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 anterior02:14 - Ciencia de datos para machine learning07:05 - Como sabemos cuantos datos y su calidad?09:15 - Herramientas para data wrangling Open source13:30 - Herramientas para data wrangling de AWS20:27 - Transformaciones sobre binarios 24/24 25:10 - Transformaciones para ML35:10 - Sagemaker Data Wrangler39:05 - Etiquetar la información48:58 - Features store54:53 - Datos justos y sin sesgo01:01:35 - 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.comPodes encontrar el podcast en este link: https://aws-espanol.buzzsprout.com/O en tu plataforma de podcast favoritaMás información y tutoriales en el canal de youtube de Charlas Técnicas#foobar #AWSenEspañol