Curso Avanzado de Estadística para Machine Learning con Python

TEMARIO CAEMLP

1. Normalización de los Datos y Valores Atípicos (outliers) (4 horas)1.1. Principio BEBS GIGO)1.2. Estandarización con Puntuación Z (z-score)1.3. Escalamiento Min-Max1.4. ¿Qué son los Valores Atípicos y por qué son peligrosos?1.5. Remoción de Valores Atípicos, Método de Puntuación-Z (z-score)1.6. Detección de Valores Atípicos Multivariados1.7. Remoción de Valores Atípicos con Recortes a los Datos(data trimming)
2. Probabilidad (3 horas )2.1. ¿Qué es la probabilidad?2.2. Probabilidad vs Proporción2.3. Masa Probabilística vs Densidad2.4. Distribuciones de Probabilidad Acumulativas2.5. Variabilidad en el Muestreo, Ruido y otras Perturbaciones2.6. Valores Esperados2.7. Probabilidad Condicional2.8. Ley de los Grandes Números2.9. Teorema del Límite Central
3. Pruebas de Hipótesis (3 horas)3.1. Variables Dependientes e Independientes3.2. ¿Qué es una Hipótesis y cómo especificamos una?3.3. Distribuciones Muestrales bajo Hipótesis Nula y Alternativa3.4. P-Valores3.5. Grados de Libertad3.6. Errores Tipo 1 y Tipo 23.7. Pruebas Paramétricas vs No Paramétricas3.8. Relevancia Estadística3.9. Validación Cruzada
4. Pruebas T (3 horas)4.1. Propósito e Interpretación4.2. Prueba T de Una Muestra4.3. Prueba T de Dos Muestras4.4. Pruebas T No Paramétricas (Wilcoxon, Mann-Whitney)
5. Intervalos de Confianza (2 horas)5.1. ¿Qué son los Intervalos de Confianza?5.2. Intervalos de Confianza con Bootstraping (Remuestreo)
6. Correlación (3 horas )6.1. ¿Qué es y qué representa la correlación?6.2. Correlación y Covarianza6.3. Matríz de Correlación6.4. Correlación Parcial6.5. Correlación No Paramétrica
7. Análisis de Varianza (ANOVA) (3 horas )7.1. ¿Qué es ANOVA?7.2. Suma de Cuadrados7.3. Prueba F y la Tabla ANOVA7.4. Prueba Ómnibus7.5. ANOVA Unifactorial (one-way)7.6. ANOVA Bifactorial (two-way)
8. Regresión (3 horas)8.1. Modelo Lineal Generalizado (GLM)8.2. Método de Mínimos Cuadrados8.3. Evaluando Modelos de Regresión: R2 y F8.4. Regresión Simple8.5. Regresión Múltiple8.6. Regresión Logística