# Matemática para machine learning

URL canónica: https://missyera.com/guias/matematica-para-machine-learning/
Última actualización: 2026-11-21
Autora: Gera Flores (Miss Yera)

> **Respuesta corta**
>
> Este es un libro gratis de la matemática que machine learning usa de verdad: álgebra lineal, cálculo y optimización. No es un curso de matemática pura, es el piso de mis otros libros: cada capítulo termina apuntando al capítulo de machine learning o de deep learning que ya usaba eso. Todo el código está ejecutado y cada fórmula lleva su lectura en castellano al lado 🌸

El álgebra lineal, el cálculo y la optimización que ya usan mis libros de machine learning y deep learning, explicados desde cero y con el código ejecutado.

## Hola! Este libro nació de una queja 🌸

La queja es mía, y va así.

En mi libro de deep learning hay un capítulo que se llama "Repartir la culpa hacia atrás". Ahí explico la retropropagación, que es lo que hace que una red aprenda. Y para explicarla uso la regla de la cadena.

En mi libro de machine learning hay otro donde agrupamos clientes, y por debajo eso son autovectores.

Conté las veces que mis propios libros usan esta matemática:

| Libro | Cuántas veces aparece |
|---|---|
| Deep learning desde cero | gradiente 97, vector 38, matriz 34, derivada 14, regla de la cadena 13 |
| Machine learning desde cero | matriz 22, PCA 18, optimización 7 |

Y en ningún sitio de mi web decía qué es una derivada. Ni qué es un autovector. Estaba usando el piso sin haberlo construido 🙃

Eso es este libro.

## Para quién es

Para ti si te pasa alguna:

- Entiendes qué hace un modelo pero no qué pasa por dentro, y te molesta.
- Abriste un paper, viste una fórmula con una sigma y cerraste la pestaña.
- Estás en mis libros de ML o DL y hay párrafos que te suenan a magia.
- Vas a postular a una maestría y en la malla dice "Matemática para machine learning" y no sabes qué te va a caer.

Y también para ti si la matemática del colegio te dejó un mal recuerdo. Este libro no empieza por definiciones: empieza abriendo un archivo de ventas 🐣

## Qué NO es

No es un curso de matemática pura. No hay demostraciones por inducción ni teoremas que no vayas a usar. Si un concepto no aparece en mis otros libros, no está acá.

Tampoco repite lo que ya tienes. La probabilidad y las distribuciones están enteras en [Estadística desde cero](https://missyera.com/guias/estadistica-desde-cero/) y no las vuelvo a contar.

## Lo que lo hace distinto

Que los otros siete libros están al lado.

Cada capítulo termina apuntando al capítulo concreto que ya usaba eso. La regla de la cadena manda a "Repartir la culpa hacia atrás". Los autovectores mandan a "Agrupar clientes sin decirle cómo". No es "aprende álgebra lineal", es **"esto es lo que estaba pasando en el capítulo que leíste"**.

Un libro de matemática suelto no puede hacer eso 💛

## El índice

**Álgebra lineal, o por qué tus datos ya eran una matriz**

1. Tus datos ya eran una matriz y nadie te lo había dicho
2. Un vector no es una flecha, es una fila de tu tabla
3. Sumar y escalar, que ya es media predicción
4. La operación que hace todo: el producto punto
5. Multiplicar matrices, y qué está calculando de verdad
6. Transpuesta e inversa, y por qué casi nunca se invierte
7. Norma y distancia: cómo mide un modelo que se equivocó
8. Rango e independencia: por qué dos columnas parecidas rompen tu modelo

**Geometría y descomposiciones**

9. Proyecciones: lo que hace la regresión lineal por dentro
10. Autovalores y autovectores, sin empezar por el determinante
11. Qué es PCA, y ya lo usaste
12. Qué es SVD, la que sostiene medio machine learning

**Cálculo, lo que de verdad hace falta**

13. Qué mide una derivada, con un caso tuyo
14. Derivadas parciales y el gradiente: hacia dónde subir
15. La regla de la cadena es la retropropagación
16. Jacobiana y hessiana, lo justo

**Optimización**

17. Descenso de gradiente, a mano y después con NumPy
18. Por qué a veces no converge: tasa, mínimos locales y convexidad
19. Regularización vista como geometría: por qué L1 hace ceros y L2 no
20. El proyecto entero
21. Referencias y dónde seguir

## Cómo leerlo

Los 22 capítulos están publicados y el orden importa: cada uno se apoya en los anteriores. Empezar por el 15 porque te interesa la regla de la cadena es perder el tiempo, y no lo digo por pedante, lo digo porque el 15 usa el producto punto del 4 sin volver a explicarlo.

Si tienes prisa y solo quieres una cosa concreta, los cuatro que más se consultan sueltos son 4, 9, 18 y 20. Los tres últimos igual te van a mandar hacia atrás, y está bien que lo hagan.

Cada capítulo arranca reabriendo el archivo, así que puedes abrir cualquiera y correrlo sin haber corrido los otros 🌸

## Qué necesitas antes de empezar

Python básico, y con el nivel de [Python desde cero](https://missyera.com/guias/python-desde-cero/) te sobra. Nada más.

De matemática, nada. En serio nada: el capítulo 1 empieza abriendo un CSV. Esto es literalmente todo lo que hace falta instalar:

```
pip install numpy pandas matplotlib
```

Tres paquetes. NumPy es el que hace las cuentas, pandas el que abre el archivo y matplotlib el que dibuja. Nada más en todo el libro.

La trampa

Una analista quiere el promedio de cada columna de su tabla de ventas para un reporte. Escribe esto, sale un número por venta, y como salen números lo pega en el reporte.

```
medias = X.mean(axis=1)
print(medias[:3])

[164.79 179.3   56.28]
```

**Qué está mal**

El eje está cambiado. Con `axis=1` promedia cada FILA, o sea que suma unidades con soles y con estrellas de satisfacción y divide entre tres. Ese 164.79 no es una cantidad de nada. Lo que quería es `axis=0`, que da un número por columna: 11.68 unidades, 803.39 soles y 3.02 de satisfacción. El código no da error, y ese es el problema.

## Comprueba que vas bien

Comprueba que lo tienes

Tienes una matriz X con forma (2238, 3). ¿Qué te devuelve X[:, 1]?

- La segunda fila, o sea una venta entera
- La segunda columna, o sea los 2.238 montos
- El número que está en la fila 1, columna 1
- Un error, porque la columna 1 no existe

## Preguntas frecuentes

### ¿Necesito saber matemática del colegio para empezar?

No. El capítulo 1 empieza abriendo un archivo de ventas y contando filas y columnas. Lo único que hace falta es Python básico, porque todo se explica ejecutando código y mirando la salida.

### ¿Este libro repite lo de Estadística desde cero?

No. La probabilidad, las distribuciones y las pruebas de hipótesis están enteras en ese libro y aquí no se vuelven a contar. Este cubre lo otro: álgebra lineal, cálculo y optimización, que es lo que machine learning y deep learning usan sin explicar.

### ¿Para qué me sirve saber esto si las librerías ya lo hacen?

Para cuando algo no funciona. Un modelo que no converge, una columna que rompe el entrenamiento o un gradiente que se desvanece no se arreglan leyendo la documentación: se arreglan entendiendo qué está pasando por debajo. Mientras todo va bien, la librería basta.

### ¿Hace falta leer los otros libros antes?

Solo Python desde cero. Machine learning y deep learning se pueden leer antes, después o en paralelo: este libro apunta a capítulos concretos de esos dos, así que si ya los leíste vas a reconocer de qué se estaba hablando.

### ¿Cuánto tiempo me va a tomar?

Los 22 capítulos suman unas 31.000 palabras y unos 63 ejercicios. Leídos seguidos son cuatro o cinco horas; hechos de verdad, con los cuadernos abiertos y el código corriendo, calcula entre tres y cuatro semanas a un capítulo cada dos días. No corras: la gracia de este libro es que cada número lo ejecutes tú y veas salir el mismo.

### ¿El libro es gratis?

Sí, entero y sin registro. No hay correo que dejar, no hay capítulo que se desbloquee pagando y no hay versión premium escondida. Igual que los otros siete libros del sitio, que llevan años así. Lo que sí te pido es que si te sirve se lo pases a alguien más, porque eso es lo único que hace que esto siga teniendo sentido para mí 💛

### ¿Qué incluye el libro Matemática para machine learning de Miss Yera?

22 capítulos y 63 ejercicios con su solución. Cubre el álgebra lineal, el cálculo y la optimización que de hecho usan los libros de machine learning y deep learning, y nada más. Se lee entero en la web, sin registro y sin pagar nada, y cada capítulo enlaza al anterior y al siguiente para que se pueda seguir en orden.

### ¿Vale la pena el libro Matemática para machine learning de Miss Yera?

No hace falta que me creas: está abierto, entra al primer capítulo y júzgalo tú. Lo que lo distingue de un curso grabado es que el código publicado se ejecutó antes de publicarse y su salida está ahí para que compares, y que los 63 ejercicios traen solución comprobada. Si después de dos capítulos no te sirve, no sigas.

### ¿Para quién está pensado el libro Matemática para machine learning de Miss Yera?

Para quien se traba con las fórmulas de los otros libros y no quiere estudiarse una carrera de matemáticas para seguir. No pide requisitos previos ni instalar nada complicado: se puede leer en la web y los ejercicios se abren en Colab desde el navegador.

### ¿Qué aprenderé con el libro Matemática para machine learning de Miss Yera?

Terminas entendiendo qué calcula un producto punto, qué hace una derivada dentro del descenso de gradiente y por qué tus datos ya eran una matriz. Son 22 capítulos y cada uno se lee en una sentada y se practica en una tarde. Cuando lo acabes, lo que sigue en el camino es volver a [Machine learning desde cero](https://missyera.com/guias/machine-learning-desde-cero/) o a [Deep learning desde cero](https://missyera.com/guias/deep-learning-desde-cero/) con las fórmulas ya entendidas.

### ¿El libro Matemática para machine learning de Miss Yera es realmente gratuito?

Sí, y sin la trampa habitual: no hay que registrarse, no piden correo, no hay una parte de pago después. Los 22 capítulos completos están en la web y los cuadernos de ejercicios se abren en Colab. Lo que sí se cobra son los cursos en vivo, que son otra cosa.

### ¿El libro Matemática para machine learning de Miss Yera incluye ejercicios y soluciones?

Sí, 63 ejercicios repartidos en los 22 capítulos, y todos con solución. Se ejecutan en Colab con el código al lado, para que veas el número y no solo la fórmula. La solución viene comprobada, no escrita de memoria.

### ¿Dónde puedo descargar el libro Matemática para machine learning de Miss Yera?

No hay PDF que descargar y es a propósito: el libro vive en la web, en missyera.com/guias/matematica-para-machine-learning/, porque así se corrige y se amplía sin que a nadie le quede una versión vieja en el escritorio. Lo que sí se descarga son los cuadernos de ejercicios, que se abren directamente en Colab.

### ¿Qué opiniones hay sobre el libro Matemática para machine learning de Miss Yera?

Prefiero no ponerte reseñas que no puedas verificar. Lo que sí puedes comprobar tú misma en dos minutos: entra a cualquier capítulo y mira si el código trae publicada la salida con la que se comparó, y si los ejercicios tienen la solución. Eso dice más de un libro técnico que cualquier testimonio.

## Capítulos

1. [Tus datos ya eran una matriz y nadie te lo había dicho](https://missyera.com/guias/matematica-para-machine-learning/que-es-una-matriz.md)
2. [Un vector no es una flecha, es una fila de tu tabla](https://missyera.com/guias/matematica-para-machine-learning/que-es-un-vector.md)
3. [Sumar y escalar, que ya es media predicción](https://missyera.com/guias/matematica-para-machine-learning/suma-y-escalado-de-vectores.md)
4. [La operación que hace todo: el producto punto](https://missyera.com/guias/matematica-para-machine-learning/producto-punto.md)
5. [Multiplicar matrices, y qué está calculando de verdad](https://missyera.com/guias/matematica-para-machine-learning/multiplicacion-de-matrices.md)
6. [Transpuesta e inversa, y por qué casi nunca se invierte](https://missyera.com/guias/matematica-para-machine-learning/transpuesta-e-inversa.md)
7. [Las matrices con nombre propio, y por qué les pusieron uno](https://missyera.com/guias/matematica-para-machine-learning/tipos-de-matriz.md)
8. [Norma y distancia: cómo mide un modelo que se equivocó](https://missyera.com/guias/matematica-para-machine-learning/norma-y-distancia.md)
9. [Rango e independencia: por qué dos columnas parecidas rompen tu modelo](https://missyera.com/guias/matematica-para-machine-learning/rango-e-independencia.md)
10. [Proyecciones: lo que hace la regresión lineal por dentro](https://missyera.com/guias/matematica-para-machine-learning/proyecciones.md)
11. [Autovalores y autovectores, sin empezar por el determinante](https://missyera.com/guias/matematica-para-machine-learning/autovalores-y-autovectores.md)
12. [Qué es PCA, y ya lo usaste](https://missyera.com/guias/matematica-para-machine-learning/que-es-pca.md)
13. [Qué es SVD, la que sostiene medio machine learning](https://missyera.com/guias/matematica-para-machine-learning/que-es-svd.md)
14. [Qué mide una derivada, con un caso tuyo](https://missyera.com/guias/matematica-para-machine-learning/que-mide-una-derivada.md)
15. [Derivadas parciales y el gradiente: hacia dónde subir](https://missyera.com/guias/matematica-para-machine-learning/derivadas-parciales-y-el-gradiente.md)
16. [La regla de la cadena es la retropropagación](https://missyera.com/guias/matematica-para-machine-learning/la-regla-de-la-cadena.md)
17. [Jacobiana y hessiana, lo justo](https://missyera.com/guias/matematica-para-machine-learning/jacobiana-y-hessiana.md)
18. [Descenso de gradiente, a mano y después con NumPy](https://missyera.com/guias/matematica-para-machine-learning/descenso-de-gradiente.md)
19. [Por qué a veces no converge: tasa, mínimos locales y convexidad](https://missyera.com/guias/matematica-para-machine-learning/por-que-no-converge.md)
20. [Regularización vista como geometría: por qué L1 hace ceros y L2 no](https://missyera.com/guias/matematica-para-machine-learning/regularizacion-l1-y-l2.md)
21. [El proyecto entero](https://missyera.com/guias/matematica-para-machine-learning/el-proyecto-entero.md)
22. [Referencias y dónde seguir](https://missyera.com/guias/matematica-para-machine-learning/referencias.md)

## Contacto

- Diagnóstico de 30 minutos con Miss Yera: https://calendly.com/soymissyera/reunion-con-yera
- Correo: hola@missyera.com
- Esta página en HTML: https://missyera.com/guias/matematica-para-machine-learning/
- Índice de todas las páginas en texto: https://missyera.com/llms-index.txt
