Proyecto final y cierre

Clase 26 de 27 • Curso de Clustering con Python y scikit-learn

Resumen

Créditos del curso

Nombre del curso: Curso de Clustering con Python y scikit-learn
Dean: Sebastián Delmont
Faculty Manager: Ricardo Celis
School Director: Carlos Alarcón
School Owner: Miguel Torres
Profesor: Carlos Alarcón
Dirección: Miguel Torres
Producción OPS: Lizeth Cáceres y Rocío Martínez
Creación audiovisual: César A. Pinilla
Edición de video: Daniel Cadena
Postproducción de audio: Santiago Guarín Suárez
Diseño gráfico: Eduardo Molea
Coordinación General: Andrés Arizmendy, Daniel Gutierrez, Carol Baquero, Carlos Céspedes, Sura Cedeño y Sara Hernández
Revisión: Sura Cedeño y Axel Yaguana Cruz

FELIX DAVID CORDOVA GARCIA

student•

Que maravilloso curso, por cursos como este vale la pena pagar Platzi, faltaba este curso en la escuela de DS, era necesario y las explicaciones han estado muy claras :)

Carlos Mazzaroli

student•

Notas del curso

Luis Ernesto Domínguez Velásquez

student•

Carlos, felicidades, muy bueno tus apuntes.

Madison Eduardo Herrera Carrión

student•

Gracias por tus apuntes Carlos!

George Wang Lee Zevallos Durand

student•

Este curso era muy necesario, quedó muy bueno!

Jorge Andres Avendano Carabali

student•

test rrespuuestas

Resumen 1. ¿De qué tipo de machine learning es el algoritmo de clustering? Aprendizaje no supervisado 2. ¿Qué es el clustering en machine learning? Un modelo para agrupar datos por características similares. 3. ¿Dónde se encuentra la clase KMeans en sklearn la podemos encontrar?

sklearn.cluster

Usualmente en clustering se manejan datasets de train y test. ¿Esto es verdadero o falso? Falso, porque no tenemos un target. 5. Si en un set de datos se tiene una variable objetivo (target) y se requiere asignar los datos a dicha variable en específico, ¿qué tipo de modelo de machine learning se necesitará? Clasificación. 6. La fórmula usada en el coeficiente de silueta se puede representar de la siguiente forma: s(i) = b−a / max (a ,b) 7. El coeficiente de silueta es una medida de evaluación de clustering. ¿Qué rango tiene? -1 a 1 8. ¿En K-means qué representa la letra K? Número de clústeres o centroides a asignar. 9. Para identificar la ubicación de los centroides luego del entrenamiento en Kmeans, ¿qué propiedad del modelo se debe usar? kmeans.centroids_

REPASAR CLASE 10. ¿Cuál es una de las técnicas para encontrar el número de clústeres óptimo (K) en K-means? Método del codo 11. “Agglomerative hierarchical clustering” es un metodo que parte de clusters individuales y posteriormente unir grupos para formar un unico cluster al final.

Verdadero 12. Esta visualización de datos ayuda a entender el funcionamiento del hierarchical clustering: Dendrograma 13. ¿Cómo se importa de sklearn la clase de agglomerative hierarchical clustering?

from sklearn.cluster import AgglomerativeClustering

¿En qué se basa el algoritmo de clustering DBSCAN? Regresión REPASAR CLASE 15. ¿Qué es un core point en DBSCAN?

Es aquel que cumple con el mínimo de vecinos con un Epsilon predeterminado. 16. ¿Cómo se importa de sklearn DBSCAN?

from sklearn.cluster import DBSCAN

Una de las desventajas de DBSCAN es que sus híper-parámetros son muy determinantes. ¿Esto es verdadero o falso? Verdadero 18. ¿Para utilizar DBSCAN se requiere conocer la cantidad de clústeres antes del entrenamiento? No es necesario. 19. Para preparar los datos para clustering utilizamos el escalamiento de los datos. ¿En qué consiste este escalamiento? Llevar todas las columnas o características numéricas del dataset a una misma escala. 20. ¿Cuál es uno de los métodos que se pueden usar en machin learning para reducir dimensionalidad de un dataset? PCA Ver menos

David Montoya Perez

student•

Sinceramente, muy buen curso en cuanto a ejemplos, contenido, proyecto y explicacion. Recomendadisimo.

Octavio De Paula

student•

Excelente Curso!! No dejen de lado esta gran ruta de DS por favor.

Gabriel Villanueva Vega

student•

Muchas gracias profesor!

Andres Espejo

student•

¿Por qué No Existe un Curso Ampliamente Disponible sobre Spectral Clustering, Considerando su Efectividad Comprobada en Estudios de Investigación? 🤔✨

Edgar A. Gonzalez Ambriz

student•

Mu buen curso. Muchas gracias por compratir sus conocimiento Profesor

Andres Espejo

student•

¿Por qué No Existe un Curso Ampliamente Disponible sobre Spectral Clustering, Considerando su Efectividad Comprobada en Estudios de Investigación?

Spectral clustering ha surgido como una técnica de clustering altamente efectiva según numerosos estudios de investigación. A pesar de su eficacia demostrada, la disponibilidad limitada de cursos específicos dedicados a este tema plantea una pregunta intrigante: ¿por qué no hay una oferta educativa más generalizada para esta técnica particular? Esta laguna en los recursos educativos no solo limita el acceso de los estudiantes a una herramienta poderosa en el análisis de datos complejos, sino que también suscita interrogantes sobre las razones detrás de esta carencia. ¿Son los conceptos asociados con el spectral clustering demasiado complejos para la mayoría de los estudiantes? ¿O es que la comunidad educativa simplemente no ha alcanzado a abordar la creciente importancia de esta técnica en el campo del aprendizaje automático y la minería de datos? Esta pregunta no solo destaca un vacío educativo sino también plantea cuestiones más profundas sobre la dinámica entre las investigaciones académicas y la enseñanza práctica de las técnicas más avanzadas en el mundo del análisis de datos. 🤔✨

Luis Ernesto Domínguez Velásquez

student•

Muy buen curso, buena didáctica del docente, ahora toca poner en practica lo aprendido, segmentaré los clientes de la institución financiera donde trabajo. Felicidades profe y Platzi por este buen curso.

JOSE DANIEL ALVEAR ACEVEDO

student•

¡Excelente Curso!

Gerardo Jesus Ignacio Villacorta

student•

Me encantó el curso, porque me ayudó con un proyecto personal. ¡Muchas gracias Carlos!

Rafael Rivera

student•

Excelente curso, ayuda muchísimo a la practica y a comprender mas detallado el Clustering

Marlon Fernando

student•

Uno de los mejores cursos de todo Platzi, felicidades.

Proyecto final y cierre

Fundamentos de clustering

¿Qué es el clustering en machine learning?

Tu primer clustering con scikit-learn

¿Cuándo usar clustering?

¿Cómo evaluar modelos de clustering?

K-means

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

¿Cuándo usar K-means?

Implementando K-means

Encontrando K

Evaluando resultados de K-means

Hierarchical clustering

¿Qué es hierarchical clustering y cómo funciona?

¿Cuándo usar hierarchical clustering?

Implementando hierarchical clustering

Evaluando resultados de hierarchical clustering

DBSCAN

¿Qué es DBSCAN y cómo funciona?

¿Cuándo usar DBSCAN?

Implementando DBSCAN

Encontrar híper-parámetros

Evaluando resultados de DBSCAN

Proyecto: resolviendo un problema con clustering

Preparar datos para clusterizar

Aplicando PCA para clustering

Resolviendo con K-means

Resolviendo con hierarchical clustering

Resolviendo con DBSCAN

Resolviendo con DBSCAN (sin PCA)

Evaluación resultados de distintos modelos de clustering

Conclusiones

Proyecto final y cierre

Comparte tu proyecto de segmentación con clustering y certifícate

Créditos del curso