Presentación

Nombre:

Jonathan Montero Olivo

Matrícula:

2021-0079

Profesora:

Marisol Álvarez Salcedo De Taveras

Materia:

Inteligencia Artificial
Ejemplo de regresión logística con Python

https://colab.research.google.com/drive/18E85G7YXr-oGGpR6fcjsC5dPjvgDcd9-
?usp=sharing

Los algoritmos de aprendizaje no supervisado

Los algoritmos de aprendizaje no supervisado son una clase de técnicas de aprendizaje

automático que no requieren datos etiquetados para entrenar un modelo. En lugar de eso,
se les proporciona un conjunto de datos sin etiquetar y se les pide que descubran patrones
y estructuras interesantes en los datos. Esto puede ser útil para una amplia variedad de
aplicaciones, como la agrupación de datos, la reducción de la dimensionalidad, la detección
de anomalías, etc.

A continuación, se describen brevemente algunos de los algoritmos de aprendizaje no

supervisado más comunes:

1. K-Means: Es un algoritmo de agrupamiento que divide un conjunto de datos en K

grupos (donde K es un número especificado por el usuario). El algoritmo utiliza la
distancia euclidiana para asignar cada punto de datos al grupo más cercano. El
objetivo es minimizar la suma de las distancias al cuadrado entre cada punto de
datos y su centroide de grupo correspondiente.
2. Análisis de componentes principales (PCA): Es un algoritmo de reducción de la
dimensionalidad que proyecta un conjunto de datos de alta dimensionalidad en un
espacio de dimensionalidad inferior. PCA busca las direcciones en las que los datos
tienen la mayor variabilidad y las utiliza como nuevos ejes de coordenadas para el
espacio de dimensionalidad inferior. Esto puede ser útil para visualizar datos
complejos o para reducir la dimensionalidad antes de aplicar otros algoritmos de
aprendizaje automático.
3. Algoritmos de clustering jerárquico: Son algoritmos de agrupamiento que construyen
una jerarquía de grupos. El algoritmo comienza considerando cada punto de datos
como un grupo separado y luego fusiona iterativamente los grupos más cercanos
entre sí hasta que todos los puntos de datos estén en un solo grupo. Existen dos
tipos de algoritmos de agrupamiento jerárquico: aglomerativos y divisivos.
4. Detección de anomalías: Es un conjunto de técnicas que se utilizan para identificar
puntos de datos que son significativamente diferentes del resto de los datos. Estos
puntos de datos se denominan "anomalías" o "outliers" y pueden indicar datos
erróneos o comportamientos inusuales. Los algoritmos de detección de anomalías
pueden ser basados en la densidad (como el algoritmo DBSCAN), basados en la
distancia (como el algoritmo LOF), basados en la probabilidad (como el algoritmo de
estimación de densidad Kernel), etc.