Del Munging al Wrangling de Datos: 7 Pasos para Dominar la Preparación de Datos para la Ciencia de Datos

Resumen

Discover essential techniques for data preparation in AI/ML projects. Learn to source, clean, and transform data effectively, enhancing the quality and predictive power of machine learning models.

Programa

• Introducción a la Preparación de Datos
Importancia de la preparación de datos en AI/ML
Resumen del proceso de 7 pasos
• Paso 1: Obtención de Datos
Identificación de necesidades de datos
Exploración de diversas fuentes de datos
Técnicas de recolección de datos
• Paso 2: Comprensión de Datos
Exploración de la estructura y contenido de datos
Exploración estadística de datos
Identificación de valores atípicos y anomalías en los datos
• Paso 3: Limpieza de Datos
Manejo de datos faltantes
Técnicas para tratar con ruido y errores
Métodos de deduplicación de datos
• Paso 4: Transformación de Datos
Normalización y estandarización de datos
Escalado y selección de características
Codificación de variables categóricas
• Paso 5: Enriquecimiento de Datos
Integración de datos desde múltiples fuentes
Técnicas de aumento
Uso de datasets externos para el enriquecimiento
• Paso 6: Reducción de Datos
Técnicas de reducción de dimensionalidad
Extracción y selección de características
Resumen de datos
• Paso 7: Validación y Prueba de Datos
Asegurando la calidad e integridad de los datos
Técnicas de validación de datos
Creación y uso de conjuntos de datos de validación
• Conclusión y Mejores Prácticas
Resumen de técnicas y herramientas clave
Consejos para una preparación de datos eficiente
Errores frecuentes y cómo evitarlos
• Proyecto Práctico
Aplicar el proceso de 7 pasos en un conjunto de datos del mundo real
Presentar hallazgos e ideas

---

Materias

Conference Talks