Artboard 1 copy 7.png
Invitación estadstica a Machine Learning

​Objetivos

  1. Estudiar las bases teóricas y técnicas de la Estadística, con el objetivo de comprender el alcance de aquel análisis o modelos matemáticos que se sirven de ella.

  2. Familiarizar a la estudiante con diversas aplicaciones tanto de la Estadística como de Machine Learning, de tal modo que al final del curso sea capaz de proponer soluciones pertinentes a un problema utilizando la información de un conjunto de datos.

  3. Desarrollar en la alumna una sólida intuición que le permita detectar posibles errores y aciertos en el modelado matemático de fenómenos reales; la intuición deberá ser acompañada con la capacidad de hacer cálculos explícitos que pongan a prueba sus ideas.

Temario

  1. Incertidumbre: Axiomas de probabilidad de Kolmogorov

    • Espacios de probabilidad y sus interpretaciones experimentales

    • Independencia estadística contra algunos malentendidos

    • Probabilidad condicional y el Teorema de Bayes

    • Variables Aleatorias como medidas de error

    • Esperanza y Varianza en el ejemplo de sondeos

    • Ley de los grandes números y método Monte Carlo

  2. Rudimentos de estadística

    • Covarianza y su interpretación geométrica

    • Correlación de Pearsson en bases de datos

    • Intervalos de confianza vía la desigualdad de Chebychev

    • Ley Gaussiana y Teorema Límite Central

    • Intervalos de confianza vía el Teorema Central Límite

    • Compendio de algunos tests estadísticos en variables binarias

  3. Machine Learning supervisado para clasificación

    • Perceptrón y redes neuronales (paramétrico)

    • K-nearest neighbours (no-paramétrico)

  4. Inferencia Bayesiana

    • Máxima verosimilitud

    • Regresiones logísticas para clasificación

    • Regularización de Lasso

  5. Ruido y procesos estocásticos

    • Ruido Blanco

    • Cadenas de Markov

Contacto

CDMX, México.

  • Facebook icono social