Curso de Métodos Estadísticos en Computación - Online

Galería de imágenes

Universidad EIA - Educación Continua

Comentarios sobre Curso de Métodos Estadísticos en Computación - Online

• Contenido
  Curso - Métodos Estadísticos en Computación (MEC) para la Analítica de Datos y el Machine Learning - Online.
  
  
  

  Detalles.

  • Online sincrónico
  • Duración: 36 horas

  
  

  ¿Por qué tomar este programa?.

  La estadística juega un papel fundamental en muchas disciplinas incluyendo, entre otras, la ciencia de datos, la analítica de datos y el machine learning (ML). La combinación de los métodos estadísticos con los múltiples programas del ecosistema de Python proporciona instrumentos que permiten realizar diversas tareas aplicadas a la ciencia de datos, la analítica de datos y el ML. Las predicciones con regresiones lineales, el reconocimiento de imágenes, el trabajo con series temporales, los estudios crediticios mediante análisis de datos y los diferentes algoritmos para el ML, tienen su fundamento en los métodos desarrollados en la estadística. En el análisis estadístico de datos se utilizan frecuentemente la verificación de hipótesis en calidad de métricas para los modelos (algo que no se hace en análisis de datos) y los modelos estadísticos y probabilísticos (en análisis de datos se utilizan modelos de ML). El curso incluye: estadística descriptiva, estadística inferencial, modelos estadísticos, modelos probabilísticos y aplicaciones varias.

  
  

  Objetivo.

  Aplicar los métodos estadísticos (estadística descriptiva e inferencial) con ayuda de las bibliotecas Scipy, Pinguin, Statsmodels y PyMC3 para la solución de tareas específicas relacionadas con el análisis de datos en campos diversos del saber.

  
  

  Metodología.

  El curso está orientado a desarrollar las competencias necesarias para el dominio de los fundamentos del análisis de datos desde el enfoque estadístico y su aplicación. Los conocimientos adquiridos en el curso encuentran su aplicación en la ciencia, la analítica de datos y el ML. El curso es dinámico y se enfoca en combinar una metodología ágil con la correspondiente explicación teórica, para lograr una amplia aplicación de los conceptos, apoyados con ejemplos prácticos. En el curso se busca la participación activa del estudiante. Cada módulo se presenta en forma de notebook de Jupyter, en el cual cada tema propuesto, está implementado como una parte de código que es corrido y discutido durante la presentación del material y puede ser utilizado de forma independiente según las necesidades individuales. Se realizarán dos proyectos que permiten aplicar los conceptos y asimilar las competencias desarrolladas durante las sesiones y cuyas soluciones serán expuestas y discutidas al final del curso. Se ofrece material complementario en forma de notebooks de Jupyter y archivos PDF, enviados a cada participante durante el curso.

  
  

  Público objetivo.

  Estudiantes universitarios de niveles varios, profesionales de diversas áreas del saber interesados en la aplicación de métodos estadísticos implementados en Python y aplicables a diferentes tipos de proyectos.

  
  Plan de estudio.
  
  Módulos

  1. Introducción al curso. Estadística descriptiva 1. Variables aleatorias, medidas de centralidad, funciones de distribución de probabilidad. Práctica: ajustes y selección de distribuciones paramétricas.
  2. Aplicación: ejercicios varios sobre probabilidades y análisis de sobrevivencia,
  3. Estadística descriptiva 2. Medidas de desviación, momentos, quartiles, deciles y percentiles, estimación de parámetros. Práctica: KDE para distribuciones no paramétricas.
  4. Estadística inferencial 1. Teoría: verificación de hipótesis. Práctica: análisis de normalidad, y de homocedasticidad, el test de Kolmogorov-Smirnov.
  5. Estadística inferencial 2. Práctica: el t-test, el u-test, el test ANOVA. Intervalos de confianza con boostraping. Formulación del reto 1: implementación de pruebas estadísticas del tipo A/B.
  6. Correlaciones y modelos lineales.
  7. Modelos Lineales Generalizados y Modelos Probabilísticos (bayesianos). Formulación del reto 2: Análisis de confiabilidad.
  8. Teoría: modelos autoregresivos (AR) y de media móvil (MA). Práctica: Series Temporales.
  9. Práctica: predicciones con modelos estadísticos (StatsModels y FB Prophet).
  10. Aplicación: predicción con modelos GARCH para predecir volatilidad.
  11. Práctica: Modelos estadísticos vs modelos de ML. Ejemplos con Regresión Logística y Random Forest.
  12. Práctica: Solución y discusión de los proyectos 1 y 2.

Otra formación relacionada con informática