Codifica datos categóricos nominales para Machine Learning y Ciencia de Datos con Python
Para citar este recurso educativo utiliza la siguiente referencia: Gutiérrez-García, J.O. [Código Máquina]. (2021, 12 de Septiembre). Codifica datos categóricos nominales para Machine Learning y Ciencia de Datos con Python [Video]. YouTube. [Incluye aquí la URL del video]. 👉 Xiperia ofrece consultoría empresarial que transforma datos en conocimiento accionable para alcanzar los objetivos de tu negocio. Conoce más en https://www.xiperia.com ℹ️ Octavio Gutiérrez es el único responsable del contenido, afirmaciones y opiniones expresadas en este video, las cuales no están vinculadas a las organizaciones a las que está asociado. 🌐 Para conocer más sobre Octavio Gutiérrez, visita su perfil en LinkedIn / octaviogutierrez ******************************************** Para guiar tu aprendizaje, en este vínculo ( • Curso de Inteligencia Artificial (IA) y Ma... ) se encuentra una guía secuencial para aprender: 1. Programación Básica con Python; 2. Manejo de Datos; 3. Visualización de Datos; 4. Análisis de Datos; y 5. Aprendizaje de Máquina y Ciencia de Datos. ******************************************** En este video se explica la problemática de los datos categóricos nominales dentro del contexto de técnicas de aprendizaje de máquina que sólo trabajan con datos numéricos. Además, se explica el error más común que se comete al preparar datos categóricos nominales, y a partir de ahí, se explica cómo codificarlos adecuadamente utilizando el método One-Hot de la librería Scikit-Learn de Python. Índice del Video: 0:00 Problemática de las categorías 0:57 Datos categóricos y Contexto 1:48 Conversión de object a category 4:00 Qué no hacer con datos categóricos 7:10 Codificación One-Hot ⭐ Apoya a Código Máquina dando un Like, Comentando, Compartiendo o con un Super Gracias. 📊 Los datos no mienten: La caída del cabello se frena con mantenimiento predictivo, no correctivo. El nuevo shampoo sólido anticaída de la co-fundadora de Código Máquina es el upgrade de alto rendimiento que tu hardware biológico necesita. 🧪💻🧬 👉 Consigue el tuyo y estabiliza el sistema: https://bit.ly/Sinhaki El código del video está disponible en GitHub https://github.com/CodigoMaquina/code #CienciaDeDatos #AprendizajeDeMaquina #DataScience #MachineLearning #ScikitLearn #python
Por qué y cómo codificar datos Categóricos Ordinales usando Python con sklearn y pandas
Análisis de Componentes Principales (PCA) para Reducir la Dimensionalidad de Datos usando Python
Predicción de Fuga de Clientes con 3 Modelos de ML y Dashboard Inteligente para toma de decisiones.
🔍 Análisis Exploratorio de Datos (EDA) con Python : Descubre Insights Ocultos en tus Datos 📊
Tutorial: ¿Por qué y cuándo ESCALAR los datos?
Componentes Principales (PCA) con Python 👨💻😀-Datos reales, pandas, Sklearn 💻📊
Cross-validation (o Validación Cruzada) para Evaluar Modelos de Machine Learning con Python
Escalamiento, Normalización y Estandarización de Datos con Python para Ciencia de Datos
Datos de Entrenamiento, Validación y Prueba: ¿Cómo crearlos y qué objetivos tienen? Machine Learning
Tutorial: MANEJO DE DATOS CATEGÓRICOS FALTANTES con Python, Pandas y Scikit-Learn
Optimiza tus Modelos de Machine Learning ajustando Hiperparámetros con Python
Qué es y cómo Analizar Datos con la Matriz de Covarianza: Un caso práctico con Python
K-means (o K-medias) para detección de Clusters: Algoritmo e implementación con Python
Qué son y cómo crear Meta-Clasificadores o Meta-Regresores: Bagging en Machine Learning con Python
XGBOOST en 26 minutos (Python en ESPAÑOL)
Matemáticas como nunca las imaginaste | Alessandro Maccarrone, físico y profesor
Correlación de Pearson y cómo crear Mapas de Calor de la Matriz de Correlaciones con Python
Tutorial: LIMPIEZA DE DATOS con Python y Pandas
K-Vecinos Más Cercanos (KNN) para Clasificación con Python
