Los datos: la materia prima que nadie mira

El chiste del oficio es que el ochenta por ciento del trabajo en machine learning es limpiar datos, y el otro veinte es quejarse de limpiar datos. Es una exageración, pero no mucha. Qué se trabaja acá: · Qué es una fila y qué es una columna en un conjunto de datos: instancia y característica. Sobre esa estructura descansa todo lo demás. · Tipos de dato: numérico, categórico, texto, imagen. Cada uno se prepara distinto y mezclarlos sin criterio es la causa más común de un modelo que no aprende. · Valores faltantes. Qué significa una celda vacía, y por qué rellenarla con el promedio a veces salva el modelo y a veces lo arruina. · Escalas. Si una columna va de 0 a 1 y otra de 0 a 100.000, la segunda domina el modelo sin merecerlo. · De dónde vienen los datos y qué arrastran: si el histórico de contrataciones de una empresa excluía mujeres, el modelo entrenado con él también lo hará. Esto se retoma completo en el módulo 13. El entregable es la exploración de un conjunto de datos real, mirándolo antes de tocarlo.