Realizar una investigación sobre los siguientes temas:

Normalización de los datos en Machine Learning

[Slide 2: Introducción]

 El proceso de normalización es fundamental en Machine Learning.

 ¿Qué es la normalización de datos?

 ¿Por qué es importante en el aprendizaje automático?

[Slide 3: ¿Qué es la normalización?]

 La normalización es un proceso que ajusta los datos para que estén en una escala común.

 Permite comparar variables con diferentes rangos y distribuciones.

 No altera la forma de los datos, solo su escala.

[Slide 4: Beneficios de la normalización]

 Mejora la convergencia de los algoritmos de aprendizaje automático.

 Evita que variables con rangos más grandes dominen el modelo.

 Ayuda a lidiar con valores atípicos y distribuciones no normales.

 Permite interpretar coeficientes o pesos de manera más justa.

[Slide 5: Métodos de normalización]

1. Normalización de Z-score:

 Transforma los datos para que tengan media cero y desviación estándar uno.

 Adecuado cuando los datos siguen una distribución normal.

2. Normalización de rango:

 Escala los datos al rango [0, 1].

 Calcula el valor de cada punto de datos en función de su posición en el rango total

de datos.

3. Normalización de min-max:

 Escala los datos al rango específico definido por el usuario.

 Utiliza la fórmula: X_norm = (X - X_min) / (X_max - X_min).

[Slide 6: Implementación y ejemplos]

 Utilice bibliotecas como scikit-learn para implementar la normalización.

 Ejemplo de código para cada método de normalización.

[Slide 7: Evaluación del impacto]

 Compare el rendimiento del modelo sin normalización y con normalización.

 Métricas de evaluación: precisión, tiempo de entrenamiento, estabilidad del modelo.

[Slide 8: Resultados y conclusiones]

 Analice los resultados obtenidos.

 ¿Cuál método de normalización funcionó mejor para el conjunto de datos y el algoritmo

utilizado?

 Concluya sobre la importancia de la normalización en ML y proporcione recomendaciones.

[Slide 9: Recomendaciones]

 Normalice los datos antes de aplicar algoritmos de ML.

 Considere la distribución y naturaleza de los datos al elegir un método de normalización.

 Realice experimentos adicionales con otros conjuntos de datos para obtener una visión
más amplia.