Objetivos

La dinámica del curso incluye tanto trabajos prácticos como conceptuales en las matemáticas involucradas.

El énfasis del contenido es en la lógica detrás de la elección, preprocesamiento, calibración, implementación y evaluación de estos modelos matemáticos.

La causalidad es un análogo asimétrico del concepto de correlación, esta última es una de las relaciones más importantes para los científicos de datos y en general para todos los analistas o científicos.

Decimos que dos muestreos (digamos numéricos) X e Y están positivamente (o negativamente) correlacionados cuando el aumento de uno implica el aumento del otro (disminución respectivamente). Notemos que en la manera como definimos la correlación, el orden en el que mencionamos a X e Y es indistinto.

DESCARGAR TEMARIO

Descargar temario

Perfil de Estudiante

Para todos los cursos a la medida es necesario tener nociones básicas de programación en Python con énfasis en Machine Learning y manejo de Datos, algunos ejemplos de bibliotecas necesarias son Numpy, Pandas y Scikit Learn. Los alumnos que no cuenten con estos requerimientos pueden tomar nuestro curso Machine Learning & AI for the Working Analyst.

Clase abierta

Temario

1. Nociones básicas sobre inferencia bayesiana

2. Modelos sencillos probabilistas

3. Redes Bayesianas

4. Inferencia a partir de redes bayesianas

5. Entrenamiento de redes bayesianas

6. Reacciones con Machine Learning

Aplicaciones de la causalidad

Tarifa en México*

Tarifa internacional

Objetivos

Perfil de Estudiante

Clase abierta

Temario

SUSCRÍBETE AL CURSO