Estadística Avanzada, Sesgo y Regularización
Dominá la matemática detrás de la regularización. Implementá Ridge, Lasso y Elastic-Net desde cero, validá con K-Fold Cross-Validation y conectá estos conceptos con Weight Decay en redes neuronales.
def loss(X, y, w, lambda):
mse = np.mean((y – X @ w)**2)
penalty = lambda * np.sum(w**2)
return mse + penalty
Lo que lograrás al completar el curso
Cada objetivo es verificable mediante entregables y defensa conversacional. Aprenderás a controlar el sobreajuste y a generalizar modelos de forma rigurosa.
Comprender la matemática detrás de la regularización y su relación con MCO y MLE
Implementar Ridge, Lasso y Elastic-Net desde cero y aplicarlos a casos reales
Validar y seleccionar hiperparámetros usando K-Fold Cross-Validation
Conectar la regularización con técnicas de Deep Learning como Weight Decay
Desarrollar un proyecto integrador aplicado a un dataset de fintech LATAM
6 unidades · Progresión estructurada
De los fundamentos matemáticos de la regresión a la implementación de Weight Decay en redes neuronales, culminando con un proyecto de fintech.
- Repasar derivadas parciales, notación matricial y sumatorias
- Derivar la solución de mínimos cuadrados ordinarios (MCO)
- Conectar MCO con el principio de Máxima Verosimilitud (MLE)
- Comprender la descomposición sesgo-varianza empíricamente
- Visualizar la geometría de las restricciones L1 y L2
- Identificar cuándo un modelo sobreajusta o subajusta
- Implementar Ridge desde cero y entender la contracción de coeficientes
- Implementar Lasso con descenso por coordenadas
- Aplicar Lasso a un caso real de retail
- Implementar K-Fold Cross-Validation desde cero
- Elegir el hiperparámetro lambda sin contaminar el conjunto de test
- Interpretar curvas de validación
- Conectar Ridge (L2) con Weight Decay en redes neuronales
- Implementar Weight Decay en Keras
- Visualizar el efecto del parámetro lambda en el sobreajuste
- Aplicar Ridge, Lasso y Elastic-Net a un dataset de fintech LATAM
- Redactar un informe ejecutivo simulando un equipo de negocio
- Sintetizar el aprendizaje del curso y conectar con los electivos del Perfil C
Diseñado para profesionales que practican
100% asincrónica, autogestionada, on-demand. Contenido en Moodle, tutor RAG 24/7, entregables verificables y defensa conversacional.
Tutor RAG 24/7
Un asistente RAG entrenado sobre el contenido del curso resuelve tus dudas. Evalúa tu conocimiento mediante defensa conversacional.
- Respuestas con fuentes citadas
- Defensa conversacional
- Contexto del curso completo
Contenido en Moodle
Lecciones estructuradas y referenciadas en texto. Sin videos interminables: leé, consultá y avanzá a tu ritmo.
- Plataforma Moodle
- Búsqueda instantánea
- Ritmo personal
Notebooks en Google Colab
Notebooks ejecutables con código real. No pseudocódigo: cada técnica de regularización se implementa y ejecuta.
- Ejecución sin configuración
- Código paso a paso
- GPU disponible en Colab
Entregables verificados
Cada unidad tiene entregables con verificación automática: implementaciones matemáticamente correctas y elección de hiperparámetros.
- Corrección automática
- Criterios objetivos
- Feedback inmediato
De la matemática a la regularización en Deep Learning
Un ciclo claro que parte de la derivación de MCO y llega a la implementación de Weight Decay en redes neuronales.
Derivar
MCO, MLE y matemáticas.
Implementar
Ridge, Lasso y Elastic-Net.
Validar
K-Fold Cross-Validation.
Conectar
Weight Decay y Deep Learning.
Herramientas que usarás
Sin fricción de configuración. Todo se ejecuta en Google Colab.
Doble aval universitario, verificación digital
Al completar el curso recibís un certificado digital con doble aval: UTN Facultad Regional Reconquista e Instituto Data Science Argentina.
Qué incluye el certificado
- Doble firma: Decano UTN FRRQ + Director IDSA
- Resolución oficial: 920/2020 UTN Facultad Regional Reconquista
- Datos personalizados: nombre, DNI, curso, carga horaria y calificación
- Código QR de verificación digital
- Copia automática a la Facultad para registro oficial
- Emisión por curso: no esperás al final del trayecto
Se emite al aprobar los quizzes del curso y los trabajos prácticos con estado aprobado.
Resolvemos tus dudas
De la matemática a la regularización en Deep Learning
6 unidades, 30 horas, verificable y aplicable. Dominá el sesgo, la varianza y la regularización con rigor.