1 · Manejo de datos sucios
Los datos reales tienen huecos, outliers y desbalance de clases — tres problemas que toda pipeline de ML debe neutralizar antes de model.fit().
●Track 4 · En vivo
EDA y feature engineering
Qué hacer antes de cualquier model.fit() — limpiar, explorar, codificar.
Manejo de valores faltantes, outliers, codificación de categóricas, balanceo con SMOTE y tres EDAs completos (Wine Quality, Flight Price, Google Play Store). Pandas + matplotlib en el navegador.
10 / 12 lecciones3 capítulos
2 · Codificación categórica
One-hot, ordinal, label y target encoding — elige la transformación correcta para variables nominales vs ordinales.
3 · Casos prácticos de EDA
Tres recorridos completos de EDA + feature engineering — calidad de vinos, precios de vuelos, limpieza y exploración de Google Play Store.