Unsupervised Learning-Clustering Problem

1.- INTRODUCCIÓN
• Clustering: Aprendizaje desde datos sin etiquetas
-Es realmente útil.
-Se intenta determinar la estructura de datos.
-Agrupa los datos juntos basados sobre los datos de los features.

• Aplicaciones:
-Segmento de mercado.
-Social Networks Analysis.
-Organización de clusters de computadora.
-Astronomical Data Analysis.

2.- K MEANS ALGORITHM

• Se requiere de un algoritmo que automáticamente agrupe los datos
en grupos coherentes.
• K mean es de lejos el algoritmo de clustering más ampliamente usado

3.- RESUMEN

• Aleatoriamente se ubican 2 puntos como cluster centroids.

-Se tiene tantos centroids como el número de clusters que queremos.
•Asignación de Cluster
-A travez de cada ejemplo y dependiendo si se encuentra mas cerca de uno u
otro centroide.

a) Centroides.
b) Asignación.
c) Traslación del centroide: Se toma cada centroide y se mueve al
promedio de sus correspondientes puntos.
d) Repetir hasta la convergencia.
4.- DEFINICIÓN FORMAL

5.- SELF ORGANIZING MAP-KOHONEN MAP

6.- MEXICAN HAT FUNCTION

7.-SOM
8.-PROCEDIMIENTO