Preprocesamiento de Datos en Inteligencia Artificial

Antes de entrenar un modelo de Inteligencia Artificial, los datos deben prepararse. El preprocesamiento es una de las etapas más importantes del Machine Learning: limpia, transforma y organiza los datos para que el modelo pueda aprender correctamente.

1. Qué es el preprocesamiento

El preprocesamiento consiste en preparar los datos para que un modelo pueda aprender. Si los datos están sucios, incompletos o mal formateados, el modelo fallará.

• Eliminar errores
• Completar valores faltantes
• Transformar datos
• Normalizar escalas
• Codificar categorías

2. Limpieza de datos

La limpieza elimina información incorrecta o irrelevante.

• Duplicados
• Errores tipográficos
• Valores imposibles (edad = -5)
• Filas incompletas

# Ejemplo conceptual
datos = ["Ana", "Luis", "Luis"]  # duplicado
datos_limpios = list(set(datos))

3. Tratamiento de valores faltantes

Los valores faltantes son comunes en datasets reales. Se pueden eliminar o reemplazar.

• Eliminar filas: si faltan muchos datos.
• Imputar valores: reemplazar con media, mediana o moda.

# Ejemplo conceptual
edad = [23, None, 45]
edad_imputada = [23, 34, 45]  # reemplazo con media

4. Normalización y estandarización

Los modelos aprenden mejor cuando los datos están en escalas similares. Por eso se normalizan o estandarizan.

• Normalización: valores entre 0 y 1.
• Estandarización: media 0 y desviación estándar 1.

# Ejemplo conceptual
valores = [10, 20, 30]
normalizados = [0.0, 0.5, 1.0]

5. Codificación de datos categóricos

Los modelos no entienden texto, solo números. Por eso las categorías deben convertirse en valores numéricos.

• Label Encoding: cada categoría recibe un número.
• One‑Hot Encoding: columnas binarias por categoría.

# Ejemplo conceptual
ciudades = ["Madrid", "Sevilla", "Madrid"]
codificado = [0, 1, 0]  # Label Encoding

6. Ejercicios

# pista limpieza
"Duplicados, errores, valores imposibles."

# pista codificación
"Madrid=0, Sevilla=1, Málaga=2"

7. Mini‑proyecto: Preprocesa tu dataset

Usa el dataset que creaste en la guía anterior y:

• Limpia duplicados
• Imputa valores faltantes
• Normaliza la columna de edad
• Codifica la columna de ciudad

Este dataset preprocesado será la base para entrenar tu primer modelo en las próximas guías.

Siguiente guía