COMPUTACIÓN II

(MCOM2)
Licenciatura en Matemáticas

Unidad 2 Actividad 1
Jesús Abraham Rojas Úrzulo
jesus_rojas_urzulo@nube.unadmexico.mx
Matricula: ES1821013126
Jesús Abraham Rojas Úrzulo Licenciatura en Matemáticas
Matricula: ES1821013126 Computación II (MCOM2)

1.- Considerando que los algoritmos se pueden clasificar en algoritmos supervisados y no

supervisados, y también en clasificación y regresión, investigar cómo se clasifican los siguientes
algoritmos.

a. Clustering jerárquico
b. Random forest
c. Red Neuronal de Hopfield
d. Self Organizing Maps

Clasificación

Supervisado No supervisado Regresión Clasificación

Método supervisado,
Clustering se calcula Clasificación basada en
jerárquico constantemente la distancia
distancia
Para las tareas de
Para las tareas de
regresión, se
clasificación, la salida
devuelve la
Random del bosque aleatorio es
Método no supervisado predicción media o
forest la clase seleccionada
promedio de los
por la mayoría de los
árboles individuales.
árboles

Red Método supervisado

Clasificación debido a
basado en
Neuronal de propagación hacia que las neuronas solo
Hopfield tienen estados binarios
delante y hacia atrás
Es entrenada usando
aprendizaje no
Self Regresión para el
supervisado para producir
ajuste de un mapa
Organizing una representación
de los datos de
Maps discreta del espacio de las
entrada
muestras de entrada,
llamado mapa

2.- Provee una pequeña descripción de cada uno y como lo podrías aplicar en un caso hipotético.

Clustering jerárquico: El Clustering Jerárquico (agrupamiento jerárquico o Hierarchical Clustering en

inglés), es un método de data mining para agrupar datos (en minería de datos a estos grupos de datos
se les llama clústers). El algortimo de clúster jerárquico agrupa los datos basándose en la distancia
entre cada uno y buscando que los datos que están dentro de un clúster sean los más similares entre
sí. En una representación gráfica los elementos quedan anidados en jerarquías con forma de árbol.
Jesús Abraham Rojas Úrzulo Licenciatura en Matemáticas
Matricula: ES1821013126 Computación II (MCOM2)

En este ejemplo se tienen los datos a, b, c, d, e y f. Se necesita definir una métrica para medir la
distancia entre dos puntos. Una vez realizado se ponen diferentes umbrales de distancia, por ejemplo,
1, 2, 3 y 4. Se verifica que cada elemento esté a menos de una unidad de distancia de todas las otras,
por ejemplo, b y c, así como d y e, esto se realiza para todos los umbrales y se clasifica en diferentes
grupos hasta que la distancia máxima abarque todos los elementos.

Random forest: Los bosques aleatorios o los bosques de decisiones aleatorios son un método de
aprendizaje conjunto para la clasificación, regresión y otras tareas que opera mediante la construcción
de una multitud de árboles de decisión en el momento del entrenamiento. Para las tareas de
clasificación, la salida del bosque aleatorio es la clase seleccionada por la mayoría de los árboles.
Para las tareas de regresión, se devuelve la predicción media o promedio de los árboles individuales.

Red Neuronal de Hopfield: Una red de Hopfield es una forma de red neuronal artificial recurrente
inventada por John Hopfield. Las redes de Hopfield se usan como sistemas de Memoria asociativa con
unidades binarias. Están diseñadas para converger a un mínimo local, pero la convergencia a uno de
los patrones almacenados no está garantizada.

Self Organizing Maps: Un mapa autoorganizado (en inglés, self-organizing map, SOM) o un mapa
autoorganizado de características (self-organizing feature map, SOFM) es un tipo de red neuronal
artificial (ANN por sus siglas en inglés), que es entrenada usando aprendizaje no supervisado para
producir una representación discreta del espacio de las muestras de entrada, llamado mapa.
Jesús Abraham Rojas Úrzulo Licenciatura en Matemáticas
Matricula: ES1821013126 Computación II (MCOM2)

3.- Responde a los siguientes planteamientos:

¿Cuál es la clasificación de los algoritmos?

Los algoritmos se pueden clasificar de diferentes maneras, una de ellas es mediante supervisado y no
supervisado, en el tipo supervisado se está monitoreando constantemente algún parámetro para ser
optimizado, por ejemplo, la distancia o el error cuadrático medio. Mientras que en el no supervisado
esta parte no se realiza.

Otra manera de realizar la clasificación de algoritmos es mediante de clasificación y de regresión. La

clasificación básicamente se basa en decir si algo pertenece o no a un conjunto, mientras que la
regresión utiliza los datos de entrenamiento para realizar una predicción de un dato que no pertenezca
a este conjunto de entradas.

¿Qué es lo que hace diferente a cada algoritmo?

¿Cómo trabajan los diferentes tipos de algoritmos?

Cada algoritmo se basa en una serie de pasos bien definidos que tienen como finalidad realizar
algún.

Clustering jerárquico: Clasifica los elementos basados en su distancia, se tiene que definir una métrica
entre los datos y después de ciertos umbrales se agrupan con sus vecinos más cercanos.

Random forest: Crea varios árboles de decisión para después promediarlos y realizar ya sea una
clasificación o una regresión.

Red Neuronal de Hopfield: Esta red neuronal binaria se encarga de realizar la clasificación mediante
una propagación hacia delante y hacía atrás, por lo cual se convierte en una red recurrente.

Self Organizing Maps: Esta es una red neuronal no supervisada que ajusta los datos datos a un mapa
con el cual se puede realizar una regresión y una predicción.

Bibliografía
wikipedia.org. (21 de 10 de 2021). Obtenido de wikipedia.org:
https://es.wikipedia.org/wiki/Random_forest
wikipedia.org. (21 de 10 de 2021). Obtenido de wikipedia.org:
https://es.wikipedia.org/wiki/Agrupamiento_jer%C3%A1rquico
Jesús Abraham Rojas Úrzulo Licenciatura en Matemáticas
Matricula: ES1821013126 Computación II (MCOM2)

Wikipedia.org. (21 de 10 de 2021). Obtenido de Wikipedia.org:

https://es.wikipedia.org/wiki/Mapa_autoorganizado
Wikipedia.org. (21 de 10 de 2021). Obtenido de Wikipedia.org:
https://es.wikipedia.org/wiki/Hopfield_(RNA)