¡Bienvenidos al curso Interpretabilidad & Causalidad! En esta sección encontrará el material semanal del curso: notas cuidadosamente redactadas por el tutor, presentaciones utilizadas en clase, evaluaciones descargables y retos prácticos para consolidar lo aprendido con teoría y práctica en Python.

‍

Durante 12 semanas exploraremos cómo ir más allá de la correlación para entender relaciones causa–efecto y construir modelos más confiables y sólidos mediante casos de uso reales. El recorrido está organizado en módulos que van desde interpretabilidad básica y avanzada, hasta herramientas centrales de causalidad como modelos causales y d-separación, el cálculo do (y la paradoja de Simpson / back-door), propensity score, y métodos modernos como ortogonalización y doble machine learning.

‍

¡Le deseamos mucho éxito en su aprendizaje y esperamos que este curso transforme su forma de analizar, explicar y mejorar modelos de datos!

‍