En una entrevista a Andrew Ng el dijo que el futuro de la AI es el aprendizaje no supervisado.
Aprender los conceptos clave
Todo lo que aprenderás sobre MA con Scikit-Learn
¿Cómo aprenden las máquinas?
Problemas que podemos resolver con Scikit-learn
Las matemáticas que vamos a necesitar
Iniciar un proyecto con sklearn
Configuración de nuestro entorno Python
Instalación de librerías en Python
Datasets que usaremos en el curso
Optimización de features
¿Cómo afectan nuestros features a los modelos de Machine Learning?
Introducción al PCA
Preparación de datos para PCA e IPCA
Implementación del algoritmo PCA e IPCA
Kernels y KPCA
¿Qué es la regularización y cómo aplicarla?
Implementación de Lasso y Ridge
Explicación resultado de la implementación
ElasticNet: Una técnica intermedia
Regresiones robustas
El problema de los valores atípicos
Regresiones Robustas en Scikit-learn
Preparación de datos para la regresión robusta
Implementación regresión robusta
Métodos de ensamble aplicados a clasificación
¿Qué son los métodos de ensamble?
Preparación de datos para implementar métodos de ensamble
Implementación de Bagging
Implementación de Boosting
Clustering
Estrategias de Clustering
Implementación de Batch K-Means
Implementación de Mean-Shift
Optimización paramétrica
Validación de nuestro modelo usando Cross Validation
Implementación de K-Folds Cross Validation
Optimización paramétrica
Implementación de Randomized
Bonus: Auto Machine Learning
Salida a producción
Revisión de nuestra arquitectura de código
Importar y exportar modelos con Sklearn
Creación de una API con Flask para el modelo
Cierre del curso
Material adicional para consultar
No tienes acceso a esta clase
¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera
Si ya tienes una cuenta,
Iniciar sesiónEstrategias de Clustering
25/37Recursos
Aportes 7
Preguntas 1
Ordenar por:
Estrategias de Clustering
Los algoritmos de clustering son las estrategias que podemos usar para agrupar los datos de tal manera que todos los datos pertenecientes a un grupo sean lo más similares que sea posible entre sí, y lo más diferentes a los de otros grupos.
Casos de aplicación de clustering.
- No conocemos con anterioridad las etiquetas de nuestros datos (Aprendizaje no supervisado).
- Queremos descubrir patrones ocultos a simple vista.
- Queremos identificar datos atípicos.
Casos de uso de aplicación:
-
Cuando sabemos cuántos grupos “k” queremos en nuestro resultado.
Si es el caso, por ejemplo en una empresa de marketing y sabemos que los segmentos de clientes es bajo, medio alto, en este caso es recomendable usar k-means, o bien, spectral clustering.
-
Cuando queremos que el algoritmo descubra la cantidad de grupos “k” óptima según los datos que tenemos.
Por otro lado si no conocemos cuantos grupos o cuantas categories tenemos y solo queremos experimenter, la solución puede ser Meanshift, clustering jerárquico o DBScan.
Clave para detecciión de anomalias e intrusiones.
Algoritmos de clustering:
Referencias
Comparing different clustering algorithms on toy datasets - scikit-learn.org
Para agregar el parametro loss
https://towardsdatascience.com/custom-loss-functions-for-gradient-boosting-f79c1b40466d
Para repasar el cluster KMeans, dado que en estas clases solo se ve MiniBatchKMeans y MeanShift:
- Curso de Fundamentos Prácticos de ML: https://platzi.com/clases/1708-fundamentos-ml/23062-que-es-k-means/
- Un par de artículos para ver ejemplos:
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?
o inicia sesión.