SAA - Sistemas de Aprendizaje Automático
Introducción
En esta asignatura se ha trabajado la carga, exploración y visualización de datos mediante librerías de Python, enfocándose en la comprensión, análisis y comunicación visual de la información.
El objetivo principal ha sido desarrollar habilidades en el manejo de datasets reales, su representación gráfica y la interpretación de patrones relevantes para la toma de decisiones.
1️. Carga de Datos (Pandas)
Tarea: Cargar archivos
Objetivo:
Asegurar la correcta lectura de los datos, sin errores de formato, usando la librería pandas.
Descripción:
Se visualizó el curso de YouTube “TUTORIAL SEABORN DESDE CERO”, con una duración aproximada de 38 minutos, orientado al uso de Seaborn para mejorar la calidad y personalización de las gráficas en Python.
Enlace al curso:
Tutorial Seaborn desde Cero - Codificando Bits
Aprendizajes clave:
- Creación de gráficos estadísticos con
seaborn. - Personalización de colores, estilos y temas.
- Representación de distribuciones y relaciones entre variables.
- Integración de Seaborn con Matplotlib.
3. Visualización de Datos (Matplotlib y Seaborn)
Generación de Visualizaciones
Ejemplos de visualizaciones:
- Gráfico de barras
- Gráfico de líneas
- Diagrama de dispersión
- Histograma
- Mapa de calor
Resultado
- El gráfico de barras permitió comparar los valores promedio por categoría.
- El diagrama de dispersión ayudó a identificar correlaciones entre variables.
- El mapa de calor reveló relaciones de dependencia y posibles patrones de agrupación.
5️. Análisis y Reflexión sobre la Visualización de Datos
Concepto General
La visualización de datos es la representación gráfica de la información para facilitar la comprensión de grandes volúmenes de datos.
A través de gráficos, tablas y dashboards, se pueden identificar tendencias, patrones y valores atípicos de forma rápida y efectiva.
Aplicación en Big Data
En el contexto de los Big Data, las herramientas de visualización son esenciales para transformar datos complejos en información útil que facilite la toma de decisiones basada en datos.
Ejemplos específicos
| Tipo de visualización | Descripción breve |
|---|---|
| Gráfico de área | Muestra la evolución de una variable a lo largo del tiempo. |
| Gráfico de barras | Compara valores categóricos o cuantitativos. |
| Diagrama de caja y bigotes | Detecta valores atípicos y distribuciones. |
| Mapa de calor | Visualiza correlaciones o densidades en una matriz de datos. |
| Histograma | Muestra la distribución de frecuencias de una variable. |
Conclusiones
- La carga y tratamiento de datos con pandas permite trabajar de forma eficiente con múltiples formatos.
- Las librerías Matplotlib y Seaborn son herramientas clave para explorar y comunicar información visualmente.
- La correcta elección del tipo de gráfico mejora la comprensión de los datos y ayuda en la toma de decisiones.
- La visualización no solo representa los datos, sino que también permite descubrir información oculta y validar hipótesis analíticas.