Estadística con Python. Qué es la estadística, Qué es la probabilidad, estadística descriptiva, histogramas y distribuciones, regresiones, estadística bayesiana.
Probabilidad
Distribuciones estadísticas con python. Qué es una distribución, para qué sirven, como graficarlas, histograma, función de masa de probabilidad, función de distribución acumulada, función de densidad de probabilidad, distribuciones discretas y continuas, ejemplos en python.
Probabilidad con python. Teoría de probabilidad, espacio de muestreo, ley de grandes números, teorema del límite central y probabilidad .
Introducción a la Inteligencia Artificial. ¿Qué es la IA?. Objetivos. Enfoques. Fundamentos de la Inteligencia Artificial. Ramas de la Inteligencia Artificial. Aplicaciones. Nociones éticas. Cómo comenzar en el campo de la Inteligencia Artificial.
Descubre el fascinante mundo de los modelos generativos de deep learning. Exploramos transformers, autoencoders, GANs y LLMs como GPT, con ejemplos prácticos en Python. Aprende cómo funcionan y por qué están revolucionando el campo de la inteligencia artificial.
Introducción a la inferencia causal con ejemplos sencillos y AB Testing. Descubre cómo conectar los puntos y distinguir correlación de causalidad usando herramientas prácticas y Python.
Introducción al Bosting en Machine Learning. ¿Qué es Boosting?. AdaBoost. Gradient Boosting. Elementos del Gradient Boosting. Función de pérdida. Clasificador débil. Modelo aditivo. Ejemplos en Python. XGBoost. LightGBM.
Introducción a la inferencia Bayesiana con Python. La incertidumbre y el problema de la inducción, El teorema de Bayes, inferencia bayesiana, redes Bayesianas, Programación probabilística y PyMC3, Bayes ingenuo.
Simulación de Monte-Carlo con Python. Números aleatorios, cadenas de Markov, algoritmo Metropolis-Hastings, métodos MCMC.
Visualización de datos con python. Análisis de datos, cómo elegir la visualización adecuada, librerías de python, bokeh, folium, seaborn, matplotlib.