Análisis de conglomerados en Python
En este curso, aprenderás sobre aprendizaje no supervisado con técnicas como clustering jerárquico y k-means usando SciPy.
Comience El Curso Gratis4 Horas14 Videos46 Ejercicios
Crea Tu Cuenta Gratuita
o
Al continuar, acepta nuestros Términos de uso, nuestra Política de privacidad y que sus datos se almacenan en los EE. UU.¿Entrenar a 2 o más personas?Pruebe DataCamp para empresas
Preferido por estudiantes en miles de empresas
Descripción del curso
Seguro que ya conoces Google Noticias, que agrupa automáticamente noticias similares bajo un mismo tema. ¿Se ha preguntado alguna vez qué proceso se ejecuta en segundo plano para llegar a estos grupos? En este curso, se le introducirá al aprendizaje no supervisado a través de la agrupación utilizando la biblioteca SciPy en Python. Este curso abarca el preprocesamiento de datos y la aplicación de la agrupación jerárquica y de k-means. A través del curso, explorarás las estadísticas de los jugadores de un popular videojuego de fútbol, FIFA 18. Tras completar el curso, será capaz de aplicar rápidamente varios algoritmos de clustering sobre datos, visualizar los clusters formados y analizar los resultados.
Empresas
¿Entrenar a 2 o más personas?
Obtenga acceso de su equipo a la biblioteca completa de DataCamp, con informes centralizados, tareas, proyectos y másEn las siguientes pistas
Científico de Machine Learning con Python
Ir a la pista- 1
Introducción a la agrupación
GratuitoAntes de que esté preparado para clasificar artículos de noticias, es necesario que conozca los fundamentos de la agrupación. Este capítulo le familiarizará con una clase de algoritmos de aprendizaje automático denominados aprendizaje no supervisado y, a continuación, le presentará el clustering, uno de los algoritmos de aprendizaje no supervisado más populares. Conocerá dos técnicas populares de clustering: el clustering jerárquico y el clustering k-means. El capítulo concluye con unos pasos básicos de preprocesamiento antes de empezar a agrupar datos.
Aprendizaje no supervisado: conceptos básicos50 xpAprendizaje no supervisado en el mundo real50 xpAvistamientos de Pokémon100 xpFundamentos del análisis de conglomerados50 xpAvistamientos de Pokémon: agrupación jerárquica100 xpAvistamientos de Pokémon: agrupación k-means100 xpPreparación de datos para el análisis de conglomerados50 xpNormalizar los datos de la lista básica100 xpVisualizar datos normalizados100 xpNormalización de números pequeños100 xpFIFA 18: Normalizar datos100 xp - 2
Agrupación jerárquica
Este capítulo se centra en un popular algoritmo de clustering - clustering jerárquico - y su implementación en SciPy. Además del procedimiento para realizar el clustering jerárquico, intenta ayudarle a responder a una pregunta importante: ¿cuántos clusters hay en sus datos? El capítulo concluye con una discusión sobre las limitaciones de la agrupación jerárquica y analiza las consideraciones a tener en cuenta al utilizarla.
Fundamentos de la agrupación jerárquica50 xpAgrupación jerárquica: método ward100 xpAgrupación jerárquica: método único100 xpAgrupación jerárquica: método completo100 xpVisualizar agrupaciones50 xpVisualizar clusters con matplotlib100 xpVisualizar clusters con seaborn100 xp¿Cuántas agrupaciones?50 xpCrear un dendrograma100 xp¿Cuántos grupos hay en los datos de los cómics?50 xpLimitaciones de la agrupación jerárquica50 xpEjecución temporal de la agrupación jerárquica50 xpFIFA 18: explorar a los defensores100 xp - 3
Agrupación K-Means
Este capítulo presenta un algoritmo de clustering diferente - el clustering k-means - y su implementación en SciPy. El clustering de K-means supera el mayor inconveniente del clustering jerárquico que se discutió en el último capítulo. Como los dendrogramas son específicos de la agrupación jerárquica, en este capítulo se analiza un método para hallar el número de conglomerados antes de ejecutar la agrupación k-means. El capítulo concluye con una discusión sobre las limitaciones de la agrupación k-means y analiza las consideraciones a tener en cuenta al utilizar este algoritmo.
Conceptos básicos de la agrupación de k-means50 xpAgrupación de K-means: primer ejercicio100 xpTiempo de ejecución de la agrupación k-means50 xp¿Cuántas agrupaciones?50 xpMétodo del codo en grupos distintos100 xpMétodo del codo en datos uniformes100 xpLimitaciones de la agrupación k-means50 xpImpacto de las semillas en los distintos grupos100 xpPatrones de agrupación uniformes100 xpFIFA 18: los defensores revisitados100 xp - 4
Clustering en el mundo real
Ahora que ya está familiarizado con dos de las técnicas de clustering más populares, este capítulo le ayudará a aplicar estos conocimientos a problemas del mundo real. El capítulo aborda en primer lugar el proceso de búsqueda de colores dominantes en una imagen, antes de pasar al problema tratado en la introducción: la agrupación de artículos de noticias. El capítulo concluye con un debate sobre la agrupación con múltiples variables, lo que dificulta la visualización de todos los datos.
Colores dominantes en las imágenes50 xpExtraiga los valores RGB de la imagen100 xp¿Cuántos colores dominantes?100 xpMostrar colores dominantes100 xpAgrupación de documentos50 xpTF-IDF de argumentos de películas100 xpPrincipales términos en grupos de películas100 xpAgrupación con múltiples características50 xpAgrupación con muchas características50 xpComprobaciones básicas de los clusters100 xpFIFA 18: ¿qué hace a un jugador completo?100 xp¡Adiós!50 xp
Empresas
¿Entrenar a 2 o más personas?
Obtenga acceso de su equipo a la biblioteca completa de DataCamp, con informes centralizados, tareas, proyectos y másEn las siguientes pistas
Científico de Machine Learning con Python
Ir a la pistaColaboradores
![Collaborator's avatar](https://assets.datacamp.com/authors/avatars/000/001/089/square/IMG_20180904_083108590_HDR.jpg?1705586010)
Requisitos Previos
Intermediate PythonShaumik Daityari
Ver MasBusiness Analyst at American Express
¿Qué tienen que decir otros alumnos?
¡Únete a 14 millones de estudiantes y empieza Análisis de conglomerados en Python hoy mismo!
Crea Tu Cuenta Gratuita
o
Al continuar, acepta nuestros Términos de uso, nuestra Política de privacidad y que sus datos se almacenan en los EE. UU.