Inferencia Bayesiana Causal 1
IBC1.2026.1 — Escuela de Ciencia y Tecnología, UNSAM
Electiva de grado y posgrado · Abierto a la comunidad Bayes Plurinacional
Electiva de grado y posgrado · Abierto a la comunidad Bayes Plurinacional
La materia Inferencia Bayesiana Causal 1 se imparte como electiva en las licenciaturas y doctorados de la Escuela de Ciencia y Tecnología de la Universidad Nacional de San Martín. Además, se ofrece como curso para la comunidad Bayes Plurinacional.
Los contenidos son libres y gratuitos. Para quienes quieran un entrenamiento intensivo con el equipo docente, se ofrece una capacitación sincrónica: 2 encuentros semanales los lunes y viernes de 15:30 a 17:00 (ART/PYT/BRT), durante 8 semanas entre el 8 de junio y el 31 de julio. Cupo: 16 personas. Costo: 400 USD.
Todas las ciencias con datos desarrollan argumentos causales para explicar y predecir el mundo. La evaluación de hipótesis causales atrae cada vez más el interés de las industrias, que necesitan medir el impacto real de sus acciones. La ventaja de los modelos causales radica en su capacidad predictiva, que se adapta naturalmente a los cambios del contexto como son las intervenciones humanas.
En este curso revisaremos los fundamentos de la evaluación de modelos causales alternativos P(M|D), los métodos para hacer predicciones causales P(H|D,M) y la toma de decisiones óptimas como problema de inferencia. Ante el vértigo de una IA plagada de herramientas efímeras, este curso prioriza los fundamentos inmutables.
Parte 1
Gustavo Landfried es profesor de Inferencia Bayesiana Causal en la Escuela de Ciencia y Técnica de la Universidad Nacional de San Martín. Luego de obtener la licenciatura en Antropología Social, se doctoró en Ciencias de la Computación por la Universidad de Buenos Aires bajo la supervisión del Laboratorio de Inteligencia Artificial Aplicada (Diego Slezak) y del Laboratorio Interdisciplinario de Cómputo de Alto Rendimiento (Esteban Mocskos).
Allí se especializó en el análisis de habilidad de la industria del videojuego basado en métodos bayesianos, desarrollando y manteniendo los paquetes estado-del-arte en Python, Julia y R (TrueSkill Through Time). Actualmente trabaja en la industria (Muttdata) como Data Scientist desarrollando proyectos de inferencia bayesiana e inferencia causal para grandes empresas transnacionales de América Latina. Es además cofundador y coordinador de la comunidad bayesplurinacional.org.
Web personal (CV disponible para descarga)
Universidad Nacional de San Martín (UNSAM) — Escuela de Ciencia y Tecnología (ECyT)