo el capó de tus modelos.
Recursos de Aprendizaje
Álgebra Lineal
El lenguaje en el que están escritos los datos.
| Concepto | Qué aprenderás | Implementación |
|---|---|---|
| Vectores | Qué es un espacio vectorial, normas, y operaciones geométricas. | Vector |
| Matrices | Transformaciones lineales, sistemas de ecuaciones y operaciones en bloque. | Matrix |
Estadística
La ciencia de aprender de los datos.
| Concepto | Qué aprenderás | Uso |
|---|---|---|
| Métricas de Error | Interpretación matemática de MAE, MSE, R² y cómo evaluar la calidad de un modelo. | Validación de Modelos |
| Distribuciones | Próximamente: Teoría de probabilidad y generación de variables aleatorias. | Inferencia |
¿Por qué estudiar esto?
Entender las matemáticas te permite:
- Diagnosticar problemas: Saber por qué un modelo no converge o hace predicciones extrañas.
- Elegir mejores herramientas: Saber cuándo usar MAE vs MSE según la distribución de tus datos.
- Ir más allá de las librerías: No ser solo un usuario de "cajas negras", sino un ingeniero de ML completo.