Curso en línea: pasantía profesional certificada en aprendizaje estadístico para Google Data Science y la Universidad de Colorado Boulder

Estadística avanzada para el dominio de la ciencia de datos. Dominar el conocimiento y las habilidades para comunicar eficazmente las elecciones e interpretaciones del modelo.

Suggested by: Coursera (What is Coursera?)

Professional Certificate

nivel intermedio

No prior knowledge required

Time to complete the course

7-day free trial

No unnecessary risks

Skills you will acquire in the course

  • Aprendizaje automático no supervisado
  • muestreo repetido
  • regresión
  • Programación en R
  • Splines

What you will learn in the course

Courses for which the course is suitable

  • científico de datos
  • analista de datos
  • Desarrollador de algoritmos
  • analista estadistico
  • Ingeniero de aprendizaje automático
  • Experto en inteligencia artificial
  • analizador de datos
  • Desarrolla modelos estadísticos.

Pasantía: una serie de cursos de tres partes

Aprender estadística es una especialización importante para aquellos que desean desarrollar una carrera en ciencia de datos o mejorar sus habilidades en el campo. El programa se basa en sus conocimientos básicos de estadística y le proporciona técnicas avanzadas de selección de modelos, que incluyen:

  • regresión
  • Clasificación
  • árboles
  • SVM
  • Aprendizaje no supervisado
  • splines
  • D métodos de muestreo

Además, adquirirá un conocimiento profundo de la estimación de coeficientes y su interpretación, lo que le resultará valioso cuando necesite explicar y justificar sus modelos ante clientes y empresas. A través de esta pasantía, desarrollará conocimientos teóricos y habilidades de comunicación que le permitirán aclarar los principios detrás de sus elecciones de modelos e interpretaciones de coeficientes.

Programa de Maestría en Ciencia de Datos (MS-DS)

Esta especialización está disponible como parte del crédito académico del programa de Maestría en Ciencia de Datos (MS-DS) de CU Boulder que se ofrece en la plataforma Coursera. El MS-DS es un programa interdisciplinario que reúne a profesores de los departamentos de:

  • Matemáticas útiles
  • Ciencias de la Computación
  • ciencias de la información

Con admisión basada en el desempeño y sin proceso de solicitud, el MS-DS es adecuado para personas con una amplia experiencia en matemáticas, estadística, informática o ciencias de la información. Para obtener más información sobre el programa MS-DS, visite el sitio web de Coursera .

Un proyecto de aprendizaje práctico.

Durante la pasantía, los estudiantes realizarán muchas tareas de programación diseñadas para ayudarlos a dominar los conceptos de aprendizaje de estadística, que incluyen:

  • regresión
  • Clasificación
  • árboles
  • SVM
  • Aprendizaje no supervisado
  • splines
  • D métodos de muestreo

Details of the courses that make up the specialization

regulación y clasificación

Curso 1

  • 34 horas
  • 3.9 (12 calificaciones)

Detalles del curso

Lo que aprenderás:
  • Explique por qué el aprendizaje estadístico es importante y cómo se puede utilizar.
  • Identificar las ventajas, desventajas y críticas de diferentes modelos y elegir el modelo más adecuado para un problema estadístico determinado.
  • Determine qué tipo de datos y problemas requieren técnicas supervisadas y no supervisadas.
Habilidades que obtendrás:
  • Categoría: Modelado
  • Categoría: Ciencia de datos
  • Categoría: aprendizaje automático
  • Categoría: Análisis estadístico
  • Categoría: Programación R

Muestreo, Selección y Splines

Curso 2

  • 15 horas

Detalles del curso

Lo que aprenderás:
  • Aplicar métodos de muestreo para obtener información adicional sobre los modelos ajustados.
  • Simplifique el procedimiento de comparación para mejorar la precisión y la interpretación de las predicciones.
  • Identificar las ventajas y enfoque de los modelos no lineales.
Habilidades que obtendrás:
  • Categoría: Estadísticas
  • Categoría: Ciencia de datos
  • Categoría: Elección
  • categoría: muestra
  • categoría: splines

Árboles, SVM y aprendizaje no supervisado

Curso 3

  • 12 horas

Detalles del curso

Lo que aprenderás:
  • Describir las ventajas y desventajas de los árboles, y cómo y cuándo utilizarlos.
  • Aplicar SVM a clasificación binaria o clases K > 2.
  • Analizar las ventajas y desventajas de las redes neuronales frente a otros algoritmos de aprendizaje automático, como SVM.
Habilidades que obtendrás:
  • Categoría: Estadísticas
  • Categoría: aprendizaje no supervisado
  • Categoría: Regresión
  • Categoría: Arboles
  • Categoría: Máquina de vectores de soporte (SVM)