La estadística juega un papel fundamental en muchas disciplinas incluyendo, entre otras, la ciencia de datos, la analítica de datos y el machine learning (ML). La combinación de los métodos estadísticos con los múltiples programas del ecosistema de Python proporciona instrumentos que permiten realizar diversas tareas aplicadas a la ciencia de datos, la analítica de datos y el ML. Las predicciones con regresiones lineales, el reconocimiento de imágenes, el trabajo con series temporales, los estudios crediticios mediante análisis de datos y los diferentes algoritmos para el ML, tienen su fundamento en los métodos desarrollados en la estadística. En el análisis estadístico de datos se utilizan frecuentemente la verificación de hipótesis en calidad de métricas para los modelos (algo que no se hace en análisis de datos) y los modelos estadísticos y probabilísticos (en análisis de datos se utilizan modelos de ML).
El curso incluye: estadística descriptiva, estadística inferencial, modelos estadísticos, modelos probabilísticos y aplicaciones varias.
Aplicar los métodos estadísticos (estadística descriptiva e inferencial) con ayuda de las bibliotecas Scipy, Pinguin, Statsmodels y PyMC3 para la solución de tareas específicas relacionadas con el análisis de datos en campos diversos del saber.
El curso está orientado a desarrollar las competencias necesarias para el dominio de los fundamentos del análisis de datos desde el enfoque estadístico y su aplicación. Los conocimientos adquiridos en el curso encuentran su aplicación en la ciencia, la analítica de datos y el ML.
El curso es dinámico y se enfoca en combinar una metodología ágil con la correspondiente explicación teórica, para lograr una amplia aplicación de los conceptos, apoyados con ejemplos prácticos. En el curso se busca la participación activa del estudiante.
Cada módulo se presenta en forma de notebook de Jupyter, en el cual cada tema propuesto, está implementado como una parte de código que es corrido y discutido durante la presentación del material y puede ser utilizado de forma independiente según las necesidades individuales.
Se realizarán dos proyectos que permiten aplicar los conceptos y asimilar las competencias desarrolladas durante las sesiones y cuyas soluciones serán expuestas y discutidas al final del curso.
Se ofrece material complementario en forma de notebooks de Jupyter y archivos PDF, enviados a cada participante durante el curso.
Estudiantes universitarios de niveles varios, profesionales de diversas áreas del saber interesados en la aplicación de métodos estadísticos implementados en Python y aplicables a diferentes tipos de proyectos.
Docente
Ph. D. en Física y Matemáticas, realizó estudios de pregrado y postgrado en Bielorrusia (exUnión Soviética), jefe del Laboratorio de Interacciones Fundamentales en el Instituto de Problemas Nucleares de la Universidad Estatal de Bielorrusia y TEAM leader de dicho instituto en la Colaboración CMS (CERN). Trabajó como miembro asociado del CERN durante 12 años. Miembro de las Colaboraciones CMS (CERN) y DUNE (FERMILAB, EE. UU). Participó en el descubrimiento del bosón de Higgs (CERN, 2012), autor de más de 900 publicaciones científicas.
En la Universidad EIA es docente de pregrado de Física y laboratorios. Conduce los semilleros de Análisis de Datos (AD), Física de Partículas Elementales y Altas Energías (FPEAE) y ha dictado los cursos de Educación Continua sobre Ciencia de Datos y Métodos Estadísticos en Computación MEC y de Ciencia de Datos.
Comunidad EIA: estudiantes pregrado y posgrado, empleados y egresados
Pronto pago hasta el 9 de octubre de 2024
Empresa convenio
Pronto pago hasta el 9 de octubre de 2024
Público en general
Pronto pago hasta el 9 de octubre de 2024
Consulta la lista de empresas convenio.
Educación Continua
- Días y horario: Por confirmar
- Fecha: Por confirmar
- Online sincrónico
- Duración: 36 horas
