Fuente: Mathematics for Machine Learning and Data Science Specialization y Mathematical Foundations for Data Science and Analytics Specialization

1. Fundamentos Matemáticos para la Ciencia de Datos
2. Sistemas de Sentencias — Entender antes de resolver
3. Ecuaciones lineales la clave de la ciencia de datos
4. Singularidad, dependencia lineal y el determinante
5. De sistemas de ecuaciones a matrices
6. Tipos de matrices y operaciones
7. Matrices en Python con Numpy
8. Sustitución hacia atrás e inversión de matrices
9. Cuando la matriz no es cuadrada: el truco del transpuesto
10. Vectores: la brújula del álgebra lineal y la ciencia de datos
11. Eigenvectors y eigenvalues
12. Eigenvectores, Eigenvalores y Compresión de Datos (Eigenfaces)
13. Del modelo lineal simple a la regresión por mínimos cuadrados
14. Regresión de Mínimos Cuadrados Ordinarios (OLS)