Clustering y normalización de datos con K-means

Objetivo de la clase

El objetivo principal de esta clase fue introducir a los estudiantes al aprendizaje no supervisado, específicamente enfocándose en las técnicas de clustering y reducción de dimensionalidad. La profesora buscó que los estudiantes comprendieran cómo las máquinas pueden descubrir patrones ocultos en datos sin etiquetas previas, utilizando la analogía de un arqueólogo que encuentra patrones sin contexto previo.

Habilidades desarrolladas

• Implementación práctica de K-means: Aplicación del algoritmo de clustering más fundamental
• Normalización de datos: Técnica esencial para preparar datos con diferentes escalas
• Visualización de clusters: Representación gráfica de agrupaciones en datos multidimensionales
• Interpretación de resultados: Análisis de la calidad y significado de los clusters generados
• Programación en Python: Uso de librerías especializadas (Scikit-learn, Pandas, Matplotlib, Seaborn)

Conceptos clave

• [0:08] Aprendizaje no supervisado: Técnica de machine learning que descubre patrones sin etiquetas o respuestas correctas predefinidas
• [0:58] Clustering: Técnica para agrupar datos similares, ejemplificada con Spotify y Netflix
• [1:23] K-means: Algoritmo que divide datos en K grupos encontrando promedios, comparado con "imanes invisibles"
• [3:47] Normalización de datos: Proceso para hacer comparables características con diferentes magnitudes
• [4:27] Escalamiento estándar: Función matemática que comprime parámetros para que tengan el mismo tamaño proporcional
• [5:28] Centroides: Puntos centrales de cada cluster que actúan como "imanes" atrayendo datos similares

Palabras clave importantes

• Aprendizaje supervisado vs no supervisado
• Patrones ocultos
• Detective de datos
• Reducción de dimensionalidad
• Datos sintéticos
• Semilla aleatoria
• Fit transform
• Predicción de clusters
• Visualización bidimensional

Hechos importantes

• [1:02] Aplicaciones reales: Spotify usa clustering para Discovery Weekly, Netflix para recomendaciones de géneros específicos
• [2:13] Estructura del dataset: 300 clientes divididos en 3 grupos (100 cada uno): jóvenes, adultos y mayores
• [2:36] Parámetros del primer grupo: Jóvenes con edad media 25 años (desviación 5) e ingresos promedio 30,000
• [3:02] Parámetros del segundo grupo: Adultos con ingresos promedio 60,000
• [3:05] Parámetros del tercer grupo: Mayores con ingresos promedio 90,000
• [6:43] Resultado inesperado: El cluster 0 terminó con 113 clientes en lugar de 100 debido a la reasignación algorítmica
• [7:14] Frecuencia de compras: Jóvenes 7.5, adultos 5.2 (posiblemente por mejor educación financiera)

Principales puntos de datos

• [2:09] Semilla aleatoria: 55
• [2:13] Número total de clientes: 300
• [2:13] Clientes por grupo inicial: 100 cada uno
• [2:36] Edad media jóvenes: 25 años, desviación estándar 5
• [2:57] Ingresos promedio jóvenes: 30,000
• [3:02] Ingresos promedio adultos: 60,000
• [3:05] Ingresos promedio mayores: 90,000
• [5:24] Semilla aleatoria K-means: 42
• [5:07] Número de clusters: 3
• [6:43] Clientes finales cluster 0: 113
• [7:14] Frecuencia compras jóvenes: 7.5
• [7:18] Frecuencia compras adultos: 5.2
• [7:34] Dimensiones gráfica: 14 x 5