El problema del área: Entendí de lo que leí que en ella se establecen integrales y derivadas.
La derivada nos puede dar un valor instantáneo preciso de la tasa de cambio y nos conduce a modelar de forma precisa la cantidad deseada.
La integral de una función se puede interpretar geométricamente como el área bajo la curva de una función matemática f(x) trazada como una función de x.
Este problema en si tiene muchas aplicaciones en varios campos, como la física calculando áreas bajo gráficos de tiempo rápido para obtener desplazamientos y la economía calculando áreas bajo curvas de demanda para calcular el ingreso full).
El problema de tangente: De este problema entendí que la tangente se refiere al cálculo de la inclinación de una curva en un punto determinado. El concepto principal utilizado para resolver este problema se le llama derivación. Descubrí que este problema tiene aplicaciones en campos como la física calculando la velocidad instantánea a partir de la inclinación de una curva de tiempo de posición y la ingeniería optimizando funciones para encontrar máximas y mínimas.
¿Cuale son las posibles aplicaciones de ciencia de datos que hay alrededor del cálculo diferencial e integral?
-Análisis de datos: De ella se puede calcular áreas bajo curvas, promedios ponderados y encontrar mínimos y máximos, lo que facilita el análisis e interpretación de los datos.
-Visualización de datos: Aplicando el cálculo integral para calcular áreas y volúmenes, lo que proporciona una representación seen más completa de los datos.
-Procesamiento de imágenes: Utilizado en técnicas como la transformada de Fourier, que es esencial para analizar y extraer información de señales e imágenes complejas.
-Modelización y simulación: Es de lo mas utilizados ya sirve para modelar la propagación de enfermedades, el crecimiento de poblaciones y la evolución de sistemas físicos, lo que ayuda a comprender y predecir el comportamiento de eventos y sistemas complejos.
— MACHINE LEARNING Y DEEP LEARNING —
::Diagrama de sus funciones::
— — — — Unos más centrados en enseñar a las computadoras a aprender de los datos y mejorar con la experiencia, por otro lado A diferencia del Machine Finding out clásico, el Deep Finding out puede procesar datos no estructurados, como texto e imágenes, y automatizar la extracción de características, eliminando parte de la dependencia de expertos humanos. — — — —
— RED NEURONAL —
Se puede explicar como la información se procesa en unidades discretas llamadas neuronas o nodos. Cada neurona recibe una serie de entradas, realiza cálculos sobre ellas y produce una salida cada una tiene asociado un “peso”, que determina la importancia de esa entrada. Ademas a salida de una neurona se calcula aplicando una “función de activación” a la suma ponderada de las entradas más el sesgo. Se organizan en “capas” además redes neuronales “aprenden” ajustando los pesos y sesgos de las neuronas en respuesta a los datos de entrada.
____TIPOS DE REDES NEURONALES____
· Redes neuronales prealimentadas
· Algoritmo de retro propagación
· Redes neuronales convolucionales