Ciencia de Datos: Modelos Estadísticos para Predicción II
DESCRIPCIÓN DEL CURSO
Ciencia de Datos: Modelos Estadísticos para Predicción II es un curso de formación integral y completa, que parte desde las definiciones básicas de los modelos para predicción que sirven para clasificar y calcular probabilidades de que un evento suceda, por ejemplo, el incumplimiento de una obligación crediticia.
En este curso integral se analizan modelos LOGIT, PROBIT, MLP, Poisson, los cuales son construidos, evaluados e implementados paso a paso; Punto de corte óptimo, matrices de clasificación o confusión, curvas ROC, entre otros indicadores y contrastes utilizados para la comparación y validación de los modelos son temas que también se abordan de forma práctica y aplicada.
Los tópicos aquí tratados, se desarrollarán en un 80% práctico y un 20% teórico; se sugiere tomar el primer módulo pues es fundamental el conocimiento de las definiciones y la estimación de los modelos Logit y Probit.
Al finalizar el curso virtual, usted podrá acceder al certificado digital como: Ciencia de Datos: Modelos Estadísticos para Predicción II
¿QUÉ OBTENDRÁS DE ESTE CURSO?
- Más de 15 videos con el desarrollo paso a paso de los modelos estadísticos, su construcción, proyección y evaluación
- Exámenes cortos y fáciles de entender, y lecciones rápidas para asegurar su entendimiento.
- Aprendizaje integral sobre la utilización del Lenguaje R y su complemento RStudio.
- Contenido exclusivo para quienes accedan al curso mediante pago.
- Talleres a resolver en los temas más relevantes
- Alto nivel de aplicabilidad. Usted podrá aplicar casi de inmediato lo aprendido en este curso en su trabajo.
- Acceso al foro de preguntas y respuestas relacionado al curso
- Posibilidad de agendar tutorias personalizadas para revisar trabajos entregables o examenes.
- Consultas directas con el tutor
Características del curso
- Conferencias 16
- Cuestionarios 0
- Duración 40 horas
- Nivel de habilidad Todos los niveles
- Idioma Español
- Estudiantes 67
- Evaluaciones Si
-
Introducción a los modelos predictivos II
-
Modelos Predictivos II, que comience el reto
-
¿Eso es todo? No. Se viene lo bueno
- Teoría:No se trata solo de estimación, se trata de precisión, sensibilidad, especificidad
- Teoría: La curva ROC
- Teoría: Identificando el umbral o punto de corte óptimo
- Caso práctico: Modelo Logit
- Caso Práctico Modelo Probit
- Esto se puso bueno: Modelo Logit y Probit, una comparación
- ¿Y si mi variable dependiente no es binaria sino un número de sucesos?: Poisson
-
Evaluando lo aprendido
7 Comentarios
Por favor su ayuda con la activación del siguiente modulo, en los mails de contacto no me responden.
Estimados instructores de Betametrica… retome el curso de varios días y estoy a punto de que se me agote el tiempo para completarlo, pero al querer ver nuevamente los videos no corren. Por favor tengo este problema. gracias
A soporte por favor, con captura de pantalla y descripción precisa del inconveniente.
Estimados Sres. Betamétrica, mi trabajo final de este módulo ya fue entregado y a la fecha no hay ningún e mail de revisión, ni la activación del siguiente módulo. No responden a e mails enviados a capacitaciones o soporte. Agradecería puedan resolverlo.
Buen día, el día 26 de abril culminé el curso y envíe el trabajo final al correo de soporte y capacitaciones, por favor su ayuda para la activación del siguiente módulo y emisión de certificado.
Me parece un curso bastante bueno y aplicado, sin embargo no es profesional usar videos de otras especialidades o materias para enseñar una materia distinta, si bien los contenidos son similares, no significa que se puedan reciclar clases, ello demuestra poco compromiso con el alumno y la materia.
Toda la base que tiene ciencia de datos, viene por el lado de los modelos econométricos, y estos se encuentran tratados en este módulo.
Supongo que el siguiente que te toca es machine learning, y por tanto tendrá el mismo contexto: evaluar cómo está clasificando un modelo, solo que los algoritmos cambian.
Espero que te gusten los siguientes módulos.