Probabilidad para Machine Learning y Big Data con R y Python

Vamos a ver las bases de R y Python aplicado al mundo de las probabilidades y variables aleatoria para Machine Learning

Lo que aprenderás

  • Resolver problemas del ámbito de la probabilidad usando el entorno estadístico R y el lenguaje Python en combinación
  • Cálculo de probabilidades básicas y conceptos relacionados como la independencia
  • Estudiar las variable aleatorias continuas y discretas
  • Conocer y entender las distribuciones de probabilidad más famosas como la familia de las binomiales, Poisson, exponencial, normal o uniforme entre muchas otras
  • Realizar un análisis exhaustivo de los momentos, las funciones características y generadoras de momentos, así como el sesgo o la curtosis
  • Realizar el análisis de variables bidimensionales y entender las correlaciones e independencia entre variables dos a dos
  • Extender los conceptos de correlación e independencia a muchas variables o vectores aleatorios
  • Estudiar la convergencia en probabilidad, en distribución o casi segura de variables aleatorias para culminar con el Teorema Central de

Descripción

Conoce todo el mundo de las probabilidades y las variables aleatorias de la mano de Ricardo Alberich, Juan Gabriel Gomila y Arnau Mir. Asienta las bases para convertirte en el Data Scientist del futuro con todo el contenido de probabilidades, variables aleatorias discretas y contínuas, desde una variable hasta multidimensionales e incluso los conceptos de convergencia y el Teorema Central del Límite. En particular verás los mismos contenidos que explicamos en los grados de carrera a matemáticos, ingenieros, economistas, biólogos, médicos o informáticos como por ejemplo:

  • Repaso de uso básico de R y RStudio y de Anaconda Navigator para Python
  • Cálculo de Probabilidades con todas las propiedades, teorema de Bayes, probabilidad condicionada e independencia de sucesos
  • Variables aleatorias contínuas y discretas, incluyendo la función de probabilidad, de densidad y de distribución
  • Distribuciones notables como la binomial, la geométrica, la uniforme, la exponencial o la normal entre otras
  • Complementos avanzados de variables aleatorias como momentos, sesgo, curtosis, función generadora de momentos, función característica y aplicaciones de las mismas (fiabilidad, entropía o generación de distribuciones)
  • Variables bidimnsionales para adentrarte en el mundo de las varias variables
  • Variables multidimensionales para llevar tu capacidad de análisis probabilístico necesario para el machine learning y la inteligencia artificial a otro nivel analizando cientos o miles de variables a la vez
  • Convergencia de variables aleatorias y Teorema Central del límite que son la base de la estadística moderna, el ML y la IA
  • Contarás además con el Repositorio Github con todo el material del curso para disponer de los mismos scripts que usamos en clase desde el minuto inicial.
  • Cientos de ejercicios, tareas y talleres para complementar la formación en el curso

Una vez termines el curso podrás seguir con los mejores cursos de análisis de datos publicados por Juan Gabriel Gomila como los cursos avanzados de estadística, de Machine Learning o Inteligencia Artificial con Python o RStudio o el Curso de Data Science con Tidyverse y RStudio. Todo el material del curso está enfocado en resolver los problemas de falta de base en el ámbito de estadística inferencial que presentan los estudiantes de esos cursos avanzados y poderlo hacer en un curso a parte te permitirá nivelar tus conocimientos y tomar los otros cursos con garantías de éxito.

¿Para quién es este curso?

  • Estudiantes de ingenierías, economías y ciencias que quieran aprender los fundamentos de la probabilidad y las variables aleatorias
  • Todos aquellos que quieran trabajar con el entorno estadístico R y con Python
  • Futuros estudiantes de cursos de Machine Learning y de Inteligencia Artificial
  • Data Scientists que quieran tener un fundamento sólido de matemáticas, probabilidad y variables aleatorias
  • Ingenieros de ML, IA con falta de base para aprender mejor cómo funcionan estos algoritmos y saber interpretar sus valores
  • Estudiantes de los cursos de ML, IA, TensorFlow de Juan Gabriel Gomila que necesiten asentar sus bases teóricas en de probabilidad, distribuciones...

Datos técnicos:

Instructor: Juan Gabriel Gomila Salas,
Formato: .MP4
Resolución: 1280x720p
Tamaño: 16.2 GB
Lecciones: 234
Recursos adicionales: Incluidos
Fecha de publicación:  11/2020
Empresa: udemy

Descarga directa Reportar enlace
Enlace Servidor UPLOADER Fecha
Descargar b3015 07-12-2020
Torrent & Magnet
Enlace Servidor Contenido Tamaño Uploader Fecha
Descargar

Torrent

Udemy.Probabilidad.Machine.Learning.Big.Data.con.R y.Python (9 Archivos)
Udemy.Probabilidad.Machine.Learning.Big.Data.con.R y.Python.part01.rar (2 Gb)
Udemy.Probabilidad.Machine.Learning.Big.Data.con.R y.Python.part02.rar (2 Gb)
Udemy.Probabilidad.Machine.Learning.Big.Data.con.R y.Python.part03.rar (2 Gb)
Udemy.Probabilidad.Machine.Learning.Big.Data.con.R y.Python.part04.rar (2 Gb)
Udemy.Probabilidad.Machine.Learning.Big.Data.con.R y.Python.part05.rar (2 Gb)
Udemy.Probabilidad.Machine.Learning.Big.Data.con.R y.Python.part06.rar (2 Gb)
Udemy.Probabilidad.Machine.Learning.Big.Data.con.R y.Python.part07.rar (2 Gb)
Udemy.Probabilidad.Machine.Learning.Big.Data.con.R y.Python.part08.rar (2 Gb)
Udemy.Probabilidad.Machine.Learning.Big.Data.con.R y.Python.part09.rar (204.62 Mb)
16.2 GB b3015 07-12-2020
Contraseña:
www.descargasnsn.to - www.descargasnsn.com
Página oficial:

Enlace al artículo oficial
Si te gusta o te ayuda este artículo. Apoya a los desarrolladores comprando este material.

Compartir:

Enviado por: b3015
  • view 1.6K