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 Ax=b:
  • 📘 Método gradient descent:
    • 📘 Gradient descent y preacondicionamiento.
    • 📘 Gradient descent con ray search.
  • 📘 Método de gradientes conjugados (Conjugate Gradients) .
• 📘 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.
  • 📘 Pseudoinversa.
• 📓 📘 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.