Análisis de conglomerados en Python
En este curso, aprenderás sobre aprendizaje no supervisado con técnicas como clustering jerárquico y k-means usando SciPy.
Comienza El Curso Gratis4 horas14 vídeos46 ejercicios56.277 aprendicesDeclaración de cumplimiento
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?
Probar DataCamp for BusinessPreferido por estudiantes en miles de empresas
Descripción del curso
Probablemente hayas conocido Google Noticias, que agrupa automáticamente artículos de noticias similares bajo un tema. ¿Te has preguntado alguna vez qué proceso se ejecuta en segundo plano para llegar a estos grupos? En este curso, te introducirás en el 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, serás capaz de aplicar rápidamente diversos algoritmos de agrupación en clusters sobre los datos, visualizar los clusters formados y analizar los resultados.
¿Entrenar a 2 o más personas?
Obtén a tu equipo acceso a la plataforma DataCamp completa, incluidas todas las funciones.En las siguientes pistas
Científico de machine learning en Python
Ir a la pista- 1
Introducción a la Agrupación
GratuitoAntes de que estés preparado para clasificar artículos de noticias, es necesario que conozcas los fundamentos de la agrupación. Este capítulo te familiariza con una clase de algoritmos de aprendizaje automático llamados aprendizaje no supervisado y luego te presenta la agrupación, uno de los algoritmos de aprendizaje no supervisado más populares. Conocerás dos técnicas populares de agrupación: la agrupación jerárquica y la agrupación de 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 Pokémon100 xpFundamentos del análisis de conglomerados50 xpAvistamientos de Pokémon: agrupación jerárquica100 xpAvistamientos de Pokémon: agrupación de k-means100 xpPreparación de los datos para el análisis de conglomerados50 xpNormalizar los datos de la lista básica100 xpVisualizar datos normalizados100 xpNormalización de números pequeños100 xpFIFA 18: Normaliza los datos100 xp - 2
Agrupación jerárquica
Este capítulo se centra en un popular algoritmo de agrupación -la agrupación jerárquica- y su implementación en SciPy. Además del procedimiento para realizar la agrupación jerárquica, intenta ayudarte a responder a una pregunta importante: ¿cuántas agrupaciones hay en tus datos? El capítulo concluye con un debate 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 conglomerados con matplotlib100 xpVisualizar agrupaciones con seaborn100 xp¿Cuántas agrupaciones?50 xpCrea un dendrograma100 xp¿Cuántas agrupaciones hay en los datos de la estafa del cómic?50 xpLimitaciones de la agrupación jerárquica50 xpEjecución temporal de la agrupación jerárquica50 xpFIFA 18: explorando a los defensores100 xp - 3
Agrupación K-Means
Este capítulo presenta un algoritmo de agrupación diferente -la agrupación de k-means- y su implementación en SciPy. La agrupación de K-means supera el mayor inconveniente de la agrupación jerárquica que se trató en el capítulo anterior. 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 de k-means. El capítulo concluye con un debate sobre las limitaciones de la agrupación de 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 de k-means50 xp¿Cuántas agrupaciones?50 xpMétodo del codo en grupos distintos100 xpMétodo del codo sobre datos uniformes100 xpLimitaciones de la agrupación de k-means50 xpImpacto de las semillas en los distintos grupos100 xpPatrones de agrupación uniformes100 xpFIFA 18: defensores revisitados100 xp - 4
Agrupación en el mundo real
Ahora que ya conoces dos de las técnicas de agrupación más populares, este capítulo te ayuda a aplicar estos conocimientos a problemas del mundo real. El capítulo trata primero del 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, que dificulta la visualización de todos los datos.
Colores dominantes en las imágenes50 xpExtrae los valores RGB de la imagen100 xp¿Cuántos colores dominantes?100 xpMostrar colores dominantes100 xpAgrupación de documentos50 xpTF-IDF de argumentos de películas100 xpTérminos principales en grupos de películas100 xpAgrupación con múltiples características50 xpAgrupación con muchas características50 xpComprobaciones básicas de las agrupaciones100 xpFIFA 18: ¿qué hace a un jugador completo?100 xp¡Adiós!50 xp
¿Entrenar a 2 o más personas?
Obtén a tu equipo acceso a la plataforma DataCamp completa, incluidas todas las funciones.En las siguientes pistas
Científico de machine learning en Python
Ir a la pistacolaboradores
requisitos previos
Intermediate Python
¿Qué tienen que decir otros alumnos?
¡Únete a 15 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.