Ingeniería de Características

Name: Ingeniería de Características
Price: 39 USD
Availability: InStock

56 lessons · 21 h 16 min total · Published on July 28, 2026

Tus modelos no mejoran cambiando de algoritmo, mejoran cambiando los datos que les das. Aprende a codificar variables categóricas, escalar, imputar faltantes y crear características derivadas — todo dentro de Pipelines y ColumnTransformer de scikit-learn, sin fugas de datos. Cierra construyendo un pipeline de features completo, reproducible y listo para producción.

scikit-learn feature-engineering pipelines machine-learning python

By the end you will…

Al terminar sabrás construir un pipeline de preprocesamiento completo con Pipeline y ColumnTransformer que se ajusta solo con datos de entrenamiento y se aplica sin fugas al conjunto de prueba.
Al terminar sabrás elegir con criterio la codificación, el escalado y la imputación adecuados según el tipo de variable, su cardinalidad y el modelo que vas a usar.
Al terminar sabrás crear características derivadas (interacciones, agregaciones, fechas, texto) y comprobar con validación cruzada si realmente mejoran el modelo.
Al terminar sabrás detectar y evitar la fuga de datos (data leakage), el error más costoso y más común al preparar características.
Al terminar sabrás empaquetar y guardar tu pipeline entrenado para reutilizarlo sobre datos nuevos con una sola llamada.

What you'll learn

Diagnosticar qué le falta a tus datos antes de entrenar: tipos de variable, faltantes, escalas y cardinalidad

Codificar variables categóricas (one-hot, ordinal, target encoding) eligiendo la técnica correcta según el modelo y la cardinalidad

Escalar y transformar variables numéricas (StandardScaler, MinMax, RobustScaler, log, Yeo-Johnson) y saber cuándo cada una importa

Imputar valores faltantes con estrategias simples y avanzadas (SimpleImputer, KNNImputer, indicadores de faltante) sin inventar información

Crear características derivadas útiles: interacciones, agregaciones, fechas, texto y binning

Encapsular todo en Pipeline y ColumnTransformer para evitar fugas de datos y hacer el preprocesamiento reproducible

Seleccionar características y medir si una feature nueva realmente aporta

Construir y persistir un pipeline de features de extremo a extremo sobre un caso realista

Course content

56

16 modules· 21 h 16 min total8 readings

Explore

Courses

This course includes

21 h 16 min of content
56 lessons
Interactive notebooks in your browser
Intermediate level
Completion record upon course completion
16 módulos con teoría aplicada y práctica constante
Notebooks ejecutables en el navegador, sin instalar nada
Ejercicios calificados con pistas graduadas y solución de referencia
Diagramas del flujo de datos y gráficas interactivas para explorar transformaciones
Tarjetas de repaso espaciado para fijar el vocabulario clave
Un proyecto final: pipeline de características completo sobre un caso real
Guía para llevar tu pipeline a tu propia máquina

Worth knowing first

Courses and skills worth covering first to get the most out of this one (a suggestion, not a requirement).

What you'll learn

By completing this course you'll have worked on these skills:

Advances these routes

This course is part of broader learning paths.

Ingeniería de Características

By the end you will…

What you'll learn

Course content

Worth knowing first

What you'll learn

Advances these routes

Similar content

Optimización de Hiperparámetros

Leer, revisar y depurar código (generado por IA)

Introducción a Ciencia de Datos