Análisis de Clústeres de Datos

Name: Análisis de Clústeres de Datos
Author: Briana Brownell

Introducción al clustering y el modelado y sus usos para la resolución de problemas.

Preview the first lesson free — get full access to all 7 lessons.

Curso: bajo demanda

En esta lección, comenzaremos hablando de parte de la teoría básica detrás de la agrupación y por qué querrías usarlo en la práctica, incluidas las formas en que puede usar la agrupación en clústeres junto con otros métodos de aprendizaje automático como reducción de dimensiones, ingeniería de características, y predicción. El aprendizaje automático no supervisado es uno de los tres tipos principales del aprendizaje automático junto con el aprendizaje supervisado y aprendizaje por refuerzo. Todos los estilos de aprendizaje automático utilizan datos para aprender. Esta definición del Dr. Schapire en Princeton da una idea de los estilos de aprendizaje que podemos hacer con el aprendizaje automático. Una forma de pensar en el aprendizaje automático no supervisado es que a diferencia del aprendizaje supervisado y de refuerzo, El aprendizaje no supervisado es aprender sin un maestro. Mientras que el aprendizaje automático supervisado usa ejemplos etiquetados y usos del aprendizaje por refuerzo algún tipo de función de utilidad u objetivo general, El aprendizaje automático no supervisado nos permite para encontrar patrones emergentes dentro de los conjuntos de datos. Y es por eso que el aprendizaje automático no supervisado tiene sus propias áreas especiales de casos de uso dentro del mundo del aprendizaje automático en su conjunto. Eso es porque a menudo intentamos hacer predicciones donde tenemos que hacer algún tipo de suposición sobre las relaciones entre las variables y los patrones de datos que podríamos ver. En el aprendizaje automático no supervisado, queremos encontrar esos patrones sin imponer una hipótesis específica en los datos antes de tiempo. Eso nos permite encontrar cosas realmente sorprendentes. Y en el agrupamiento especialmente estos patrones emergentes puede ser extremadamente útil. El aprendizaje no supervisado se puede utilizar para una amplia variedad de diferentes tareas, incluyendo la segmentación de clientes, detección de anomalías para cosas como fraude, así como en varios tipos diferentes de modelado de lenguaje como agrupar artículos que tratan sobre temas similares juntos. Así que ahora deberías tener una idea. de cómo se relaciona el aprendizaje automático no supervisado al aprendizaje supervisado, así como al aprendizaje por refuerzo, y las diferencias fundamentales entre ellos.

Intermedio Proveedor : Briana Brownell 7 lecciones · 36m en Árabe, Alemán, Inglés, Español, Francés, Portugués, Urdu, Chinese

Descripción del curso

Estas lecciones presentarán el agrupamiento en clústeres y su espacio de problemas dentro del aprendizaje automático no supervisado. Se le presentarán los emparejamientos del agrupamiento en clústeres con otros pasos de modelado, como la reducción de dimensiones, la ingeniería de características y la predicción. También aprenderá a considerar el agrupamiento en clústeres desde un punto de vista empresarial, junto con los tipos de problemas para los que es útil.

Lo que aprenderás

Reconocer cómo el agrupamiento se empareja con otras áreas del aprendizaje automático
Aplicar pasos de modelado incluyendo reducción de dimensionalidad y predicción
Aplicar agrupamiento a áreas de operaciones comerciales
Comparar técnicas de agrupamiento como Agrupamiento K-Means, jerárquico y espectral
Utilizar medidas de similitud para analizar conglomerados de datos
Combinar agrupamiento con ingeniería de características

Puntos clave

El agrupamiento es parte del espacio del problema dentro del aprendizaje automático no supervisado.
El agrupamiento puede emparejarse con otros pasos de modelado como reducción de dimensionalidad, ingeniería de características y predicción.
El agrupamiento puede considerarse desde una perspectiva empresarial y aplicarse a operaciones comerciales.
El curso cubre fundamentos de agrupamiento y medidas de similitud como base para análisis de conglomerados.
El agrupamiento es útil para ciertos tipos de problemas, que el curso ayuda a identificar.

Preguntas frecuentes

¿Qué cubre este curso?

Introduce el agrupamiento y su espacio del problema dentro del aprendizaje automático no supervisado, incluyendo cómo el agrupamiento se empareja con otros pasos de modelado como reducción de dimensionalidad, ingeniería de características y predicción, y cómo considerar el agrupamiento desde una perspectiva comercial.

¿Qué habilidades ganaré de este curso?

Desarrollará habilidades en análisis de conglomerados, clasificación de datos, agrupamiento jerárquico, agrupamiento K-Means, agrupamiento espectral y aprendizaje no supervisado.

¿Qué temas se enseñan en las lecciones?

Las lecciones cubren Aprendizaje Automático No Supervisado, Fundamentos de Agrupamiento, Medidas de Similitud, Agrupamiento y Reducción de Dimensionalidad, Agrupamiento e Ingeniería de Características, Agrupamiento y Predicción y Uso de Conglomerados de Datos.

¿Cómo conecta este curso el agrupamiento con los negocios?

Enseña cómo considerar el agrupamiento desde una perspectiva comercial, para qué tipos de problemas es útil y cómo aplicar el agrupamiento a áreas de operaciones comerciales.