Objetivo general
Comprender y aplicar los fundamentos de probabilidad, inferencia estadística y optimización que sustentan los algoritmos de Machine Learning, para entrenar, evaluar e interpretar modelos con criterio.
Al finalizar serás capaz de
- Modelar fenómenos con variables aleatorias y distribuciones
- Estimar parámetros por máxima verosimilitud y bootstrap
- Diseñar y analizar pruebas A/B
- Relacionar sesgo, varianza y regularización con el desempeño de un modelo
Tres módulos, 24 horas de estudio
Objetivo del módulo
Utilizar variables aleatorias y distribuciones para describir la incertidumbre de los datos.
Contenidos
- Variables aleatorias discretas y continuas
- Distribuciones Bernoulli, binomial, Poisson, normal y exponencial
- Esperanza, varianza y covarianza
- Teorema de Bayes, ley de los grandes números y teorema central del límite por simulación
Experiencia práctica
Simulador: lanza miles de experimentos y observa cómo emerge la distribución normal.
Objetivo del módulo
Estimar parámetros y contrastar hipótesis con datos reales.
Contenidos
- Estimación por máxima verosimilitud
- Intervalos de confianza y bootstrap
- Pruebas de hipótesis y valor p
- Diseño y análisis de experimentos A/B
Experiencia práctica
Escenario ramificado: el equipo de producto quiere lanzar una función nueva y debes decidir si el test A/B es concluyente.
Objetivo del módulo
Conectar los fundamentos estadísticos con el entrenamiento de modelos de aprendizaje automático.
Contenidos
- Compromiso sesgo-varianza
- Regularización L1 y L2 como información previa
- Entropía cruzada y función de pérdida
- Descenso del gradiente e incertidumbre en las predicciones
Experiencia práctica
Actividad: implementación desde cero de una regresión logística con descenso del gradiente.
Lo que encontrarás en cada módulo
Simulador interactivo
Laboratorio virtual para manipular variables y ver resultados en tiempo real.
Videos explicativos
Cápsulas que desarrollan paso a paso los conceptos más exigentes.
Podcast por módulo
Repaso en audio de los conceptos clave para escuchar donde quieras.
Notebooks y código
Plantillas de trabajo listas para ejecutar y adaptar a tus datos.
Actividades evaluadas
Ejercicios aplicados con retroalimentación inmediata.
Escenarios ramificados
Decisiones con consecuencias: cada elección abre un camino distinto.
¿A quién está dirigido?
Perfil: Ingenieros informáticos, desarrolladores y profesionales de TI.
Conocimientos previos: Programación en cualquier lenguaje. Se utilizan ejemplos en Python.
Cursos relacionados
EstadísticaIntermedio · 24 horasSeries de Tiempo y Pronóstico de Demanda con Python
- M1Anatomía de una serie de tiempo
- M2Modelos clásicos de pronóstico
- M3Pronóstico aplicado a la operación
EstadísticaAvanzado · 24 horasProcesos Estocásticos y Simulación Monte Carlo para la Toma de Decisiones
- M1Cadenas de Markov
- M2Procesos de Poisson y teoría de colas
- M3Simulación Monte Carlo y movimiento browniano
EstadísticaIntermedio · 24 horasAnálisis de Datos para Tesis con R
- M1R y RStudio para investigar
- M2Pruebas estadísticas y modelos
- M3Resultados reproducibles y redacción
Da el siguiente paso en tu formación
Inscríbete en Probabilidad y Estadística para Machine Learning y comienza hoy, a tu ritmo y desde cualquier dispositivo.