MPP

Esta es una serie de clases prácticas interactivas para repasar aspectos vinculados al contenido práctico de la cátedra.

📓 = ipynb 📘 = html 📔 = PDF

Preliminares

Repaso de análisis de señales 1D

• 📘 Fenómeno de aliasing
• 📘 Transformada discreta de Fourier (TDF)
• 📘 Derivada utilizando la TDF
• 📘 Convolución 1D y TDF
• 📔 Cartoons

Análisis de señales en 2D

• 📘 Números de onda
• 📘 TDF 2D
• 📘 Analizando el espectro de amplitud en 2D
• 📘 Galeria de ejemplos de TDF 2D
• 📘 Preparado de cuadrículas para TDF 2D
• 📘 Convolución 2D
• 📘 Procesando datos por medio de la convolución 2D

Regresión, inversión y algoritmos

• 📘 Regresión lineal
• 📘 Métodos para resolver \(\mathbf{A}\mathbf{x}=\mathbf{b}\):
  • 📘 Método gradient descent:
    • 📘 Gradient descent y preacondicionamiento
    • 📘 Gradient descent con ray search
  • 📘 Método de gradientes conjugados (Conjugate Gradients)
  • 📘 Pseudoinversa
• 📘 Aprendizaje automático (machine learning): diferenciación automática
• 📘 Aprendizaje automático: regresión no lineal.

Otros

• 📘 Números aleatorios.
• 📘 Matrices, imágenes.
• 📘 El espacio de las imágenes.
• 📘 Multiplicación de matrices
• 📘 Descomposición en valores singulares (SVD)
  • 📘 Algoritmo para obtener la SVD
• 📓 📘 Métodos de interpolación

Material extra

• 📘 Machete del lenguaje Python
• 📘 📘 Ejemplos del formato Markdown
• 📁 Curso de introducción a LaTeX por Pablo J. Santamaria
• 📁 Curso de Python para ciencia de datos (ver notebooks) por Jake Vanderplas
• 📁 Galería de Jupyter notebooks.

Copyright

Estas clases interactivas o notebooks son provistas como Open Educational Resources. El texto está bajo licencia de Creative Commons Attribution 4.0, el código escrito en python de las notebooks está bajo licencia MIT license.