Hacer analisis de datos para machine learning es super especifico pero muy importante para tener datos de calidad y en cantidad. Estos datos son la base del entrenamiento de nuestros modelos y también cuando queremos hace predicciones tenemos que asegurarnos que los datos estan en un formato correcto para que el modelo lo pueda comprender.

Este es el episodio #2.09 del Podcast de Charlas Técnicas de AWS.

Y hablamos de todas los procesos que le tenemos que hacer a nuestros datos para poder usarlos en modelos de machine learning. Hablamos de herramientas de open source y de AWS.

00:00 - Introducción y recap del episodio anterior
02:14 - Ciencia de datos para machine learning
07:05 - Como sabemos cuantos datos y su calidad?
09:15 - Herramientas para data wrangling Open source
13:30 - Herramientas para data wrangling de AWS
20:27 - Transformaciones sobre binarios 24/24
25:10 - Transformaciones para ML
35:10 - Sagemaker Data Wrangler
39:05 - Etiquetar la información
48:58 - Features store
54:53 - Datos justos y sin sesgo
01:01:35 - En el proximo episodio

🔗 Links mencionados en este episodio:
- Encontrá a Javier Ramirez en las redes: https://twitter.com/supercoco9
- Link a Innovate - https://aws.amazon.com/events/aws-innovate/machine-learning/
- Episodio anterior donde hablamos de Machine learning: https://youtu.be/ej21aS52Nak

✉️ Si quieren escribirnos pueden hacerlo a este correo: podcast-aws-espanol@amazon.com

Podes encontrar el podcast en este link: https://aws-espanol.buzzsprout.com/
O en tu plataforma de podcast favorita

Más información y tutoriales en el canal de youtube de Charlas Técnicas

#foobar #AWSenEspañol

✉️ Si quieren escribirnos pueden hacerlo a este correo: podcast-aws-espanol@amazon.com

Podes encontrar el podcast en este link: https://aws-espanol.buzzsprout.com/
O en tu plataforma de podcast favorita

Más información y tutoriales en el canal de youtube de Charlas Técnicas

#foobar #AWSenEspañol