A mitad del proyecto tenéis que hacer una demo interna para enseñarle al product owner cómo habéis limpiado los datos, qué conclusiones preliminares salieron del EDA, y los hipótesis que os habéis planteado. No hace falta preparar un powerpoint.
[ ] Haced un EDA datos:
homogenizar columnas: minúsculas. X
días de la semana (qué hacer con ella, sigue numérica o cambia), crear dos columnas una con numérica y otra categórica para días de la semana. P
Estaciones, hay que limpiar, reasignar según corresponde para Washington que está en el hemisferio norte. G
Transformación de fecha a datetime.
Detección y transformación de Outliers en casual, velocidad del viento, humedad M
[ ] EDA machine learning: Condiciones de la muestra: (Normalidad, Homogeneidad, Asimetría)
Normalidad
Homogeneidad de varianzas
Asimetría
[ ] Formulad preguntas sobre estos datos que pueden merecer la pena investigar:
[ ] Conclusiones preliminares del EDA: Interdependencia, Covarianza, Correlación
A mitad del proyecto tenéis que hacer una demo interna para enseñarle al product owner cómo habéis limpiado los datos, qué conclusiones preliminares salieron del EDA, y los hipótesis que os habéis planteado. No hace falta preparar un powerpoint.
[ ] Haced un EDA datos:
homogenizar columnas: minúsculas. X
días de la semana (qué hacer con ella, sigue numérica o cambia), crear dos columnas una con numérica y otra categórica para días de la semana. P
Estaciones, hay que limpiar, reasignar según corresponde para Washington que está en el hemisferio norte. G
Detección y transformación de Outliers en casual, velocidad del viento, humedad M
[ ] EDA machine learning: Condiciones de la muestra: (Normalidad, Homogeneidad, Asimetría)
Normalidad
Homogeneidad de varianzas
Asimetría
[ ] Formulad preguntas sobre estos datos que pueden merecer la pena investigar:
[ ] Conclusiones preliminares del EDA: Interdependencia, Covarianza, Correlación
[ ] Hipótesis: