Información administrativa
| Título | Preparación y Exploración de Datos |
| Duración | 60 |
| Módulo | A |
| Tipo de lección | Conferencia |
| Enfoque | Práctico — Modelado de IA |
| Tema | Métodos de preparación de datos |
Keywords
Preparación de datos, Limpieza de datos, Transformación de datos, Normalización de datos, Integración de datos, Reducción de datos,
Objetivos de aprendizaje
- Para poder elegir el método de preparación de datos más adecuado según el caso
- preparar datos en la práctica (manejar los valores faltantes, crear nuevas características derivadas)
- Enriquecimiento de datos
- Ética: anonimización y problemas con esto (identificación posible de manera indirecta) — de nuevo, debería haber algunos ejemplos por ahí
- Imputación — mencione que puede introducir sesgos y que esto debe tenerse en cuenta
- Nueva creación de características — pérdida de la semántica adecuada
- Ética: eliminar el sesgo del conjunto de datos
- Paralelismos y diferencias entre el muestreo de datos en estadísticas y la adquisición de datos (incluidos los macrodatos) para ML e IA
Preparación prevista
Eventos de aprendizaje que se completarán antes
Obligatorio para los estudiantes
- N/A
Opcional para estudiantes
- N/A
Referencias y antecedentes para estudiantes
- N/A
Recomendado para profesores
Material didáctico
Instrucciones para profesores
Puedes basar esta clase alrededor de las diapositivas.
Esquema
| Duración (min) | Descripción | Conceptos | |
|---|---|---|---|
| 5 | Esquema | Métodos de preparación de datos: ¿cuál es el punto? | |
| 5 | Problemas/Preprocesamiento | ¿Qué problemas pueden tener los datos, limpieza, purificación? | |
| 5 | Preparación de datos | Limpieza, transformación, integración, normalización, imputación, identificación de ruidos | |
| 5 | Preparación de datos en detalle | Formas de preparación de datos | |
| 10 | Limpieza de datos en detalle | Corregir o eliminar datos incorrectos, dañados, formateados incorrectamente, duplicados o incompletos dentro de un conjunto de datos | |
| 10 | Transformación de datos en detalle | Conversión de datos de un formato a otro, mejores prácticas. | |
| 5 | Normalización de los datos en detalle | Mejores prácticas de normalización de datos. | |
| 5 | Integración de datos en detalle | Mejores prácticas de integración de datos. | |
| 5 | Reducción de datos en detalle | Mejores prácticas de reducción de datos. | |
| 10 | Preparación de datos en la práctica | Filtrado, valores faltantes, duplicados, | |
| 5 | Observaciones finales | Subrayando la importancia de la preparación de datos. |
Reconocimientos
El programa de maestría en IA centrada en el ser humano fue cofinanciado por el Mecanismo «Conectar Europa» de la Unión Europea en virtud de la subvención «CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068».