Introducción a la Ciencia de Datos: Carga y Visualización de Conjuntos

Curso de Introducción a Machine Learning

Contenido del curso

Introducción a machine learning

Algoritmos simples de machine learning

Deep learning

Conclusiones

Tomar examen

Cursos Empresas Blog Live Conf Eventos Precios

0:0013:00

Introducción a la Ciencia de Datos: Carga y Visualización de Conjuntos

Curso de Introducción a Machine Learning

Clase 4 de 17

Clase 4 / 17

Recursos

¿Cuál es la importancia de comprender tus datos antes de entrenar un modelo?

Para entrenar modelos de machine learning exitosos, es crítico inspeccionar y comprender los datos de manera exhaustiva. Los modelos solo serán tan efectivos como la calidad de los datos que los alimentan. La ciencia de datos nos proporciona las herramientas necesarias para profundizar en los datos, comprender sus características y resolver problemas antes de avanzar al modelado. Esta exploración inicial incluye la identificación de features, filas, columnas y la detección de valores atípicos.

¿Qué terminología clave deberías conocer?

Datos: Son unidades de información obtenidas de diferentes observaciones, desde encuestas simples hasta complejas bases de datos financieras.
Features: Son descriptores de las cualidades o propiedades de los datos, como altura, género o niveles de glucosa.
Filas y columnas: Las filas representan instancias individuales dentro del conjunto de datos, mientras que las columnas describen las características o features de cada instancia.
Valores atípicos: Pueden ser desviaciones estadísticas o valores incorrectos, y su inclusión o exclusión debe ser evaluada cuidadosamente.
Preprocesamiento: Consiste en preparar los datos para maximizar el aprovechamiento por los modelos, mediante la eliminación, imputación de valores perdidos o la escalación de datos.

¿Qué tipos de datos se suelen manejar?

La clasificación adecuada de los datos es fundamental para la preparación de los mismos. Los tipos de datos comunes incluyen:

Datos numéricos: Estos pueden ser valores discretos o continuos, como la cantidad de monedas o la temperatura.
Datos categóricos: Son etiquetados e incluyen variables como formas de objetos o tipos de clima. Estos deben ser convertidos a formatos numéricos para el modelado, usando técnicas como el "one hot encoding".

Datos más complejos, como imágenes y texto, requieren preprocesamiento avanzado y uso de técnicas de machine learning especializadas, aunque estos no se abordan en este contexto.

¿Cómo se precarga y visualiza un conjunto de datos?

A la hora de trabajar con conjuntos de datos, herramientas como Pandas en Python ofrecen funcionalidad poderosa para cargar y explorar datos. Se utilizan formatos como CSV para organizar y acceder a la información. Aquí algunos comandos útiles:

read_CSV: Se utiliza para cargar un conjunto de datos desde un archivo CSV.
head: Permite inspeccionar las primeras filas del dataset para asegurar que se haya cargado correctamente.
dtypes: Infiere los tipos de datos de cada columna, asistiendo en su correcta categorización.

¿Cómo se visualizan las relaciones y distribuciones?

Una vez cargados los datos, la visualización es clave para entender relaciones entre features y detectar posibles anomalías. Dos técnicas populares son:

Histogramas: Ayudan a visualizar la distribución de un feature específico, como la cantidad de monedas que una persona podría tener en su bolsillo. Los datos se agrupan en "bins" representando frecuencias dentro de un rango determinado.
Gráficos de dispersión: Son útiles para explorar relaciones entre dos features, como la correlación entre la presión arterial y la edad. Estos gráficos revelan tendencias y posibles errores en los datos, como valores atípicos.

En conclusión, asegurar una comprensión sólida de nuestros datos iniciales y realizar una exploración exhaustiva mediante preprocesamiento y visualización es esencial antes de sumergirse en el entrenamiento de modelos de machine learning. Esto optimiza la fiabilidad y precisión de las predicciones del modelo.

Andres Gutiérrez Castillo

Hace 4 años

Data science framework

Terminología:

Data/Datos: unidades de información o “hechos” de observaciones. Features: tipos de información acerca de tus observaciones. Filas: observaciones individuales o muestras. Columnas: features que describen tus observaciones. Outlier: punto(s) de datos o data point(s) que se comporta de forma extraña. Pre-processing: preparar datos para su uso en un modelo de machine learning. ETL pipeline: framework de data science para extraer, transformar y cargar. un dataset comúnmente viene en forma de tabla y tienen 2 componentes: fila: es un registro, un datapoint. ejemplo: datos de un paciente en un hopital, datos de una cuenta de banco de un cliente. comúnmente tienen un ID asignado. columna: es una característica de la información, cada columna tiene un nombre. En ML supervisado siempre tendremos una columna target (output), que muestra la variable a predecir. y las demás columnas nos servirán como input para poder predecir. ejemplo: input= nivel de azúcar en sangre, presión arterial. output = paciente con o sin diabetes.

Tipos de datos

Numéricos: su feature es un número de tipo entero o flotante. Categórica: sus features representan una clase o tipo; usualmente se representan como un mapeo de números o un “one-hot” vector. Image: su feature representa una imagen. Texto: su feature es en la forma de texto, sea corto (como Twitter) o largo (como en noticias). NaN: su feature es desconocido o perdido. Convertir datos categóricos en etiquetas los modelos de ML no pueden manejar strings(palabras) solo entienden números, así que si queremos suministrar una variable categórica a un modelo, primero debemos

transformarla a número.

podríamos asignar un id a cada categoria y listo pero los modelos no manejan bien las relaciones de los datos en esta forma de código, la forma mas optima de hacer esta conversión es mediante 1-hot encoding el cual asigna a cada categoría un vector que se diferencia de los demás por la posición de un 1 en el vector, ejemplo: “SI” > (1,0,0) “NO” > (0,1,0) “talvez” > (0,0,1)

Pandas

esta librería es la ideal para cargar y entender tus datos. los comandos mas basicos son: pd.read_csv(): Leer un archivo CSV df.head(): Muestra las primeras 5 filas df.dtypes: Muestra el tipo de representación de los datos (float, int, object)

Visualizando tus datos

los gráficos más famosos para analizar tus datos son: Histogramas: Te dice qué tan “frecuentes” y distribuidos son ciertos valores en tus datos. Gráficas de dispersión: Muestra la relación entre 2 features graficándolos como pares ordenados. Te puede ayudar a detectar anomalías.

Julián Cárdenas

Hace 3 años

that is a good summary, is everuthing that you need and see in the platzi couse about of ML and Data Scients

Eduardo Guzmán

Hace 3 años

nice

Comentarios (38)38 comentarios

alan bitterlich

Adolfo Sebastián Jara Gavilanes

Brandom Cárdenas

Jhon Freddy Tavera Blandon

Antonio Demarco Bonino

wiliam colorado

Hace 5 años

Cristian Mauricio Rojas Olivares

Jesus Mendez Chavez

Violeta Sosa León

Axel Yaguana

Team Platzi

Tomas Dale

Jhonntan Andres Castaño Rojas

Matías Collado

Erika Alexandra García Barrios

Jesús Zelaya Contreras

Alejandro Toledo Cuenca

Rodmy Suarez

Hace 2 años

Ramiro Ferreira

Miguel Andrés Ramírez Marinez

Javier Emanuel González Andrade

Hace un año

Abraham Orozco

Paola Alapizco

Ana Milena Baez Gayon

Raúl Mamani Cusi

Carlos Paredes

Luis Alberto Cortes Jarillo

Introducción a machine learning

Curso actualizado

Algoritmos de Machine Learning: Preparación y Aplicación de Datos

Introducción al Machine Learning: Historia y Conceptos Básicos

Introducción a la Ciencia de Datos: Carga y Visualización de Conjuntos

Algoritmos Supervisados y No Supervisados en Machine Learning

Procesamiento y Análisis de Datos para Machine Learning

Algoritmos simples de machine learning

Modelos de Machine Learning: Uso, Implementación y Evaluación

Regresión Lineal: Predicción y Evaluación de Modelos Numéricos

Regresión Logística: Clasificación y Predicción de Probabilidades

Clasificadores de Bosque Aleatorio: Conceptos y Aplicaciones

Aprendizaje No Supervisado: Clustering con K-means

Guía práctica de algoritmos de machine learning con scikit-learn

Deep learning

Fundamentos de Redes Neuronales y Deep Learning

Mejora de Redes Neuronales: Ajuste, Overfitting y Dropout

Entrenamiento Efectivo de Redes Neuronales: Arquitectura y Tasa de Aprendizaje

Conclusiones

Curso de Fundamentos Prácticos de Machine Learning

Resumen del Curso de Machine Learning y Habilidades Avanzadas

Introducción a la Ciencia de Datos: Carga y Visualización de Conjuntos

Progreso del curso

Introducción a machine learning

Algoritmos simples de machine learning

Deep learning

Conclusiones

Recursos

Recursos