https://github.com/fralfaro/mat281_2019
Clases MAT281, segundo semestre del 2019 (UTSFM- Campus San Joaquín)
https://github.com/fralfaro/mat281_2019
python university-courses
Last synced: 3 months ago
JSON representation
Clases MAT281, segundo semestre del 2019 (UTSFM- Campus San Joaquín)
- Host: GitHub
- URL: https://github.com/fralfaro/mat281_2019
- Owner: fralfaro
- Created: 2019-10-27T23:05:00.000Z (over 5 years ago)
- Default Branch: master
- Last Pushed: 2023-03-15T12:32:27.000Z (over 2 years ago)
- Last Synced: 2025-01-23T03:17:52.200Z (5 months ago)
- Topics: python, university-courses
- Language: Jupyter Notebook
- Homepage:
- Size: 23.9 MB
- Stars: 1
- Watchers: 1
- Forks: 1
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
# MAT281 - 2° Semestre 2019 (versión antigua)
## Aplicaciones de la Matemática en la Ingeniería
## Contenidos
* [Equipo de trabajo](#et)
* [Horario](#ho)
* [Aspectos generales](#ag)
* [Reglas del juego](#rg)
* [Referencias](#Referencias)
**Francisco Alfaro Medina** - Profesor clases teóricas/laboratorio
* Ingeniero Civil Matemático - UTFSM, Chile (2011-2017).
* Magister en Ciencias, Mención Matemáticas - UTFSM, Chile (2017-2019).
* Empresas: Uplanner, Iconstruye, Cencosud.
* Universidades: UTFSM, PUCV.
* Actualmente: Data Science (Cencosud)
* **Clases teóricas**: Lunes, 14:00 a 15:30.
* **Clases de laboratorio**: Lunes, 15:40 a 17:10.
* **Ayudantías**: Viernes, 15:40 a 17:10.
* **Trabajo individual**: 2-3 horas por semana.
## Aspectos generales
### Programa del curso
* **Módulo 1** *Introducción*: Planificación del curso, reglas, herramientas, setup, consejos y otros temas introductorios.
* **Módulo 2** *Análisis de datos*: Tipos de datos, obtención de datos, detección de errores, análisis.
* **Módulo 3** *Visualización*: tipos de visualización, librerías más comunes, graficos dinámicos, etc.
* **Módulo 4** *Machine Learning*: Datasets, métricas, algoritmos de regresión, clasificación y clustering. Resolución de problemas ingenieriles.
El programa de asignatura tiene los siguientes **resultados de aprendizaje**.
1. *Desarrollar competencias básicas en herramientas de programación como Python o R*.
2. *Determinar la complejidad en la manipulación de datos (pequeños-grandes volúmenes de datos)*
3. *Aplicar técnicas y herramientas de visualización de datos para identificar patrones de forma visual o presentar los resultados de una forma clara y concisa.*
4. *Aplicar técnicas estadístico/matemáticas para resolución de problemas ingenieriles*.
Los resultados de aprendizaje se encuentran correlacionados con las necesidades ingenieriles del mundo real. Por ejemplo,
* Mejor utilización de recursos.
* Garantizar calidad y reproducibilidad.
* Detectar malas prácticas e ineficiencias.
* Utilizar las mejores herramientas para el problema.
* Definir métricas para determinar, controlar y mejorar el estado de un sistema.
* **Evaluaciones**: Tareas(T), laboratorios(L) y proyectos(P). Pondereción: $NF = 0.4\ T + 0.4 \ L + 0.2 \ P$.
* **Asistencia**: 85% de asistencia mínima para pasar el curso.
* **Introduction to Statistical Learning**, Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani.
* **Elements of Statistical Learning**, Trevor Hastie, Robert Tibshirani and Jerome Friedman.
* **The Hundred-Page Machine Learning Book**, Andriy Burkov.
* **Introduction To Machine Learning With Python**, Andreas C. Müller,sarah Guido.
## Consejos
[](https://abstrusegoose.com/353)