1 · Fundamentos
Qué es la estadística, por qué la necesita ML y la distinción población-vs-muestra en la que descansa todo experimento.
●Track 3 · En vivo
Estadística y probabilidad
El razonamiento numérico en el que descansa todo modelo.
Estadística descriptiva, distribuciones, contraste de hipótesis, ANOVA, Bayes — con scipy y statsmodels corriendo en tu navegador. Cada tema tiene una conexión 'por qué importa en ML' y un enlace al capítulo de MML correspondiente.
29 / 30 lecciones8 capítulos
2 · Estadística descriptiva
Media, mediana, varianza, percentiles, correlación — el toolkit para resumir cualquier dataset en cinco números y una imagen.
3 · Fundamentos de probabilidad
Reglas de suma y producto, PMF/PDF/CDF y las seis distribuciones que cubren casi toda tarea de ML.
4 · Distribuciones discretas
Bernoulli, Binomial, Poisson — el trío de conteo y sí/no que está bajo la clasificación binaria, los A/B tests y la regresión de conteos.
5 · Distribuciones continuas
Normal, Z-score, Uniforme, Log-normal, Ley de potencia — las distribuciones continuas que todo modelo de ML asume bajo el capó.
6 · Fundamentos de inferencia
Teorema central del límite, estimación con MLE e intervalos de confianza, contraste de hipótesis y qué significa realmente el p-value.
7 · Contrastes de hipótesis
Z, t, pareadas, errores Tipo I/II y Bayes — los contrastes formales en los que descansa todo experimento de ML.
8 · Tests multi-grupo
Chi-cuadrado para datos categóricos y ANOVA para comparar 3+ medias de grupo — las herramientas de todo experimento multi-variante.