Modelado estadístico

Repaso de los fundamentos del lenguaje Python aplicados al análisis de datos: estructuras de datos, bucles, funciones y bibliotecas esenciales para la ciencia de datos.

Manipulación y análisis de datos mediante la biblioteca Pandas: carga de conjuntos de datos, filtrado, agrupación, unión de tablas y limpieza de datos.

Creación de gráficos y visualizaciones con Matplotlib y Seaborn. Cómo comunicar patrones e ideas de forma visual y eficiente.

Conceptos esenciales de estadística descriptiva: media, mediana, moda, desviación estándar, varianza y cómo interpretarlos para comprender la distribución de los datos.

Principales distribuciones de probabilidad (normal, binomial, Poisson) y su aplicación en la modelización de fenómenos del mundo real y en la inferencia estadística.

Fundamentos de las pruebas estadísticas: valor p, intervalo de confianza, pruebas t, chi-cuadrado y ANOVA. Cómo validar hipótesis a partir de datos.

Construcción y validación de modelos de regresión lineal simple y múltiple. Interpretación de coeficientes, evaluación del rendimiento y predicción de valores continuos.

Identificación y tratamiento de la multicolinealidad en modelos de regresión. Técnicas para garantizar la calidad y fiabilidad de los modelos estadísticos.

Modelos de clasificación: regresión logística para variables binarias y árboles de decisión para problemas de clasificación y regresión.

Conceptos fundamentales del aprendizaje automático: aprendizaje supervisado y no supervisado, sobreajuste, validación cruzada y evaluación de modelos.

Algoritmos de agrupamiento (K-Means, jerárquico) y reducción de dimensionalidad (PCA). Aplicaciones en segmentación de clientes y análisis exploratorio.

Introducción a las redes neuronales artificiales: perceptrón, retropropagación y aprendizaje profundo. Primeros pasos con TensorFlow y aplicaciones prácticas con datos reales.