Contenido del Curso

Desafío de Entrevista en Ciencia de Datos

1. Python

Introducción Desafío 1: Comprensión de Listas Desafío 2: Manipulación de Cadenas Desafío 3: Manipulación de Diccionarios Desafío 4: Bucles Anidados Desafío 5: Clases Preguntas Teóricas

2. NumPy

Desafío 1: Creación de Arreglo Desafío 2: Manipulación de Arreglos Desafío 3: Perspectivas Estadísticas Desafío 4: Manejo de Valores Ausentes Reto 5: Ordenamiento de Subarreglos Preguntas Teóricas

3. Pandas

Desafío 1: Creación de DataFrame Desafío 2: Agrupación de Datos Desafío 3: Indexación y MultiIndexación Desafío 4: Modificando DataFrame Desafío 5: Iterando Sobre Datos Preguntas Teóricas

4. Matplotlib

Desafío 1: Fundamentos de Trazado Desafío 2: Otros Tipos de Gráficos Desafío 3: Subtramas Desafío 4: Personalización de Gráficos Desafío 5: Añadir Texto a las Gráficas Preguntas Teóricas

5. Seaborn

Reto 1: Visualización de Distribuciones Desafío 2: Explorando Datos Categóricos Desafío 3: Gráficos Relacionales Reto 4: Gráficos de Regresión Desafío 5: Gráficos de Matrices Preguntas Teóricas

6. Estadísticas

Desafío 1: Probabilidades y Distribuciones Desafío 2: Teorema de Bayes Desafío 3: Pruebas de Hipótesis Desafío 4: Intervalos de Confianza Desafío 5: Correlación Preguntas Teóricas

7. Scikit-learn

Desafío 1: Escalado de Datos Reto 2: Creación de un Modelo Básico Desafío 3: Tuberías Desafío 4: Validación cruzada Desafío 5: Ajuste de Hiperparámetros Preguntas Teóricas

Desafío 1: Escalado de Datos

En el ámbito de la ciencia de datos y el aprendizaje automático, el escalado de datos es un preprocesamiento crítico. Consiste principalmente en transformar las características (variables) del conjunto de datos a una escala estándar, garantizando que cada característica tenga una escala similar o rango. Esto es especialmente importante para los algoritmos que se basan en distancias o gradientes, ya que garantiza que todas las características contribuyan por igual al resultado y que el algoritmo converja de forma más eficaz.

He aquí una demostración de cómo las utilidades de escalado de scikit-learn modifican la distribución de los datos:

Tarea

En esta tarea, trabajarás con el popular conjunto de datos Iris. Su objetivo es aplicar dos tipos de escaladores a los datos y comparar los conjuntos de datos resultantes.

Utilice la clase StandardScaler para estandarizar el conjunto de datos, lo que significa transformarlo para que tenga una media de 0 y una desviación estándar de 1.
1. Utilice la clase MinMaxScaler para reescalar el conjunto de datos. Asegúrese de que después de la escala, los valores de las características se encuentran entre -1 y 1.

Tarea

En esta tarea, trabajarás con el popular conjunto de datos Iris. Su objetivo es aplicar dos tipos de escaladores a los datos y comparar los conjuntos de datos resultantes.

Utilice la clase StandardScaler para estandarizar el conjunto de datos, lo que significa transformarlo para que tenga una media de 0 y una desviación estándar de 1.
1. Utilice la clase MinMaxScaler para reescalar el conjunto de datos. Asegúrese de que después de la escala, los valores de las características se encuentran entre -1 y 1.

¿Todo estuvo claro?

Sección 7. Capítulo 1

Desafío 1: Escalado de Datos

He aquí una demostración de cómo las utilidades de escalado de scikit-learn modifican la distribución de los datos:

Tarea

En esta tarea, trabajarás con el popular conjunto de datos Iris. Su objetivo es aplicar dos tipos de escaladores a los datos y comparar los conjuntos de datos resultantes.

Utilice la clase StandardScaler para estandarizar el conjunto de datos, lo que significa transformarlo para que tenga una media de 0 y una desviación estándar de 1.
1. Utilice la clase MinMaxScaler para reescalar el conjunto de datos. Asegúrese de que después de la escala, los valores de las características se encuentran entre -1 y 1.

Tarea

En esta tarea, trabajarás con el popular conjunto de datos Iris. Su objetivo es aplicar dos tipos de escaladores a los datos y comparar los conjuntos de datos resultantes.

Utilice la clase StandardScaler para estandarizar el conjunto de datos, lo que significa transformarlo para que tenga una media de 0 y una desviación estándar de 1.
1. Utilice la clase MinMaxScaler para reescalar el conjunto de datos. Asegúrese de que después de la escala, los valores de las características se encuentran entre -1 y 1.

¿Todo estuvo claro?

Sección 7. Capítulo 1

Desafío 1: Escalado de Datos

He aquí una demostración de cómo las utilidades de escalado de scikit-learn modifican la distribución de los datos:

Tarea

En esta tarea, trabajarás con el popular conjunto de datos Iris. Su objetivo es aplicar dos tipos de escaladores a los datos y comparar los conjuntos de datos resultantes.

Utilice la clase StandardScaler para estandarizar el conjunto de datos, lo que significa transformarlo para que tenga una media de 0 y una desviación estándar de 1.
1. Utilice la clase MinMaxScaler para reescalar el conjunto de datos. Asegúrese de que después de la escala, los valores de las características se encuentran entre -1 y 1.

Tarea

En esta tarea, trabajarás con el popular conjunto de datos Iris. Su objetivo es aplicar dos tipos de escaladores a los datos y comparar los conjuntos de datos resultantes.

Utilice la clase StandardScaler para estandarizar el conjunto de datos, lo que significa transformarlo para que tenga una media de 0 y una desviación estándar de 1.
1. Utilice la clase MinMaxScaler para reescalar el conjunto de datos. Asegúrese de que después de la escala, los valores de las características se encuentran entre -1 y 1.

¿Todo estuvo claro?

He aquí una demostración de cómo las utilidades de escalado de scikit-learn modifican la distribución de los datos:

Tarea

En esta tarea, trabajarás con el popular conjunto de datos Iris. Su objetivo es aplicar dos tipos de escaladores a los datos y comparar los conjuntos de datos resultantes.

Utilice la clase StandardScaler para estandarizar el conjunto de datos, lo que significa transformarlo para que tenga una media de 0 y una desviación estándar de 1.
1. Utilice la clase MinMaxScaler para reescalar el conjunto de datos. Asegúrese de que después de la escala, los valores de las características se encuentran entre -1 y 1.

Sección 7. Capítulo 1

Cambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones