El Aprendizaje Estadístico junto con el Aprendizaje Automático, también conocido como Machine Learning (ML) y el Aprendizaje Profundo (conocido como Deep Learning), son los tres paradigmas que dominan la actual revolución cognitiva que experimenta la humanidad. Las técnicas de aprendizaje estadístico son muy variadas. En muchos casos estas técnicas se complementan muy bien con el ML, haciendo que los resultados obtenidos con modelos de ML tengan un mejor desempeño. Algunos de estos métodos son los ajustes monos y bimodales para el análisis de datos, la prueba de Kolmogorov-Smirnov, la verificación de hipótesis para el análisis de datos y el refuerzo del poder predictivo de los modelos de regresiones con métodos estadísticos y las series temporales.
Mejorar el desempeño profesional de los especialistas en la implementación de soluciones de ML/DL para la industria, con la inclusión de técnicas y herramientas estadísticas que no son tratadas en los cursos tradicionales de ciencia/analítica de datos y ML.
Este curso tiene un alto componente práctico mezclado con un componente conceptual bien diseñado para que se puedan aplicar los métodos estadísticos combinados con ML. Está desarrollado en Python lo que permite usar el potencial del ecosistema de Python para el análisis de datos.
Para una mejor apropiación del conocimiento, se emplea la regla de las tres A (Adquisición, Asimilación y Aplicación) para optimizar el proceso de aprendizaje. En cada módulo se propone un tema, se dan algunos elementos conceptuales necesarios para la familiarización con el mismo (adquisición), se ilustra y refuerza el tema con ejemplos completos (asimilación). Durante el curso se propone un reto que debe ser desarrollado haciendo uso de las competencias adquiridas (aplicación). El reto propuesto es como un proyecto cuya implementación es presentada y discutida al final del curso. Durante el programa se entrega material de refuerzo en hojas de Colab, archivos PDF y conjuntos de datos, a cada participante.
Estudiantes universitarios y profesionales con conocimientos de estadística y Python, en ciencia y analítica de datos, interesados en mejorar su desempeño profesional a través de la inclusión de tareas y técnicas estadísticas avanzadas.
Docentes
PhD. en Física y Matemáticas de la Universidad Estatal de Bielorrusia (ex Unión Soviética), se desempeñó como jefe del Laboratorio de Interacciones Fundamentales en el Instituto de Problemas Nucleares de la Universidad Estatal de Bielorrusia y como jefe de equipo de investigadores de dicho instituto en la Colaboración CMS (CERN). Trabajó como miembro asociado del CERN durante 12 años. Exmiembro de la Colaboración CMS (CERN) y miembro activo de la colaboración DUNE (FERMILAB, EE. UU). Participó en el descubrimiento del bosón de Higgs (CERN, 2012), autor de más de 900 publicaciones científicas. Actualmente se desempeña como profesor en la Universidad EIA, conduce los semilleros de Análisis de Datos (AD) y Automatización de procesos en ML (APML), los laboratorios de mecánica, campos y ondas, y el curso Ciencia de Datos (CD). Docente de Educación Continua de los cursos de Métodos Estadísticos en Computación (MEC) y de Ciencia de Datos. Actualmente dedicado también a desarrollar proyectos para la industria y a la investigación en la implementación de redes neuronales para la solución de ecuaciones diferenciales y el uso de análisis causal para la medición del impacto de los productos de ML en la industria.
Tarifas
Comunidad EIA: estudiantes pregrado y posgrado, empleados y egresados
Pronto pago hasta el 9 de abril de 2025
Empresas con convenio
Pronto pago hasta el 9 de abril de 2025
Tarifa plena
Pronto pago hasta el 9 de abril de 2025
Educación Continua
Consulta la lista de empresas con convenio.
- Días y horarios: miércoles y viernes 6:00 a 9 p.m.
- Fecha: 23 de abril al 14 de mayo de 2025
- Modalidad: Online sincrónico
- Duración: 20 horas
