Los siguientes enlaces son externos a la Universidad Tecmilenio, al acceder a ellos considera que debes apegarte a sus términos y condiciones.
Lecturas o videos requeridos
Tema 3. Geometría analítica
Lecturas
- argent, T., y Stachurski, J. (s.f.). Orthogonal Projections and Their Applications. Recuperado de https://python-advanced.quantecon.org/orth_proj.html
- Brownlee, J. (2019). A Gentle Introduction to Vectors for Machine Learning. Recuperado de https://machinelearningmastery.com/gentle-introduction-vectors-machine-learning/
Videos
- Normalized Nerd. (2020, 6 de agosto). What is Norm in Machine Learning? [Archivo de video]. Recuperado de https://www.youtube.com/watch?v=FiSy6zWDfiA
Tema 4. Descomposición matricial
Lecturas
- NumPy. (2021). numpy.linalg.eig — NumPy v1.21 Manual. Recuperado de https://numpy.org/doc/stable/reference/generated/numpy.linalg.eig.html
- Rubiales, A. (2020). Singular Value Decomposition (SVD) con Python. Creando un sistema de recomendacion. Recuperado de https://rubialesalberto.medium.com/singular-value-decomposition-svd-con-python-creando-un-sistema-de-recomendacion-640de1b8b002
Videos
- Steve Brunton. (2020, 3 febrero). Unitary Transformations and the SVD [Python] [Archivo de video]. Recuperado de https://www.youtube.com/watch?v=MJAvyt9v0g4