CursosEmpresasBlogLiveConfPrecios

¿Cuándo usar clustering?

Clase 3 de 27 • Curso de Clustering con Python y scikit-learn

Clase anteriorSiguiente clase

Contenido del curso

Fundamentos de clustering

  • 1
    ¿Qué es el clustering en machine learning?

    ¿Qué es el clustering en machine learning?

    04:01 min
  • 2
    Tu primer clustering con scikit-learn

    Tu primer clustering con scikit-learn

    16:57 min
  • 3
    ¿Cuándo usar clustering?

    ¿Cuándo usar clustering?

    Viendo ahora
  • 4
    ¿Cómo evaluar modelos de clustering?

    ¿Cómo evaluar modelos de clustering?

    12:00 min

K-means

  • 5
    ¿Qué es el algoritmo de K-means y cómo funciona?

    ¿Qué es el algoritmo de K-means y cómo funciona?

    07:30 min
  • 6
    ¿Cuándo usar K-means?

    ¿Cuándo usar K-means?

    03:24 min
  • 7
    Implementando K-means

    Implementando K-means

    14:08 min
  • 8
    Encontrando K

    Encontrando K

    13:06 min
  • 9
    Evaluando resultados de K-means

    Evaluando resultados de K-means

    04:21 min

Hierarchical clustering

  • 10
    ¿Qué es hierarchical clustering y cómo funciona?

    ¿Qué es hierarchical clustering y cómo funciona?

    04:56 min
  • 11
    ¿Cuándo usar hierarchical clustering?

    ¿Cuándo usar hierarchical clustering?

    02:07 min
  • 12
    Implementando hierarchical clustering

    Implementando hierarchical clustering

    09:40 min
  • 13
    Evaluando resultados de hierarchical clustering

    Evaluando resultados de hierarchical clustering

    06:44 min

DBSCAN

  • 14
    ¿Qué es DBSCAN y cómo funciona?

    ¿Qué es DBSCAN y cómo funciona?

    08:27 min
  • 15
    ¿Cuándo usar DBSCAN?

    ¿Cuándo usar DBSCAN?

    02:28 min
  • 16
    Implementando DBSCAN

    Implementando DBSCAN

    09:11 min
  • 17
    Encontrar híper-parámetros

    Encontrar híper-parámetros

    14:33 min
  • 18
    Evaluando resultados de DBSCAN

    Evaluando resultados de DBSCAN

    07:35 min

Proyecto: resolviendo un problema con clustering

  • 19
    Preparar datos para clusterizar

    Preparar datos para clusterizar

    13:30 min
  • 20
    Aplicando PCA para clustering

    Aplicando PCA para clustering

    12:08 min
  • 21
    Resolviendo con K-means

    Resolviendo con K-means

    09:24 min
  • 22
    Resolviendo con hierarchical clustering

    Resolviendo con hierarchical clustering

    07:12 min
  • 23
    Resolviendo con DBSCAN

    Resolviendo con DBSCAN

    17:25 min
  • 24
    Resolviendo con DBSCAN (sin PCA)

    Resolviendo con DBSCAN (sin PCA)

    05:24 min
  • 25
    Evaluación resultados de distintos modelos de clustering

    Evaluación resultados de distintos modelos de clustering

    10:47 min

Conclusiones

  • 26
    Proyecto final y cierre

    Proyecto final y cierre

    02:32 min
  • 27

    Comparte tu proyecto de segmentación con clustering y certifícate

    Alfonso Andres Zapata Guzman

    Alfonso Andres Zapata Guzman

    student•
    hace 3 años

    Hace falta un masterclass de que tratamiento darle a los outliers de manera profesional, ya se hizo el de imputacion de datos faltantes, creo que este tema requiere tambien un curso aparte, ya sea corto o largo.

      Carlos Mazzaroli

      Carlos Mazzaroli

      student•
      hace 3 años

      https://towardsdatascience.com/outlier-detection-part1-821d714524c

      Alfonso Andres Zapata Guzman

      Alfonso Andres Zapata Guzman

      student•
      hace 3 años

      Muchas gracias man, ya lo leo.


      ~ Que tal Platzinauta, ya conectamos en LinkedIn? ~

      ¡Que estas esperando! Conectemos en LinkedIn, GitHub, Medium o Redes sociales

    Lilia Susana Hernández Trimiño

    Lilia Susana Hernández Trimiño

    student•
    hace 3 años

    ¿Cuándo usar clustering?

    El clustering es una técnica de aprendizaje no supervisado que se utiliza para encontrar patrones y estructuras en los datos. Se puede utilizar en diversas situaciones y contextos donde se desea identificar grupos o categorías naturales en los datos sin tener una variable objetivo predefinida.

    A continuación, se describen algunos casos en los que se puede utilizar clustering:

    Mayor contexto de mi datasets: El clustering puede ayudar a descubrir patrones y estructuras en los datos que no son evidentes a simple vista. Esto puede proporcionar una mejor comprensión del conjunto de datos y puede ayudar a identificar relaciones y tendencias entre las variables.

    Detección de outliers: El clustering también puede utilizarse para detectar outliers o valores atípicos en los datos que no siguen el patrón de los demás valores. Esto puede ser útil para identificar problemas o errores en los datos o para identificar posibles anomalías o excepciones en los datos.

    Clasificar/Agrupar (sin variable objetivo): El clustering se utiliza comúnmente para clasificar y agrupar datos en categorías o grupos basados en características similares. Esto puede ser útil para identificar patrones en los datos y para simplificar la visualización y el análisis de grandes conjuntos de datos.

    Tareas manuales de crear etiquetas: En algunos casos, es posible que no haya una variable objetivo clara o definida en los datos. En este caso, el clustering puede ser utilizado para agrupar los datos en categorías o grupos que pueden ser etiquetados manualmente para su posterior análisis.

    En cuanto a lo que se puede lograr con el clustering, aquí hay algunos ejemplos:

    Clasificar el tráfico en una página: El clustering puede utilizarse para identificar patrones en el tráfico de una página web y clasificar a los visitantes en diferentes categorías, como nuevos visitantes, visitantes frecuentes, visitantes que compran con frecuencia, etc.

    Segmentación de perfiles de clientes: El clustering puede ayudar a identificar patrones en los datos de los clientes y segmentarlos en diferentes grupos basados en características similares, como edad, género, ubicación, historial de compras, etc.

    Clasificación de contenido: El clustering puede utilizarse para clasificar contenido en diferentes categorías, como noticias, entretenimiento, deportes, etc.

    Identificar comportamientos fraudulentos: El clustering puede ser utilizado para identificar patrones en los datos que pueden indicar comportamientos fraudulentos o sospechosos, como transacciones inusuales o actividades sospechosas.

    Ciencia en los deportes: El clustering puede ser utilizado en el análisis de datos en la ciencia en los deportes para identificar patrones en los datos relacionados con el rendimiento de los atletas, la eficacia de las tácticas de juego, etc.

    Ciencia en los deportes: El clustering también puede ser utilizado en la ciencia en los deportes para segmentar a los fanáticos en diferentes grupos basados en su comportamiento, preferencias, etc.

    Muchas posibilidades: El clustering puede ser utilizado en una amplia variedad de situaciones y contextos, desde el análisis de datos empresariales hasta la exploración de datos en la investigación científica y médica.

    Luis Ernesto Domínguez Velásquez

    Luis Ernesto Domínguez Velásquez

    student•
    hace 2 años

    Listado de algoritmos de Clustering: https://www.freecodecamp.org/espanol/news/8-algoritmos-de-agrupacion-en-clusteres-en-el-aprendizaje-automatico-que-todos-los-cientificos-de-datos-deben-conocer/

      Julián Cárdenas

      Julián Cárdenas

      student•
      hace 2 años

      Buen aporteee!

      Juan José Mamani Tarqui

      Juan José Mamani Tarqui

      student•
      hace 2 años

      Tenia que ser FreecodeCamp

      <code>
    Ricardo Cruz

    Ricardo Cruz

    student•
    hace un año

    Algoritmos de Clustering

    Algunos algoritmos de clustering y sus funciones que encontre, exito.!!

    • Agrupacion basada en particiones
      • K-Means, K-Median, Fuzzy c-Means
      • Se utilizan para bases de datos de tamaño mediano y grande✅
    • Algoritmos de agrupamiento jerárquico😊
      • Producen arboles de clusteres
      • Algoritmos y Divisivos
      • Se utilizan para bases de datos de pequeño tamaño
    • Algoritmos de agrupamiento basados en densidad
      • Son especialmente buenos cuando se trata de clústeres espaciales o cuando hay ruido en el conjunto de datos. Por ejemplo, el algoritmo de análisis de base de datos.📗
    David Felipe Zabala Castañeda

    David Felipe Zabala Castañeda

    student•
    hace 3 meses

    Cabe agregar que cuando ustedes hacen aprendizaje autosupervisado, es decir, hacen dos modelos, uno para crear los cluster y otro para clasificar nuevos datos en cada uno de esos cluster, si se debe dividir en entrenamiento y validación antes de hacer el clustering para evitar fuga de información.

    Mario Alexander Vargas Celis

    Mario Alexander Vargas Celis

    student•
    hace 4 meses

    Puedes usar clustering cuando quieres descubrir grupos naturales o estructuras ocultas en tus datos sin tener etiquetas previas. Es una técnica de aprendizaje no supervisado, útil en muchas situaciones donde necesitas explorar, segmentar o reducir complejidad.

    🧠 ¿Cuándo usar clustering? (Casos comunes)

    1. Segmentación de clientes

    • Para agrupar clientes con comportamientos similares.
    • Ejemplo: Marketing personalizado según hábitos de compra.

    2. Análisis exploratorio de datos (EDA)

    • Para detectar patrones desconocidos antes de aplicar modelos supervisados.
    • Útil para descubrir subgrupos naturales.

    3. Agrupación de documentos o textos

    • Agrupar artículos, reseñas o noticias por tema sin etiquetarlos previamente.
    • Ejemplo: Agrupar reseñas similares de productos.

    4. Reducción de complejidad

    • Cuando tienes muchos datos y quieres entender su estructura interna.
    • Puedes usar clustering como paso previo a modelos más complejos.

    5. Detección de anomalías

    • Algunos outliers no pertenecen a ningún clúster y pueden ser anomalías o fraudes.

    6. Agrupamiento de imágenes

    • Por similitud de colores, formas o patrones visuales.
    • Ejemplo: Clasificar fotos similares en galerías.

    7. Agrupación geográfica

    • Agrupar ubicaciones por cercanía (ej. zonas de entrega, clientes cercanos).

    ❗ Cuándo NO es recomendable

    • Cuando ya tienes etiquetas claras para cada clase → usa modelos supervisados.
    • Si los datos no tienen patrones claros o separables.
    • Si necesitas resultados explicables y consistentes: algunos algoritmos de clustering pueden ser sensibles a la inicialización (como K-Means).

    🧩 ¿Qué necesitas para aplicar clustering?

    • Datos sin etiquetas.
    • Alguna idea de cuántos grupos esperas (aunque hay algoritmos que lo infieren).
    • Una métrica de distancia o similitud que tenga sentido en tu dominio (euclidiana, coseno, etc.).
    Antonio Demarco Bonino

    Antonio Demarco Bonino

    student•
    hace un año

    Estos son los algoritmos que vamos a ver:

    • K-means: Agrupa los datos en K clusters basándose en la proximidad a los centroides.
    • Clustering jerárquico: Organiza los datos en una jerarquía, comenzando desde los puntos más cercanos o desde un grupo grande y dividiéndolo.
    • DBSCAN: Agrupa puntos densamente conectados y marca los puntos aislados o de baja densidad como ruido.

Escuelas

  • Desarrollo Web
    • Fundamentos del Desarrollo Web Profesional
    • Diseño y Desarrollo Frontend
    • Desarrollo Frontend con JavaScript
    • Desarrollo Frontend con Vue.js
    • Desarrollo Frontend con Angular
    • Desarrollo Frontend con React.js
    • Desarrollo Backend con Node.js
    • Desarrollo Backend con Python
    • Desarrollo Backend con Java
    • Desarrollo Backend con PHP
    • Desarrollo Backend con Ruby
    • Bases de Datos para Web
    • Seguridad Web & API
    • Testing Automatizado y QA para Web
    • Arquitecturas Web Modernas y Escalabilidad
    • DevOps y Cloud para Desarrolladores Web
  • English Academy
    • Inglés Básico A1
    • Inglés Básico A2
    • Inglés Intermedio B1
    • Inglés Intermedio Alto B2
    • Inglés Avanzado C1
    • Inglés para Propósitos Específicos
    • Inglés de Negocios
  • Marketing Digital
    • Fundamentos de Marketing Digital
    • Marketing de Contenidos y Redacción Persuasiva
    • SEO y Posicionamiento Web
    • Social Media Marketing y Community Management
    • Publicidad Digital y Paid Media
    • Analítica Digital y Optimización (CRO)
    • Estrategia de Marketing y Growth
    • Marketing de Marca y Comunicación Estratégica
    • Marketing para E-commerce
    • Marketing B2B
    • Inteligencia Artificial Aplicada al Marketing
    • Automatización del Marketing
    • Marca Personal y Marketing Freelance
    • Ventas y Experiencia del Cliente
    • Creación de Contenido para Redes Sociales
  • Inteligencia Artificial y Data Science
    • Fundamentos de Data Science y AI
    • Análisis y Visualización de Datos
    • Machine Learning y Deep Learning
    • Data Engineer
    • Inteligencia Artificial para la Productividad
    • Desarrollo de Aplicaciones con IA
    • AI Software Engineer
  • Ciberseguridad
    • Fundamentos de Ciberseguridad
    • Hacking Ético y Pentesting (Red Team)
    • Análisis de Malware e Ingeniería Forense
    • Seguridad Defensiva y Cumplimiento (Blue Team)
    • Ciberseguridad Estratégica
  • Liderazgo y Habilidades Blandas
    • Fundamentos de Habilidades Profesionales
    • Liderazgo y Gestión de Equipos
    • Comunicación Avanzada y Oratoria
    • Negociación y Resolución de Conflictos
    • Inteligencia Emocional y Autogestión
    • Productividad y Herramientas Digitales
    • Gestión de Proyectos y Metodologías Ágiles
    • Desarrollo de Carrera y Marca Personal
    • Diversidad, Inclusión y Entorno Laboral Saludable
    • Filosofía y Estrategia para Líderes
  • Diseño de Producto y UX
    • Fundamentos de Diseño UX/UI
    • Investigación de Usuarios (UX Research)
    • Arquitectura de Información y Usabilidad
    • Diseño de Interfaces y Prototipado (UI Design)
    • Sistemas de Diseño y DesignOps
    • Redacción UX (UX Writing)
    • Creatividad e Innovación en Diseño
    • Diseño Accesible e Inclusivo
    • Diseño Asistido por Inteligencia Artificial
    • Gestión de Producto y Liderazgo en Diseño
    • Diseño de Interacciones Emergentes (VUI/VR)
    • Desarrollo Web para Diseñadores
    • Diseño y Prototipado No-Code
  • Contenido Audiovisual
    • Fundamentos de Producción Audiovisual
    • Producción de Video para Plataformas Digitales
    • Producción de Audio y Podcast
    • Fotografía y Diseño Gráfico para Contenido Digital
    • Motion Graphics y Animación
    • Contenido Interactivo y Realidad Aumentada
    • Estrategia, Marketing y Monetización de Contenidos
  • Desarrollo Móvil
    • Fundamentos de Desarrollo Móvil
    • Desarrollo Nativo Android con Kotlin
    • Desarrollo Nativo iOS con Swift
    • Desarrollo Multiplataforma con React Native
    • Desarrollo Multiplataforma con Flutter
    • Arquitectura y Patrones de Diseño Móvil
    • Integración de APIs y Persistencia Móvil
    • Testing y Despliegue en Móvil
    • Diseño UX/UI para Móviles
  • Diseño Gráfico y Arte Digital
    • Fundamentos del Diseño Gráfico y Digital
    • Diseño de Identidad Visual y Branding
    • Ilustración Digital y Arte Conceptual
    • Diseño Editorial y de Empaques
    • Motion Graphics y Animación 3D
    • Diseño Gráfico Asistido por Inteligencia Artificial
    • Creatividad e Innovación en Diseño
  • Programación
    • Fundamentos de Programación e Ingeniería de Software
    • Herramientas de IA para el trabajo
    • Matemáticas para Programación
    • Programación con Python
    • Programación con JavaScript
    • Programación con TypeScript
    • Programación Orientada a Objetos con Java
    • Desarrollo con C# y .NET
    • Programación con PHP
    • Programación con Go y Rust
    • Programación Móvil con Swift y Kotlin
    • Programación con C y C++
    • Administración Básica de Servidores Linux
  • Negocios
    • Fundamentos de Negocios y Emprendimiento
    • Estrategia y Crecimiento Empresarial
    • Finanzas Personales y Corporativas
    • Inversión en Mercados Financieros
    • Ventas, CRM y Experiencia del Cliente
    • Operaciones, Logística y E-commerce
    • Gestión de Proyectos y Metodologías Ágiles
    • Aspectos Legales y Cumplimiento
    • Habilidades Directivas y Crecimiento Profesional
    • Diversidad e Inclusión en el Entorno Laboral
    • Herramientas Digitales y Automatización para Negocios
  • Blockchain y Web3
    • Fundamentos de Blockchain y Web3
    • Desarrollo de Smart Contracts y dApps
    • Finanzas Descentralizadas (DeFi)
    • NFTs y Economía de Creadores
    • Seguridad Blockchain
    • Ecosistemas Blockchain Alternativos (No-EVM)
    • Producto, Marketing y Legal en Web3
  • Recursos Humanos
    • Fundamentos y Cultura Organizacional en RRHH
    • Atracción y Selección de Talento
    • Cultura y Employee Experience
    • Gestión y Desarrollo de Talento
    • Desarrollo y Evaluación de Liderazgo
    • Diversidad, Equidad e Inclusión
    • AI y Automatización en Recursos Humanos
    • Tecnología y Automatización en RRHH
  • Finanzas e Inversiones
    • Fundamentos de Finanzas Personales y Corporativas
    • Análisis y Valoración Financiera
    • Inversión y Mercados de Capitales
    • Finanzas Descentralizadas (DeFi) y Criptoactivos
    • Finanzas y Estrategia para Startups
    • Inteligencia Artificial Aplicada a Finanzas
    • Domina Excel
    • Financial Analyst
    • Conseguir trabajo en Finanzas e Inversiones
  • Startups
    • Fundamentos y Validación de Ideas
    • Estrategia de Negocio y Product-Market Fit
    • Desarrollo de Producto y Operaciones Lean
    • Finanzas, Legal y Fundraising
    • Marketing, Ventas y Growth para Startups
    • Cultura, Talento y Liderazgo
    • Finanzas y Operaciones en Ecommerce
    • Startups Web3 y Blockchain
    • Startups con Impacto Social
    • Expansión y Ecosistema Startup
  • Cloud Computing y DevOps
    • Fundamentos de Cloud y DevOps
    • Administración de Servidores Linux
    • Contenerización y Orquestación
    • Infraestructura como Código (IaC) y CI/CD
    • Amazon Web Services
    • Microsoft Azure
    • Serverless y Observabilidad
    • Certificaciones Cloud (Preparación)
    • Plataforma Cloud GCP

Platzi y comunidad

  • Platzi Business
  • Live Classes
  • Lanzamientos
  • Executive Program
  • Trabaja con nosotros
  • Podcast

Recursos

  • Manual de Marca

Soporte

  • Preguntas Frecuentes
  • Contáctanos

Legal

  • Términos y Condiciones
  • Privacidad
  • Tyc promociones
Reconocimientos
Reconocimientos
Logo reconocimientoTop 40 Mejores EdTech del mundo · 2024
Logo reconocimientoPrimera Startup Latina admitida en YC · 2014
Logo reconocimientoPrimera Startup EdTech · 2018
Logo reconocimientoCEO Ganador Medalla por la Educación T4 & HP · 2024
Logo reconocimientoCEO Mejor Emprendedor del año · 2024
De LATAM conpara el mundo
YoutubeInstagramLinkedInTikTokFacebookX (Twitter)Threads