ZARZA Somos ZARZA, la firma de prestigio que esta detras de los grandes proyectos en tecnología de la información.
Escuchar "14. Etapas de un proyecto de Machine Learning: Los datos"
Síntesis del Episodio
📝 Podéis encontrar las notas del programa completas en https://datos.ninja/podcast/14-etapas-proyecto-machine-learning-parte-2/
En el episodio de hoy de Un Podcast Ninja sobre Big Data seguimos con la saga de episodios dedicados a las etapas de un proyecto de Machine Learning. Vamos a tratar la parte más importante: los datos.
La disponibilidad de los datos suele ser la parte más limitante cuando queremos resolver un problema mediante Machine Learning.
Por eso, una de las averiguaciones más importantes que tenemos que hacer es saber qué datos tendremos disponibles tanto para entrenar nuestro modelo de Machine Learning como para utilizarlo.
Tiene que ser datos representativos. Es decir, reflejan con exactitud el entorno que estamos modelando.
Los datos tienen que ser consistentes.
Deberían proceder de fuentes fiables y estar disponibles.
Los datos deberían ser abundantes. Cuantos más ejemplos mostremos a nuestro modelo de Machine Learning mejor.
El siguiente paso en el camino para construir un dataset sería etiquetar los datos. Dependiendo del caso de uso y los recursos de los que dispongamos tendremos las siguientes opciones:
Etiquetarlos nosotros mismos.
Contratar a alguien para que lo haga por nosotros. Existen empresas que se dedican exclusivamente al etiquetado de datos.
Utilizar Mechanical Turk, una plataforma de Amazon que pone en contacto a gente que quiere etiquetar datos con gente dispuesta a hacerlo por un módico precio.
Una vez recogidos y etiquetados, una buena práctica es familiarizarnos con ellos antes de comenzar con el entrenamiento del modelo de Machine Learning. Esto nos ayudará a reconocer errores que puedan surgir en nuestros resultados.
Y recordad que si disponéis de tiempo extra para vuestro proyecto de Machine Learning tal vez sea más efectivo dedicarlas a recoger más datos que a tunear el modelo que habéis entrenado.
Espero que el episodio os sea de provecho 😊
Si es así, no olvidéis dejar un «Me gusta» y algún comentario al episodio en Ivoox o una valoración de 5 estrellas del podcast en Apple podcasts, en Spotify, en Google podcasts o donde quiera que escuchéis el podcast.
Recordad que si tenéis cualquier duda o pregunta podéis contactar conmigo a través del formulario de contacto o podemos seguir la conversación en Twitter.
Muchas gracias por estar ahí y os espero en el próximo episodio de Un Podcast Ninja sobre Big Data.
En el episodio de hoy de Un Podcast Ninja sobre Big Data seguimos con la saga de episodios dedicados a las etapas de un proyecto de Machine Learning. Vamos a tratar la parte más importante: los datos.
La disponibilidad de los datos suele ser la parte más limitante cuando queremos resolver un problema mediante Machine Learning.
Por eso, una de las averiguaciones más importantes que tenemos que hacer es saber qué datos tendremos disponibles tanto para entrenar nuestro modelo de Machine Learning como para utilizarlo.
Tiene que ser datos representativos. Es decir, reflejan con exactitud el entorno que estamos modelando.
Los datos tienen que ser consistentes.
Deberían proceder de fuentes fiables y estar disponibles.
Los datos deberían ser abundantes. Cuantos más ejemplos mostremos a nuestro modelo de Machine Learning mejor.
El siguiente paso en el camino para construir un dataset sería etiquetar los datos. Dependiendo del caso de uso y los recursos de los que dispongamos tendremos las siguientes opciones:
Etiquetarlos nosotros mismos.
Contratar a alguien para que lo haga por nosotros. Existen empresas que se dedican exclusivamente al etiquetado de datos.
Utilizar Mechanical Turk, una plataforma de Amazon que pone en contacto a gente que quiere etiquetar datos con gente dispuesta a hacerlo por un módico precio.
Una vez recogidos y etiquetados, una buena práctica es familiarizarnos con ellos antes de comenzar con el entrenamiento del modelo de Machine Learning. Esto nos ayudará a reconocer errores que puedan surgir en nuestros resultados.
Y recordad que si disponéis de tiempo extra para vuestro proyecto de Machine Learning tal vez sea más efectivo dedicarlas a recoger más datos que a tunear el modelo que habéis entrenado.
Espero que el episodio os sea de provecho 😊
Si es así, no olvidéis dejar un «Me gusta» y algún comentario al episodio en Ivoox o una valoración de 5 estrellas del podcast en Apple podcasts, en Spotify, en Google podcasts o donde quiera que escuchéis el podcast.
Recordad que si tenéis cualquier duda o pregunta podéis contactar conmigo a través del formulario de contacto o podemos seguir la conversación en Twitter.
Muchas gracias por estar ahí y os espero en el próximo episodio de Un Podcast Ninja sobre Big Data.
Más episodios del podcast Big Data e Inteligencia Artificial
104. ¿Qué significa REALMENTE data-driven?
08/10/2025
103. ¿Qué hace un analista de datos?
26/09/2025
102. Los datos no valen nada sin ESTO
10/09/2025
101. La amenaza fantasma (3 años después)
20/08/2025
100. ¿Y ahora qué?
18/12/2024
96. Modelos de Machine Learning que caducan
20/11/2024