Curso libreInteligencia artificial y datos
Estadística bayesiana aplicada con Python
El curso Estadística bayesiana aplicada con Python proporciona al estudiante el razonamiento con probabilidades bayesianas y la construcción de modelos con PyMC para cuantificar la incertidumbre en decisiones de negocio, experimentos y pronósticos.
A quién va dirigido
Analistas y científicos de datos con estadística básica y Python con pandas.
Objetivos
✓Comprender el teorema de Bayes, la actualización de creencias y las distribuciones a priori.
✓Analizar la diferencia entre el enfoque bayesiano y el frecuentista en problemas aplicados.
✓Aplicar modelos en PyMC con muestreo MCMC, regresión bayesiana y modelos jerárquicos.
✓Diseñar el diagnóstico del modelo con R-hat, chequeos predictivos e intervalos de credibilidad.
✓Evaluar una decisión de negocio con un análisis de sensibilidad a las distribuciones a priori.
Plan de estudios por sesión
1
Teorema de Bayes y actualizaciónDistribuciones a priori informativas y débiles · Modelo beta-binomial; Comparación con el enfoque frecuentista
2
Sintaxis de PyMCMuestreo MCMC y NUTS · Regresión lineal bayesiana; Modelos jerárquicos
3
Diagnóstico y comunicaciónR-hat, tamaño efectivo de muestra y trazas con ArviZ · Chequeos predictivos posteriores
4
Caso finalPrueba A/B bayesiana · Informe de decisión
Evaluación
Inicial30%Ejercicio de actualización bayesiana con un modelo beta-binomial y su comparación con el enfoque frecuentista.
Intermedio30%Taller de un modelo en PyMC con muestreo, diagnóstico y chequeos predictivos posteriores.
Final40%Análisis bayesiano de un experimento o problema de negocio con informe de decisión y sensibilidad, sustentado.
Proyecto final
Análisis bayesiano de un experimento o problema de negocio en PyMC con informe de decisión basado en probabilidades.