Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.Desafío 1: Escalado de Datos | Scikit-learn
Desafío de Entrevista en Ciencia de Datos
course content

Contenido del Curso

Desafío de Entrevista en Ciencia de Datos

Desafío de Entrevista en Ciencia de Datos

1. Python
IntroducciónDesafío 1: Comprensión de ListasDesafío 2: Manipulación de CadenasDesafío 3: Manipulación de DiccionariosDesafío 4: Bucles AnidadosDesafío 5: ClasesPreguntas Teóricas
2. NumPy
Desafío 1: Creación de ArregloDesafío 2: Manipulación de ArreglosDesafío 3: Perspectivas EstadísticasDesafío 4: Manejo de Valores AusentesReto 5: Ordenamiento de SubarreglosPreguntas Teóricas
3. Pandas
Desafío 1: Creación de DataFrameDesafío 2: Agrupación de DatosDesafío 3: Indexación y MultiIndexaciónDesafío 4: Modificando DataFrameDesafío 5: Iterando Sobre DatosPreguntas Teóricas
4. Matplotlib
Desafío 1: Fundamentos de TrazadoDesafío 2: Otros Tipos de GráficosDesafío 3: SubtramasDesafío 4: Personalización de GráficosDesafío 5: Añadir Texto a las GráficasPreguntas Teóricas
5. Seaborn
Reto 1: Visualización de DistribucionesDesafío 2: Explorando Datos CategóricosDesafío 3: Gráficos RelacionalesReto 4: Gráficos de RegresiónDesafío 5: Gráficos de MatricesPreguntas Teóricas
6. Estadísticas
Desafío 1: Probabilidades y DistribucionesDesafío 2: Teorema de BayesDesafío 3: Pruebas de HipótesisDesafío 4: Intervalos de ConfianzaDesafío 5: CorrelaciónPreguntas Teóricas
7. Scikit-learn
Desafío 1: Escalado de DatosReto 2: Creación de un Modelo BásicoDesafío 3: TuberíasDesafío 4: Validación cruzadaDesafío 5: Ajuste de HiperparámetrosPreguntas Teóricas

bookDesafío 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.

  1. 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.
Switch to desktopCambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones
¿Todo estuvo claro?

¿Cómo podemos mejorarlo?

¡Gracias por tus comentarios!

Sección 7. Capítulo 1
toggle bottom row

bookDesafío 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.

  1. 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.
Switch to desktopCambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones
¿Todo estuvo claro?

¿Cómo podemos mejorarlo?

¡Gracias por tus comentarios!

Sección 7. Capítulo 1
toggle bottom row

bookDesafío 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.

  1. 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.
Switch to desktopCambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones
¿Todo estuvo claro?

¿Cómo podemos mejorarlo?

¡Gracias por tus comentarios!

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.

  1. 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.
Switch to desktopCambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones
Sección 7. Capítulo 1
Switch to desktopCambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones
some-alt