⭐ De la co-fundadora de Código Máquina, productos de cosmética natural SINHAKI: www.amazon.com.mx/stores/sinHaki/page/1BD34FBC-C0F9-44F5-AC69-520634334C61?ref_=ast_bln
@placebojunior9779 Жыл бұрын
Tu tutorial es sinceramente largo, e intensivo. Pero lo excelente cuesta, voy apostar por tu curso es matematica pura y python que mejor coctel me sucribo a tu canal quiero ver mas.
@CodigoMaquina14 күн бұрын
Muchas gracias por tus comentarios :)
@DIEGOGERMANGUERREROMORENO2 ай бұрын
Un profesor Espectacular, no deja nada a barca todo el tema, gracias por este curso tan excelente, lo hacer ver fácil. Un gran saludo y felicitaciones desde Bogotá Colombia
@kykexo Жыл бұрын
Lo explicó mucho mejor que el profesor del curso que estoy tomando.
@CodigoMaquina Жыл бұрын
Muchas gracias por interactuar con el contenido del canal.
@diegocheloni6 ай бұрын
Explica bien. Solo que habla que tenemos que quitar outliers. Pero hay casos particulares donde estamos buscando esos outliers. Buen canal
@jannetdavalos5 ай бұрын
Coincido plenamente. Muchas gracias por compartir sus conocimientos.
@jesusmanuelnietocarracedo970126 күн бұрын
Pues otro vídeo magistral, MUCHAS GRACIAS POR EL CURRAZO!!
@victordeltoro14952 жыл бұрын
Es el mejor canal que he encontrado sobre estas temàticas. Te orienta de manera adecuada en el aprendizaje
@CodigoMaquina2 жыл бұрын
En verdad te agradezco tus comentarios :)
@CRISTIANGONZALEZ-vu8gw Жыл бұрын
El mejor canal que he encontrado para aprender ciencia de datos, felicidades, tienes un excelente contenido! enseñas mejor que lo que enseñan en universidades! saludos!
@CodigoMaquina Жыл бұрын
@CRISTIANGONZALEZ-vu8gw muchas gracias por tus palabras :)
@Gustavo-rb6df Жыл бұрын
Eres un genio, enseñas muy bien y tocas temas muy específicos y avanzados de ciencia de datos.
@CodigoMaquina Жыл бұрын
Eres muy amable Gustavo, es un verdadero gusto saber que los videos son de tu agrado :)
@miguelg8a Жыл бұрын
Amigo, este es el mejor canal que he visto sobre ciencia de datos, 👏gracias por compartir este conocimiento y hacerlo de forma muy entendible. Me suscribo y compartiré este canal para que otros lo vean
@CodigoMaquina Жыл бұрын
Miguel muchas gracias por tus comentarios y por el gran apoyo. Gracias a ustedes podemos llegar a más personas.
@rafita930 Жыл бұрын
x2
@marycruzmezarivas9048 Жыл бұрын
Hola acabo de descubrir este canal, y realmente sigo muchos pero me quedo aquí con tus explicaciones claras y conceptos precisos. Muchas gracias por lo que haces y felicitaciones
@CodigoMaquina Жыл бұрын
Muchas gracias por tomarte el tiempo de comentar Mary Cruz. Me alegra saber que el contenido es de tu interés. Saludos!!
@brayandanielcardenascardon38844 ай бұрын
Cracksaso, explicaste lo que casi nadie explica para poder entender ML
@GustavoAAltamirano Жыл бұрын
👋Octavio, muy claros los conceptos! felicitaciones!, me gusto mucho tu concepto de apachurrar los datos (jajaja), ya estoy esperando el próximo video con la guía (practica) de cómo mejorar los datos pasando por las diferentes técnicas de escalamiento, normalización y estandarización... (Mientras espero me doy una vuelta por tu tienda)... un saludo!
@CodigoMaquina Жыл бұрын
Muchas gracias Gustavo. La mejor de las suertes en la vida :)
@alfonsoramos91202 жыл бұрын
Excelente explicación, me ayudó muy bien a entender el contexto de la normalización de datos. Gracias y saludos.
@CodigoMaquina2 жыл бұрын
Gracias por tus comentarios y por ver el canal :)
@antoniosuarezvaldes9373 Жыл бұрын
Un canal académico y sistemático. Muchas Gracias por su aportación
@CodigoMaquina Жыл бұрын
Muy agradecido por tus comentarios. Saludos Antonio!!
@lilivalenciagonzalez94562 жыл бұрын
Apenas me estoy iniciando en el mundo de análisis de datos y ML. Viendo tus videos he aprendido un montón y aclarado muchas dudas. Muchas gracias por compartir tu conocimiento
@CodigoMaquina2 жыл бұрын
Muchas gracias por ver el canal y por los comentarios. Hacemos este contenido para personas como tú: con ganas de aprender :)
@boasorte6808 Жыл бұрын
Este video es oro puro. Tremendisimas gracias, mega suscrito y agradecido. Saludos.
@CodigoMaquina Жыл бұрын
Muy agradecido por tus comentarios y por suscribirte al canal. Saludos!!
@rockophill3934 Жыл бұрын
Excelente Maestro Octavio, muy claro. Gracias!
@CodigoMaquina Жыл бұрын
A la orden Rocko. Saludos!!
@francopes99112 жыл бұрын
Es una joya este canal. Muchas gracias por tus videos!!
@CodigoMaquina2 жыл бұрын
En verdad que agradecemos tus palabras.
@sebastianherreragil44912 ай бұрын
Muchas gracias maestro!
@rossisilvablas1646 Жыл бұрын
Entendí mucho más con la comparación en los gráficos, muchísimas gracias 😊
@CodigoMaquina Жыл бұрын
@rossisilvablas1646 gracias por seguir el contenido del canal y por interactuar :)
@andersonarrieta4462 жыл бұрын
Muy buena explicación, excelente tu forma de hacerte entender. Gracias por compartir tus conocimientos. Saludos
@CodigoMaquina2 жыл бұрын
Gracias por tus comentarios. Comentando y viendo el canal nos ayudas mucho a llegar a más personas ¡Muchas Gracias!
@danielrojas48426 ай бұрын
Genial explicación, mucho mejor a los profesores del curso en el qie estoy
@alberthpinco35436 ай бұрын
Excelente contenido, muchas gracias!!
@alejandroroag Жыл бұрын
Muchas gracias, una forma de explicar muy clara.
@CodigoMaquina Жыл бұрын
Agradezco tus comentarios Alejandro 😊
@albaandrademorales2930 Жыл бұрын
Excelente explicación, mis felicitaciones y agradecimientos.
@CodigoMaquina Жыл бұрын
@albaandrademorales2930 muchas gracias :)
@diegosotochavez10672 жыл бұрын
Muchas gracias amigo! tus videos son geniales, muy claros y prácticos!
@CodigoMaquina2 жыл бұрын
Gracias por tus comentarios. Mientras tengamos tiempo y salud, seguiremos haciendo videos educativos :)
@marianovila5077 Жыл бұрын
Muchas gracias por compartir, excelente los videos, ya suscripto claro. saludos!
@CodigoMaquina Жыл бұрын
Muchas gracias Mariano!!!
@HPenarandaBello Жыл бұрын
¡Excelente explicación! Felicitaciones.
@CodigoMaquina Жыл бұрын
Muchas gracias @HPenarandaBello
@alcidesteranvelasquez854814 күн бұрын
Muy bueno,
@CodigoMaquina13 күн бұрын
Gracias!!!
@ivanflorez21503 ай бұрын
¡Crack!, muchas gracias por tus videos y explicaciones
@rafita930 Жыл бұрын
esta muy buena la informacion felicidades y gracias por compartir.
@CodigoMaquina Жыл бұрын
Muchas gracias por tus comentarios :)
@Neurofilia Жыл бұрын
Qué genial explicación. Gracias infinitas :)
@CodigoMaquina Жыл бұрын
Muchas gracias, igual, infinitas :)
@edwintoapanta19756 ай бұрын
Muy buena explicacion, tegno una interrogante que mas recomendable eliminar datos atipicos y luego normalizar o viceversa. O que criteria se debe ocupar uno o el otro. Gracias
@freddyBerrospi078 ай бұрын
Excelente aporte, podrías realizar un video donde explicas como funciona el escalador "MaxAbsScaler"
@CodigoMaquina7 ай бұрын
Hola @freddyyelsinberrospialvara6497 gracias por la sugerencia (vamos tomando nota) y por seguir el contenido del canal. ¡¡¡Feliz año!!!
@emilianoivan945 Жыл бұрын
Eres el mejoooooor
@CodigoMaquina Жыл бұрын
¡¡¡Muchas gracias!!!
@0DaviL Жыл бұрын
Explicas realmente genial.
@CodigoMaquina Жыл бұрын
Muchas gracias :)
@ingluissantana Жыл бұрын
Que genial este video!!!!! Gracias!!!!
@CodigoMaquina Жыл бұрын
¡Muchas gracias Luis! ¡Feliz Año!
@gabrielduenascatalan88362 жыл бұрын
Muchas gracias, profesor!
@CodigoMaquina2 жыл бұрын
Es un placer :)
@brauliopina7612 Жыл бұрын
the best teacher
@CodigoMaquina Жыл бұрын
Braulio muchas gracias por tanto apoyo que me has brindado
@manueldenis7302 жыл бұрын
Este ha sido un vídeo magistral que me ayudó a entender de modo más claro estos conceptos. En mi opinión si tuviera que elegir entre estos métodos de normalización, escogería la técnica que mencionas al final aplicar primero un robusto y luego un mix-max, el primero excluye los valores atípico y el segundo distribuye los datos de forma más elegante. Pero me quedo con una duda y te agradecería en gran medida si me ayudaras a aclararlos. Si aplicara la técnica de robusto y mix-max, cómo podría aplicar la inversa para obtener los datos reales. Por ejemplo si aplicara esta técnica a una serie temporal, en ese formato no me serviría para luego predecir la serie después de haber entrenado el modelo? 🤷🏻♂️. Muchas gracias por los vídeos, excelentes. 👍🏻
@CodigoMaquina2 жыл бұрын
Gracias por tus comentarios. Con respecto a tus preguntas. Primero, estas técnicas efectivamente también se usan en series de tiempo. Segundo, el tratamiento de outliers puede llegar a ser delicado y en algunas ocasiones se hace un tratamiento separado de los outliers, por ejemplo, échale un ojo a la técnica de iForest que ya explicamos en el canal (kzfaq.info/get/bejne/pJiAo6do3dS0n4E.html). Tercero, para "aplicar la inversa" hay un método de los escaladores que casi casi se llama así: inverse_transform(). Gracias por las preguntas :)
@amadodejesusvazquezacuna56442 жыл бұрын
Excelente explicación maestro despeje unas dudas que tenía sobre la escala robusta y también quiera anexar que la transformación logarítmica puede minimizar el efecto distorsionador de los datos atípicos. Hay algunos algoritmos que requieren una estandarizado o un recalado como es el caso de los modelos que están basados en árboles de decisiones ya que utilizan series de desigualdades.
@CodigoMaquina2 жыл бұрын
Muchas gracias por tus comentarios y por tus aportaciones :)
@alexvillao38272 жыл бұрын
Muy buena explicación maestro.
@CodigoMaquina2 жыл бұрын
Muchas gracias por tu comentario y por ver el canal :)
@diegocardoso30152 жыл бұрын
Gracias
@CodigoMaquina2 жыл бұрын
Gracias por seguir el contenido del canal :)
@pablogongora5128 Жыл бұрын
Que gran contenido, saludos.
@CodigoMaquina Жыл бұрын
Muchas gracias Pablo :)
@josedejesusgarciaestrada84582 жыл бұрын
muy buen video
@CodigoMaquina2 жыл бұрын
¡Gracias!
@elkiparionarojas9206 Жыл бұрын
gracias!!!
@CodigoMaquina Жыл бұрын
A la orden Elki. Saludos!!
@user-mw9qx6mm2z7 ай бұрын
Que buen video. La verdad. Felicidades.
@davidbodesa4062 Жыл бұрын
Excelente explicación, muchas gracias, era justo lo que estaba buscando y despejó mis dudas. Me surgió una nueva sobre algo que comentas, al dar el ejemplo en 14:16, dices que si el salario más alto fuera $25,000, entonces el 0.5 sería $12,500 pero eso dependería de tu dato mínimo, ¿no? Es decir, si el dato mínimo fuera de $9,000 entonces tenemos un intervalo de $16,000, y el 0.5 tendría que estar en medio de ambas, o sea, $8,000 por encima del mínimo, que sería $17,000, ¿es esto correcto?
@CodigoMaquina Жыл бұрын
Estimado David. Tienes razón, muy a la ligera en el minuto 14:16 asumí un salario mínimo de 0 pesos. Ciertamente, está en función de un dato mínimo, un poco antes, en el minuto 13:08,, ahí sí lo expliqué bien. Gracias por la observación :)
@Luk17a54 ай бұрын
Excelente como siempre sus videos! Una consulta... Se aconseja estandarizar fractures en modelos de regresión lineal simple o múltiple??
@mauriciodiaz74675 ай бұрын
Buen video
@salvadornunez232 жыл бұрын
muy buenos tus videos, podrias hacer un video explicando bootstrapping para validar modelos ?.
@CodigoMaquina2 жыл бұрын
Muchas gracias por tus comentarios y por tu sugerencia. Ya está anotada en la lista de videos por hacer :)
@9444092 жыл бұрын
muy buena explicación
@CodigoMaquina2 жыл бұрын
¡¡¡Muchas gracias!!!
@patojp33632 жыл бұрын
Excelente 💪👏👏👏👏👏
@CodigoMaquina2 жыл бұрын
Muchas gracias por tu comentario y feliz año :)
@metalhead633 ай бұрын
Qué tal estimado, no encuentro los códigos para llevar a la práctica lo visto en el video, qué nombre llevan? saludos y gracias por tomarte el tiempo de enseñarnos.
@motivcion777 Жыл бұрын
Excelente 👌
@CodigoMaquina Жыл бұрын
Muchas gracias :)
@AlexRodriguez-go5pf Жыл бұрын
Excelente forma de explicar con un ejemplo sencillo!! Tenía una duda, quiero imputar datos faltantes, crees que antes debería escalar los datos o los debería hacer después? Saludos!
@CodigoMaquina Жыл бұрын
Muchas Gracias por tu comentarios y por tu pregunta. Ejecutar primero la imputación y después de la estandarización/escalamiento o al revés, es todo un tema de discusión y está sujeto a la técnicas que se utilicen. En general, yo sugiero hacer primero la imputación y después el escalamiento/estandarización dado que las técnicas escalamiento/estandarización no están hechas para trabajar con valores faltantes. Sin embargo, imputación con KNN podría requerir primero escalar/estandarizar y después hacer la imputación.
@yordanxsherman16 күн бұрын
bro que lista puedo tomar para iniciar desde cero
@marlondavidarangoabella19422 жыл бұрын
Muchas gracias por tus explicaicones. la pregunta en este caso es la siguinte: cuando se tienen dataframe con muchas más variables , se debe normalizar todo el dataframe o se debe analizar el contenido de cada variable, por ejemplo fechas o variables de tipo binomial ?
@CodigoMaquina2 жыл бұрын
Normalmente la estandarización/estandarización/escalamiento se realiza solo con variables numéricas para alcanzar múltiples propósitos, por ejemplo homogeneizar, quitar outliers y/o debido a suposiciones que realizan ciertas técnicas de machine learning. Entonces, si una variable sigue cualquier otra distribución tendría que estandarizarse si la técnica de machine learning a utilizar trabaja bajo la suposición de que las variables siguen una distribución normal. Para el caso de las fechas, habría que ver el contexto. Si es un contexto de series de tiempo. no se modificarían y se utilizarán como índice y/o información contextual, y no explícitamente como entrada a la técnica de machine learning o de pronóstico de series de tiempo. Si no hay temporalidad asociada a las fechas (lo cual sería un poco raro pero en algunos casos sí podría suceder) y tienes pocas fechas, entonces habría que hacer una conversión numérica de las fechas como si fuera una variable categórica. En fin, hay muchas opciones y todas ellas dependen enteramente del contexto asociado a los datos. Espero mis comentarios ayuden un poco. Gracias por interactuar y por ver el canal :)
@enaiza Жыл бұрын
Demasiado claro... muchas gracias. Profe, esta transformación de los datos para efectos de aplicar procesos de ML, se revierte al finalizar el proceso? Lo pregunto pensando en sacar conclusiones a partir de gráficos cuyos valores ya no corresponden con denominaciones comunes como la edad y el salario. Muchas gracias
@CodigoMaquina Жыл бұрын
Gracias por tus comentarios y por la pregunta. Efectivamente, al momento de interpretar el resultado de un modelo se realiza una transformación a la inversa. De hecho, los escaladores, normalizadores y estandarizadores de sklearn tienen un método llamado inverse_transform() para tal propósito
@109553567 ай бұрын
Excelente!
@Bryanrojasruiz Жыл бұрын
gracias por el video, tengo una consulta: aplico estandarizacion robusta para mis variables cuantitativas principales que tienen una CORRELACION NO LINEAL. ?
@CodigoMaquina Жыл бұрын
Gracias por tu comentario y por tu pregunta. En general, la estandarización y el escalamiento se aplican a todas las variables cuantitativas. Ya sea antes o después, se puede explora si tienes variables altamente correlacionadas, lo cual podría derivar en la eliminación de alguna de ellas. Ojalá la respuesta sea de utilidad :)
@danielc.s.83994 ай бұрын
Solo queria hacer una correccion, el RobustScaler esta mal la formula, es (X-mediana(X))/Rangointercuatilico, no me dío la formula que tienes tu ahi 15:22, no se calcula con desviacion estandar aunque pueda ser muy cercano a 1, el iqr = 1 despues del escalamiento, ese es el que quiere hacer 1 y la mediana = 0
@waltersantiagocoronadobudi24692 жыл бұрын
Una consulta, a que te refieres cuando mencionas los out layers?, de antemano buena explicacion de este tema, otros canakes solo enseñan como usarlo y no explican el contexto
@CodigoMaquina2 жыл бұрын
Los Outliers son datos atípicos o anómalos dentro de un conjunto de datos. Por ejemplo, la persona más rica del mundo es un dato atípico. Esa persona es muchísimo más rica que la gran mayoría. Tenemos un video que justo explica ese concepto utilizando diagramas de caja en caso de que desees verlo: kzfaq.info/get/bejne/rdmWiZdytJ65dqs.html
@jeanfabraruiz7994 Жыл бұрын
¿Se debería normalizar las columnas específicas que tengan altas varianzas o todo el dataframe?
@CodigoMaquina Жыл бұрын
Gracias por la pregunta. Es práctica común estandarizar/escalar todas las columnas independientemente de la varianza.
@victormanueljimenezguido23536 ай бұрын
Como puedo acceder a esos datasets
@marlymargaritacadenamedina25702 ай бұрын
Profe algun libro que me recomiendes?
@antonellars22 Жыл бұрын
Buenas, estoy haciendo el curso de maching learning, y me gustaría saber en que orden podría empezar a ver tus videos? ¿La lista que tienes de Ciencia de Datos está ordenada ?
@CodigoMaquina Жыл бұрын
Muchas gracias por ver nuestros videos y por interactuar con el contenido. Te comento que las listas de reproducción sí tienen cierto orden, sin embargo, su propósito está más asociado a agrupar contenido. Por ejemplo, para trabajar en machine learning con python, es necesario conocer sobre numpy y pandas que no son exclusivos de machine learning, y por tal razón, esos temas no están incluidos en esa playlist. Aunque debo mencionar que en el canal también tenemos listas de reproducción sobres Pandas y Numpy. Entonces, mi sugerencia es que entres a la página del canal y sigas el orden de subida de los videos brincándote aquellos temas que ya sean familiares para ti.
@davidcopperfield21497 ай бұрын
Tengo una duda porque es importante pasar los datos categóricos a datos numéricos. ¿Puede haber en un dataframe normalizados datos categóricos?
@darwingodoy16537 ай бұрын
La mayoria de modelos de machine learning trabajan con datos numericos, si no deseas hacer ML no es necesario trasformar los datos.
@BrownieData10 ай бұрын
Necesito ayuda, necesito hacer una normalizacion de un base de datos de excel pero esta una columna que abarca 7 columnas es decir arriba de las columna t1,t2,t3,t4,6 meses, 9 meses , anual y nos encargaron hacer preprocesamiento para hacer la normalizacion pero no se por donde empezar😢
@BrownieData10 ай бұрын
Son muchos datos desde el año 1980 hasta el 2022
@CodigoMaquina7 ай бұрын
@BrownieData espero hayas logrado culminar tu proyecto con éxito. Lo mejor para este nuevo año!!!
@Lucas-kh2wm Жыл бұрын
como desnormalizamos en cada uno de ellos?
@CodigoMaquina Жыл бұрын
Lucas gracias por la pregunta. Con respecto a ella, las mismas clases de MinMaxScaler y StandardScaler tienen un método llamado inverse_transform() que justo realiza la transformación inversa de los valores. Gracias por seguir el contenido del canal :)
@Lucas-kh2wm Жыл бұрын
@@CodigoMaquina gracias, en caso de un normalize ??
@brayanisaiperezvalenzuela8435 Жыл бұрын
cuando convierto los valores de numpy a dataframe me pone error datos_normalizer=pd.DataFrame([datos_normalizer],columns=["PM2.5","PM10","CO","C02","TEMP","HUM"]) /usr/local/lib/python3.9/dist-packages/pandas/core/internals/construction.py in _prep_ndarray(values, copy) 553 values = values.reshape((values.shape[0], 1)) 554 elif values.ndim != 2: --> 555 raise ValueError(f"Must pass 2-d input. shape={values.shape}") 556 557 return values ValueError: Must pass 2-d input. shape=(1, 8000, 11)
@CodigoMaquina Жыл бұрын
Brayan, gracias por la pregunta. Con el contexto brindado, no alcanzo a ver cuál podría ser el error. Espero que ya se haya solucionado el problema. Gracias por seguir el contenido del canal.