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 y conectarlo con los cursos de Optimización Algorítmica
Diseñado para profesionales que practican
100% asincrónica, autogestionada, on-demand. Contenido en Moodle, tutor virtual 24/7, entregables verificables y defensa conversacional.
Tutor virtual 24/7
Un asistente virtual entrenado sobre el contenido del curso resuelve tus dudas de forma clara y directa. Evalúa tu conocimiento mediante defensa conversacional.
- Respuestas claras y sintéticas
- 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.
Python
NumPy
Pandas
Scikit-learn
Keras
Google Colab
Doble aval universitario, verificación digital
Al completar el curso recibís un certificado digital con doble aval: Instituto Data Science Argentina y UTN Facultad Regional Reconquista.
Qué incluye el certificado
- Doble firma: Director de IDSA + Decano UTN FRRQ
- 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.