Revisando requisitos
Requisito previo
Este curso pertenece al siguiente programa:
Es necesario que te inscribas al programa antes de poder tomar este curso
Requisitos previos
Horarios disponibles
Selecciona un horario de la siguiente lista
Inscripción terminada
Inscripción no realizada
Si considera que esto es un error comunicarse al correo: jmrincon@ia.center
Estadística descriptiva e inferencial para ciencia de datos con Python y Deepnote – nivel básico
La estadística descriptiva e inferencial son las herramientas fundamentales para cualquier científico de datos. En este curso aprenderás a entender los principales conceptos de estas ramas de la estadística, desarrollar gráficas a través de datos y aplicar estadística para un análisis profundo. Todo esto acompañado de ejercicios con Deepnote y Python. Además, el estudiante podrá aplicar estadística inferencial para realizar análisis y modelos de básicos de machine learning utilizando Python a la par que desarrolla un pensamiento estadístico para trabajar con una muestra limitada de datos y poder generar predicciones sobre ella.
Inicia sesión para inscribirteInicio
26/08/2024
Duración
20 horas
Dedicación
10 horas por semana
Precio
0
Idioma
Español
Modalidad
Vía Teams
Horarios
-
26 al 30 de agosto - 16 a 20 (hora Ciudad Juárez)
Inicia 26/08/2024
Prerequisitos
Requisitos
Perfil de ingreso
Perfil de egreso
Obtén certificados oficiales
Contenido del curso
Unidad 1: Estadística descriptiva para ciencia de datos– 12 Horas
- Flujo de trabajo en ciencia de datos - Estadística descriptiva vs estadística interferencial - Introducción a Python mediante Jupyter, Deepnote y Minitab - Medidas de tendencia central en Python - Medidas de dispersión - Desviación estándar - Medidas de dispersión en Python - Exploración visual y diagramas de dispersión en el análisis de datos - Pipelines de procesamiento para variables numéricas en python - Transformación no lineal - Pipelines de procesamiento para variables categóricas en python - Correlaciones - Matriz de covarianza - Cálculo de valores propios de una matriz - PCA: análisis de componentes principales - Reducción de dimensionalidad
Unidad 2: Estadística inferencial para ciencia de datos e IA – 8 Horas
- Poblaciones normales - Introducción al muestreo y teorema del límite central - Funciones de muestreo y muestreo estratificado en Python - La media muestral - Varianza y desviación estándar muestral en Python - Cálculo de Intervalos de confianza en Python - Tipos de pruebas de hipótesis - Tipos de errores - Pruebas de hipótesis en Python: t student, Pearson y ANOVA - Bootstrapping en Python - Validación cruzada en Python