¡Si es así, este curso es para vos!
Sumate a nuestro curso de Aprendizaje Bayesiano y potenciá tus decisiones basadas en datos—sin importar tu área de trabajo.
Sumergite en el mundo del análisis de datos bayesiano. En este curso práctico, vas a aprender a construir, inferir e interpretar modelos probabilísticos utilizando Stan — la plataforma de vanguardia para modelado estadístico y computación de alto rendimiento.
Nivel: Intermedio (se asume conocimiento básico de estadística y programación)
¿Tenés curiosidad por saber qué hace único al Aprendizaje Bayesiano? Mirá esta breve presentación de 13 minutos del Prof. Ezequiel Alvarez para inspirarte y descubrir por qué los enfoques bayesianos son tan poderosos y esenciales para el análisis de datos del mundo real.
Bayesian Machine Learning consiste en combinar teoría, software y una serie de técnicas estadísticas desarrolladas en los últimos años, aplicadas a un sistema o problema, con el fin de maximizar la comprensión basada en los datos observados.
Dentro de este marco, un sistema del mundo real se modela como un modelo probabilístico, en el que los datos del sistema se consideran muestras extraídas de una función de densidad de probabilidad (PDF). Esta tarea es en parte arte y en parte técnica, y requiere no solo conocimientos estadísticos, sino, sobre todo, una comprensión profunda del problema específico que se está abordando. De hecho, un aspecto crucial de este arte y oficio consiste en modelar el sistema de manera astuta para revelar explícitamente variables internas que no se observan directamente (variables latentes), pero sobre las cuales tenemos conocimientos previos que pueden ser aprovechados en forma de priors. El marco se completa al trasladar esta idea y teoría a un software probabilístico adecuado, en el que las expresiones se definen sobre variables aleatorias en lugar de variables deterministas. La ejecución de dicho script se basa en el teorema de Bayes, que devuelve al usuario una distribución de probabilidad posterior sobre los parámetros y las variables latentes, que están conectados a los parámetros reales del sistema en estudio.
De esta manera, el modelado, la implementación y la ejecución dentro del marco del Aprendizaje Bayesiano pueden ofrecer una comprensión única del problema basada en la observación de los datos. Esta comprensión puede aprovecharse de diversas formas: medir parámetros del problema, determinar relaciones y dependencias entre variables internas, identificar la composición de una muestra de datos, detectar anomalías, generar datos sintéticos del sistema y, en particular, lograr una comprensión más profunda y detallada del sistema, entre otras aplicaciones.
Por último, pero no menos importante, el Aprendizaje Bayesiano suele superar los análisis basados en redes neuronales por varias razones. Una ventaja clave es su capacidad para incorporar conocimiento previo, lo cual resulta extremadamente valioso. En el aprendizaje bayesiano, se pueden obtener resultados significativos y sacar conclusiones clave con relativamente pocos datos —en el rango de 50 a 10.000 observaciones— una región en la que las redes neuronales generalmente no tienen suficientes datos como para comenzar a aprender de manera efectiva.
Los problemas del mundo real no suelen tener grandes volúmenes de datos, y la información previa es crucial... ¡por eso el Aprendizaje Bayesiano es el camino!
Los cupos son limitados — inscribite ahora para asegurar tu lugar.