Elementos de Estadística para Machine Learning con Python


    En este curso nos proponemos:


      - Estudiar los fundamentos matemáticos de la estadística y la probabilidad necesarios para construir una intuición poderosa del estudiante de Ciencia de Datos

      - Familiarizar al estudiante con los argumentos comúnmente utilizados para justificar métodos o técnicas en Machine Learning.

      - Desarrollar en el alumno la capacidad cuantitativa al margen de la tecnología que subyace a la Inteligencia Artificial.


    Colegio de Matemáticas Bourbaki:

    Este curso fue desarrollado en conjunto con el Colegio de Matemáticas Bourbaki, un espacio para el aprendizaje personalizado donde se imparten métodos de enseñanza para acercar a las personas al trasfondo matemático en múltiples fenómenos y procesos. El Colegio Bourbaki responde a una responsabilidad con la sociedad: procurar siempre el rigor académico en todos sus servicios. Su objetivo es convertir el conocimiento matemático en una inversión sostenible que genere riqueza.

    ¡Pueden encontrar material para el curso haciendo click aquí!


    LogoHumai
    LogoBourbaki

Fecha de inicio:

2021

Duración:

3 semanas

Valor de inscripción a Estudiante: ARS$ 2000
Por tiempo limitado

Si te interesa este curso pero te resultan una traba los costos o los horarios, ¡escribinos admin@ihum.ai y trataremos de resolverlo!

¡ Inscribite !




Temas del curso:

  1. Axiomas de Kolmogorov y distribuciones
    1. Leyes de probabilidad uniforme
    2. Bernouilli
    3. Productos de Bernouilli
    4. Binomial
    5. Interpretación en una base de datos etiquetada de manera binaria
  2. Independencia y Teorema de Bayes
    1. Independencia
    2. Ejemplos clásicos (dados, monedas, etc...)
    3. Teorema de Bayes
    4. Manejo de portafolios financieros
    5. Distribuciones condicionales
  3. Variables Aleatorias
    1. Definción
    2. Algunos ejemplos
    3. Probabilidad conjunta
    4. Independencia
  4. Momentos de Variables Aleatorias
    1. Esperanza
    2. Varianza
    3. Covarianza
    4. Cálculos explícitos para las distribuciones estudiadas
  5. Ley de los Grandes Números y Chebychev
    1. Enunciado débil y fuerte de la ley de los grandes números
    2. Aplicaciones a los intervalos de confianza para una base de datos binaria
    3. Método Monte Carlo
  6. Distribuciones continuas
    1. Leyes normales
    2. Laplace
    3. Poisson
    4. Esperanza, varianza y covarianza
  7. Calidad de la convergencia
    1. Tres tipos de convergencia y ejemplos
    2. Relación entre distribuciones finitas y continuas (límites)
    3. Teorema límite central y aplicación a los intervalos de confianza.
  8. Regresiones lineales
    1. Caso inyectivo
    2. Caso normal
    3. Tests estadísticos: Z-score e intervalos de confianza
  • Examen
    Conseguí un certificado y avanzá un paso en tu formación como científico de datos.
LogoHumai
LogoBourbaki