https://github.com/fralfaro/mat281_20xx

Clases MAT281, Segundo Semestre (UTSFM)
https://github.com/fralfaro/mat281_20xx

python university-courses

Last synced: about 1 month ago
JSON representation

Clases MAT281, Segundo Semestre (UTSFM)

• Host: GitHub
• URL: https://github.com/fralfaro/mat281_20xx
• Owner: fralfaro
• License: mit
• Created: 2023-06-29T14:50:33.000Z (over 1 year ago)
• Default Branch: main
• Last Pushed: 2024-07-21T16:02:31.000Z (5 months ago)
• Last Synced: 2024-07-21T17:39:11.141Z (5 months ago)
• Topics: python, university-courses
• Homepage: https://fralfaro.github.io/MAT281_20XX/
• Size: 40.8 MB
• Stars: 1
• Watchers: 1
• Forks: 0
• Open Issues: 0
• Metadata Files:
  • Readme: README.md
  • License: LICENSE

Awesome Lists containing this project

README

        
# MAT281 - Matemáticas Aplicadas

![example workflow](https://github.com/fralfaro/MAT281_2024/actions/workflows/documentation.yml/badge.svg)







## Descripción de la Asignatura

La asignatura tiene como objetivo proporcionar a

los estudiantes las competencias y destrezas básicas necesarias

para desempeñarse como Data Scientist utilizando el lenguaje de 

programación Python.

## Requisitos de entrada

* Fundamentos de Cálculo y Álgebra.

* Conceptos básicos de Probabilidad y Estadística.

* Conocimientos en Optimización.

* Familiaridad con el lenguaje de programación Python.

## Contenidos temáticos

El curso se organiza en torno a los siguientes temas principales:

* **Toolkit Básico**: Introducción a las herramientas esenciales para el análisis de datos.

* **Manipulación de Datos**: Técnicas para la manipulación eficiente de conjuntos de datos.

* **Visualización**: Métodos para visualizar datos de manera efectiva.

* **Machine Learning**: Introducción a los conceptos básicos y aplicaciones del aprendizaje automático.

## Recursos para el aprendizaje

1. **Texto Guía**:  

   * **Python Data Science Handbook** - Jake VanderPlas

2. **Complementaria/Opcional**:  

   * **Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow** - Aurélien Géron

   * **Data Science from Scratch** - Joel Grus

   * **Python for Data Analysis** - Wes McKinney

## Evaluación

### Laboratorios 

- Semanal.

- Individual.

- Notas: 0, 25, 50, 75, 100.

- Plazo: final del día de clases.

- Entregas fuera del plazo tienen nota cero (0).  

    

### Tareas 

- Mensual.

- Individual.

- Plazo:

  - $T_1$: xx de Septiembre 20XX.

  - $T_2$: xx de Diciembre 20XX.

- Entregas fuera del plazo descuentan 25 puntos por día (parte entera). 

    - Por ejemplo, un retraso de 15 minutos cuenta como un día y descuenta 25 puntos.  

      

### Proyecto 

- Semestral.

- Plazo: final del curso (xx de Diciembre 20XX).

- Grupal: máximo 4 integrantes.

- Entregas fuera del plazo descuentan 25 puntos por día (parte entera).  

### Nota Final

La nota final será el promedio ponderado

entre los laboratorios, tareas y el proyecto final del curso.

$$

N_f = 0.3\bar{n_l} + 0.35\bar{n_t} + 0.35n_p

$$

> **¡Importante!**: Todos los entregables se

> deben subir al repositorio personal del estudiante

> (en GitHub). Las notas se trataran de actualizar al final de cada mes.