Sección Introducción Transcripciones
Resumen del curso
Hola, me llamo Janani Ravi, y bienvenidos a este curso de Diseño Experimental para el Análisis de Datos. Un poco sobre mí; tengo un master en ingeniería eléctrica de Stanford y he trabajado en empresas como Microsoft, Google y Flipkart. En Google, fui uno de los primeros ingenieros que trabajó en la edición colaborativa en tiempo real en Google Docs, y tengo cuatro patentes por sus tecnologías subyacentes. Actualmente trabajo en mi propia empresa, Loonycorn, un estudio de contenido de video de alta calidad. Proporcionar puntos de vista claros y precisos a los altos ejecutivos se está convirtiendo en un papel cada vez más importante para los científicos y los profesionales de los datos en estos días. Ahora un punto de vista debe representar una hipótesis, idealmente respaldada por datos. En este curso, obtendrá la capacidad de construir tales hipótesis a partir de los datos y utilizar marcos rigurosos para probar si son verdaderas. Primero, aprenderá cómo la estadística inferencial y la prueba de hipótesis forman la base del modelado de datos y el aprendizaje automático. A continuación, descubrirá cómo el proceso de construcción de modelos de aprendizaje de máquinas es similar al del diseño de un experimento. Luego verás cómo las técnicas de entrenamiento y validación ayudan a evaluar rigurosamente los resultados de tales experimentos. Finalmente, completará el curso estudiando varias formas de validación cruzada, incluyendo técnicas tanto singulares como iterativas para hacer frente a datos independientes distribuidos de forma idéntica y datos de grupo. También aprenderá cómo puede perfeccionar sus modelos utilizando estas técnicas con el ajuste de hiperparámetros. Cuando termine este curso, tendrá las habilidades y el conocimiento para construir y evaluar modelos, incluyendo específicamente modelos de aprendizaje a máquina usando rigurosos marcos de validación cruzada y ajuste de hiper parámetros.