¡45 minutos de clase gratis! · Empieza ahora, sin tarjeta de crédito
Shiur Prati

Clase particular de Matemáticas para machine learning con IA

Matemáticas para machine learning en clase privada en vivo: el maestro te habla por voz, explica en una pizarra compartida y avanza a tu ritmo, clase tras clase, según un programa ordenado.

Clase en vivo 1:1 con tutor IA

Docente: Noam

  • Programa actualizado el 11/2026
  • Hebreo y 5 idiomas más
  • 3 niveles
  • 36 clases · aprox. 20 horas de clases

Matemáticas para machine learning

Matemáticas para machine learning en clase privada en vivo: el maestro te habla por voz, explica en una pizarra compartida y avanza a tu ritmo, clase tras clase, según un programa ordenado.

12 clases · 3 módulos · clase en vivo privada con el profe en la pizarra

Qué aprenderás

  • Vectores: cómo ve los datos un modelo
  • Matrices y multiplicación de matrices: una capa de red
  • Derivadas: cómo aprende un modelo
  • Gradientes y regla de la cadena
  • Probabilidad y distribuciones
  • Valores propios y PCA
  • Optimización: por qué y cuándo converge el entrenamiento
  • Máxima verosimilitud: de dónde salen las pérdidas
  • Teoría de la información: entropía, entropía cruzada y KL
  • Proyecto final: clasificador multiclase, del principio al paso

El curso incluye

  • Clases en vivo 1:1 con tutor IA en pizarra
  • 20 horas de clases en vivo, uno a uno
  • 36 clases en una pizarra compartida, cada una con un objetivo claro
  • Práctica y control de comprensión en cada clase
  • Resumen después de cada clase, guardado en el historial
  • Certificado de finalización por cada nivel
  • Computadora, tablet o celular
  • Hebreo y otros 5 idiomas

Programa del curso

3 niveles · 10 capítulos · 36 clases · 19 h 55 min en total

PrincipiantesPrincipiantes: vectores, matrices y derivadas, el lenguaje del modelo3 capítulos • 12 clases • 6 h 45 min
  1. Vectores: cómo ve los datos un modelo3 clases • 1 h 35 min
    1. 1El vector como lista de características y como flechaClase de pruebaaprox. 30 min
    2. 2Producto escalar, norma y similitudaprox. 35 min
    3. 3Una neurona: combinación lineal, pesos y biasaprox. 30 min
  2. Matrices y multiplicación de matrices: una capa de red4 clases • 2 h 10 min
    1. 4La matriz: una tabla de datos y su forma (shape)aprox. 30 min
    2. 5Matriz por vector: una capa entera en un pasoaprox. 35 min
    3. 6Multiplicación de matrices: batches, capas y ordenaprox. 35 min
    4. 7Una matriz como transformación: estirar, rotar, invertiraprox. 30 min
  3. Derivadas: cómo aprende un modelo5 clases • 3 h
    1. 8La función de pérdida: cuánto se equivoca el modeloaprox. 30 min
    2. 9La derivada: la pendiente en un puntoaprox. 35 min
    3. 10Reglas de derivación: potencia, suma y constanteaprox. 35 min
    4. 11Descenso de gradiente a mano: un paso de un modelo diminutoaprox. 40 min
    5. 12Proyecto final: un modelo lineal de principio a finaprox. 40 min
Nivel intermedioIntermedio: gradientes, probabilidad y PCA3 capítulos • 12 clases • 6 h 30 min
  1. Gradientes y regla de la cadena5 clases • 2 h 40 min
    1. 1Derivadas parciales: la pérdida depende de muchos pesosaprox. 30 min
    2. 2El gradiente: la flecha de la subida más empinadaaprox. 30 min
    3. 3La regla de la cadena: funciones dentro de funcionesaprox. 30 min
    4. 4Grafo de cómputo y backprop en una neuronaaprox. 35 min
    5. 5Gradientes de una capa completa: matrices y shapesaprox. 35 min
  2. Probabilidad y distribuciones4 clases • 2 h 5 min
    1. 6Variables aleatorias, esperanza y varianzaaprox. 30 min
    2. 7Distribuciones discretas: Bernoulli, categórica y softmaxaprox. 30 min
    3. 8Distribuciones continuas y normalaprox. 30 min
    4. 9Probabilidad condicional y teorema de Bayesaprox. 35 min
  3. Valores propios y PCA3 clases • 1 h 45 min
    1. 10Covarianza y matriz de covarianzaaprox. 30 min
    2. 11Vectores propios y valores propiosaprox. 35 min
    3. 12PCA: ejes principales, proyección, reducción de dimensionalidadaprox. 40 min
AvanzadosAvanzado: optimización, verosimilitud y entropía4 capítulos • 12 clases • 6 h 40 min

Alineado con el examen: Stanford CS229 / EE364a style: derivations of MLE losses, convexity proofs and gradient computations

  1. Optimización: por qué y cuándo converge el entrenamiento4 clases • 2 h 15 min
    1. 1Conjuntos y funciones convexas: local igual a globalaprox. 30 min
    2. 2La matriz hessiana: curvatura en muchas dimensionesaprox. 35 min
    3. 3Convergencia del descenso de gradiente: paso y condicionamientoaprox. 35 min
    4. 4SGD, momentum y Adam en la prácticaaprox. 35 min
  2. Máxima verosimilitud: de dónde salen las pérdidas4 clases • 2 h 5 min
    1. 5Verosimilitud y log-verosimilitud: una moneda, muchos lanzamientosaprox. 30 min
    2. 6MLE con ruido gaussiano: de dónde sale el MSEaprox. 30 min
    3. 7Regresión logística: MLE, BCE y el gradiente p−yaprox. 35 min
    4. 8MAP y regularización: priors como penalización de pesosaprox. 30 min
  3. Teoría de la información: entropía, entropía cruzada y KL2 clases • 1 h 5 min
    1. 9Entropía: sorpresa media en bitsaprox. 30 min
    2. 10Entropía cruzada y KL: el coste de una distribución erróneaaprox. 35 min
  4. Proyecto final: clasificador multiclase, del principio al paso2 clases • 1 h 15 min
    1. 11Softmax + entropía cruzada: gradiente p−y y estabilidad numéricaaprox. 40 min
    2. 12Del principio a la pérdida: elegir loss y optimizadoraprox. 35 min

Qué necesitas

  • Sin conocimientos previos en el nivel principiante: el profe revisa lo que ya sabes y empieza desde ahí
  • En los niveles siguientes: lo visto en el nivel anterior (puedes saltarlo si ya lo sabes)
  • Computadora, tablet o celular con micrófono y navegador

Para quién es el curso

  • Para adultos: trabajo, estudios, un examen o simple curiosidad

Exámenes y certificaciones

  • Avanzados: Stanford CS229 / EE364a style: derivations of MLE losses, convexity proofs and gradient computations
Ver todos los cursos de Inteligencia artificial

Tu profe

NoamNoamTutor IA privado, en clase en vivo con pizarra compartida

Un profe privado de IA que enseña en clase en vivo: pregunta, escucha, dibuja en la pizarra y te deja resolver solo con pistas. Recuerda lo que vieron y cada clase empieza donde se quedaron.

¿Cómo es una clase?

  • Tu hijo habla en voz alta con el profe, como en una videollamada, y pregunta lo que no entiende.

  • El profe explica, escribe y dibuja en una pizarra compartida, y tu hijo resuelve con él en la misma pizarra.

  • Puedes tomar una foto de una hoja de ejercicios o de la tarea y aprender con ella, ejercicio por ejercicio.

  • Los padres reciben un informe: tiempo de estudio, qué salió bien y qué conviene reforzar.

Reglas de la clase

  • Solo aprender

Preguntas frecuentes

¿Cómo funciona una clase particular de Matemáticas para machine learning?
Eliges Matemáticas para machine learning y el nivel, y hablas con el profe en voz alta. El profe pregunta qué ya sabes, explica, escribe y dibuja en la pizarra, y te deja resolver con pistas hasta que todo quede claro.
¿Cuánto dura el curso de Matemáticas para machine learning?
12 clases de unos 34 minutos en el primer nivel, a tu ritmo. Puedes pausar, volver atrás y saltar lo que ya sabes.
¿Necesito conocimientos previos?
No en el nivel principiante. Al comienzo de la primera clase el profe revisa lo que ya sabes y ajusta el nivel. También puedes empezar directamente en un nivel avanzado.
¿Cómo empiezo gratis?
Entra con tu cuenta de Google o con un código que te enviamos por correo, escribe el nombre y el grado del niño, y la clase empieza de inmediato. Cada familia recibe 45 minutos de clase gratis, en cualquier materia, según el tiempo real de clase, sin tarjeta de crédito. Después eliges una suscripción de pago, y cancelas cuando quieras.
¿En qué dispositivo se aprende?
En cualquier computadora, tablet o celular con navegador y micrófono. También puedes instalar el sitio como app en la pantalla de inicio.

¿Quieres probar?

Entras, escribes el nombre y el grado de tu hijo, y la clase empieza. 45 minutos de clase gratis, sin tarjeta de crédito.

Empieza gratis

Shiur Prati con IA: qué es y cómo funciona

Matemáticas para machine learningLos primeros 45 minutos, gratis

Clase particularEmpezar gratis