Inteligencia Artificial y Machine Learning | Python - Potencializa la utilidad de tus datos con BootStrapping usando Python

Bootstrap o Boostrapping es un método computacional de inferencia estadística que puede responder muchas preguntas estadísticas reales sin fórmulas. Este video explica el origen del término bootstrap, para qué sirve y cómo funciona a través de un ejemplo simple. 👉 Xiperia ofrece consultoría empresarial que transforma datos en conocimiento accionable para alcanzar los objetivos de tu negocio. Conoce más en https://www.xiperia.com ℹ️ Octavio Gutiérrez es el único responsable del contenido, afirmaciones y opiniones expresadas en este video, las cuales no están vinculadas a las organizaciones a las que está asociado. 🌐 Para conocer más sobre Octavio Gutiérrez, visita su perfil en LinkedIn https://www.linkedin.com/in/octaviogutierrez/ Para citar este recurso educativo utiliza la siguiente referencia: Gutiérrez-García, J.O. [Código Máquina]. (2023, 27 de Febrero). Potencializa la utilidad de tus datos con BootStrapping usando Python [Video]. YouTube. [Incluye aquí la URL del video] ******************************************** Para guiar tu aprendizaje, en este vínculo (https://youtu.be/lomJnbN5Wnk) se encuentra una guía secuencial para aprender: 1. Programación Básica con Python; 2. Manejo de Datos; 3. Visualización de Datos; 4. Análisis de Datos; y 5. Aprendizaje de Máquina y Ciencia de Datos. ******************************************** Índice del Video: 0:00 Introducción 0:47 Origen del término BootStrap 2:44 Para qué sirve 4:01 Contexto y datos de ejemplo 5:14 Cómo funciona Bootstrap 9:17 Intervalo de Confianza 11:53 Bootstrap con python: paso a paso ⭐ Apoya a Código Máquina dando un Like, Comentando, Compartiendo o con un Super Gracias. ⭐ De la co-fundadora de Código Máquina, productos de cosmética natural SINHAKI: https://www.amazon.com.mx/stores/sinHaki/page/1BD34FBC-C0F9-44F5-AC69-520634334C61?ref_=ast_bln El código del video está disponible en GitHub https://github.com/CodigoMaquina/code Referencias Wasserman, L. (2004). The Bootstrap. In: All of Statistics. Springer Texts in Statistics. Springer, New York, NY. Altman, D. G., & Bland, J. M. (2005). Standard deviations and standard errors. BMJ, 331(7521), 903. #estadística #datascience #python #cienciadedatos