¿Te gusta la vista previa?
Esta es la primera lección gratuita. Obtén acceso completo: solicita una demo o inicia sesión.
Agrupamiento en el Aprendizaje Automático
Aprenda los fundamentos del aprendizaje automático y sus aplicaciones.Preview the first lesson free — get full access to all 37 lessons.
Intermedio Proveedor : Briana Brownell 8 capítulos · 37 lecciones · 2h 39m en Árabe, Alemán, Inglés, Español, Francés, Portugués, Urdu, Chinese
Descripción del curso
En este curso, aprenderá los fundamentos de varias áreas de aprendizaje automático, incluidas la agrupación en clústeres, la detección de anomalías y los modelos de asociación. Comprenderá el método más común de agrupación, k-means y cómo se puede aplicar a los datos de encuestas para crear una robusta segmentación de clientes, incluida la creación de personajes y una herramienta de tipificación. Al final de este curso, sabrá aplicar una serie de diferentes técnicas de análisis y agrupación. Más específicamente, revisará los métodos más comunes de agrupación en clústeres, junto con su desempeño en varios conjuntos de datos de ejemplo. Aprenderá a analizar datos en busca de anomalías intencionales y no intencionales, como fraude y errores de ingreso de datos, detectar datos anómalos y ver cómo validarlos. Examinará cómo crear reglas de asociación entre compras y cómo pueden informar la estrategia de una tienda minorista o un sitio web de comercio electrónico. Se cubrirán los desafíos comunes para asegurarse de que los modelos que cree sean válidos y robustos. Finalmente, tendrá la oportunidad de revisar varios casos de estudio para ver en detalle cómo funciona lo que ha aprendido.
Lo que aprenderás
- Comprender los diversos algoritmos de agrupamiento y sus fortalezas y debilidades, incluyendo k-means, k-means de mini-lotes, aglomerativo, espectral, DBSCAN y modelos de mezcla gaussiana
- Elegir el mejor algoritmo de agrupamiento para un problema específico e identificar dónde se aplica el agrupamiento a problemas del mundo real
- Aplicar k-means a datos de encuesta para construir segmentación de clientes, personas y una herramienta de tipificación
- Detectar anomalías intencionales y no intencionales como fraude y errores de entrada de datos usando una variedad de métodos y validarlas
- Construir reglas de asociación usando soporte, confianza y elevación para comprender el comportamiento de compra
- Analizar estudios de casos de modelos de agrupamiento y detección de anomalías que han sido implementados
Puntos clave
- K-means es el método más común de agrupamiento y puede aplicarse a datos de encuesta para crear segmentación de clientes, personas y una herramienta de tipificación.
- El agrupamiento cubre una serie de técnicas no supervisadas y seleccionar el algoritmo correcto depende del problema específico y el conjunto de datos.
- La detección de anomalías puede encontrar tanto anomalías intencionales como el fraude como no intencionales como errores de entrada de datos, y las anomalías detectadas deben validarse.
- Las reglas de asociación describen relaciones entre compras e pueden informar la estrategia de una tienda minorista o un sitio web de comercio electrónico.
- Abordar los desafíos comunes ayuda a garantizar que los modelos de agrupamiento y análisis creados sean válidos y robustos.
Preguntas frecuentes
¿Qué temas cubre este curso?
El curso cubre los fundamentos de varias áreas del aprendizaje automático, incluyendo agrupamiento, detección de anomalías y modelado de asociación. Revisa métodos comunes de agrupamiento y su desempeño en conjuntos de datos de ejemplo, detección de anomalías, construcción de reglas de asociación y estudios de casos de modelos implementados.
¿Qué algoritmos de agrupamiento aprenderé?
Revisará métodos de agrupamiento incluyendo el algoritmo k-means, k-means de mini-lotes, agrupamiento aglomerativo, agrupamiento espectral, DBSCAN y modelos de mezcla gaussiana, junto con una comparación de algoritmos.
¿Qué habilidades ganaré de este curso?
Ganará habilidades en análisis de conglomerados, ciencia de datos, agrupamiento jerárquico, agrupamiento k-means, métodos de aprendizaje automático y agrupamiento espectral.
¿Cómo se aplica k-means en este curso?
K-means se aplica a datos de encuesta para crear una segmentación de clientes robusta, incluyendo la creación de personas y una herramienta de tipificación, y el curso también cubre elegir variables de entrada, elegir el número de conglomerados, interpretación del centroide y métricas de calidad del modelo.
¿Qué podré hacer con las reglas de asociación?
Aprenderá a crear reglas de asociación entre compras usando soporte, confianza y elevación, y ver cómo pueden informar la estrategia de una tienda minorista o un sitio web de comercio electrónico.
