Saltar al contenido principal
InicioPythonAprendizaje no supervisado en Python

Aprendizaje no supervisado en Python

Comience El Curso Gratis
4 Horas13 Videos52 Ejercicios
137.491 AprendicesTrophyDeclaración de cumplimiento

Crea Tu Cuenta Gratuita

GoogleLinkedInFacebook

o

Al continuar, acepta nuestros Términos de uso, nuestra Política de privacidad y que sus datos se almacenan en los EE. UU.
Group¿Entrenar a 2 o más personas?Pruebe DataCamp para empresas

Preferido por estudiantes en miles de empresas


Descripción del curso

Supongamos que tienes una colección de clientes con diversas características, como edad, ubicación e historial financiero, y deseas descubrir patrones y clasificarlos en grupos. O quizá tengas un conjunto de textos, como páginas de Wikipedia, y quieras segmentarlos en categorías en función de su contenido. Este es el mundo del aprendizaje no supervisado, llamado así porque no estás guiando, o supervisando, el descubrimiento de patrones mediante alguna tarea de predicción, sino descubriendo la estructura oculta a partir de datos no etiquetados. El aprendizaje no supervisado engloba diversas técnicas de machine learning, desde la agrupación hasta la reducción de dimensiones y la factorización de matrices. En este curso, aprenderás los fundamentos del aprendizaje no supervisado e implementarás los algoritmos esenciales utilizando scikit-learn y SciPy. Aprenderás a agrupar, transformar, visualizar y extraer información de conjuntos de datos no etiquetados, y terminarás el curso construyendo un sistema de recomendación de artistas musicales populares.
Empresas

Group¿Entrenar a 2 o más personas?

Obtenga acceso de su equipo a la biblioteca completa de DataCamp, con informes centralizados, tareas, proyectos y más
Pruebe DataCamp Para EmpresasPara obtener una solución a medida, reserve una demostración.

En las siguientes pistas

Certificación disponible

Científico de datos asociado en Python

Ir a la pista

Fundamentos del machine learning con Python

Ir a la pista

Científico de Machine Learning con Python

Ir a la pista
  1. 1

    Agrupación para la exploración de conjuntos de datos

    Gratuito

    Aprende a descubrir los grupos subyacentes (o "clusters") en un conjunto de datos. Al final de este capítulo, podrás agrupar empresas utilizando sus cotizaciones bursátiles, y distinguir diferentes especies agrupando sus medidas.

    Reproducir Capítulo Ahora
    Aprendizaje no supervisado
    50 xp
    ¿Cuántas agrupaciones?
    50 xp
    Agrupación de puntos 2D
    100 xp
    Inspecciona tu agrupación
    100 xp
    Evaluar una agrupación
    50 xp
    ¿Cuántos racimos de grano?
    100 xp
    Evaluación de la agrupación de granos
    100 xp
    Transformación de rasgos para mejorar las agrupaciones
    50 xp
    Escala de datos de peces para la agrupación
    100 xp
    Agrupación de los datos de los peces
    100 xp
    Agrupación de poblaciones mediante KMeans
    100 xp
    ¿Qué acciones se mueven juntas?
    100 xp
  2. 2

    Visualización con Agrupación Jerárquica y t-SNE

    En este capítulo, conocerás dos técnicas de aprendizaje no supervisado para la visualización de datos, la agrupación jerárquica y el t-SNE. La agrupación jerárquica fusiona las muestras de datos en clústeres cada vez más gruesos, dando lugar a una visualización en árbol de la jerarquía de clústeres resultante. t-SNE mapea las muestras de datos en un espacio 2d para poder visualizar la proximidad de las muestras entre sí.

    Reproducir Capítulo Ahora
  3. 3

    Decorrelación de tus datos y reducción de dimensiones

    La reducción dimensional resume un conjunto de datos utilizando sus patrones comunes. En este capítulo, conocerás la más fundamental de las técnicas de reducción de dimensiones, el "Análisis de Componentes Principales" ("ACP"). El PCA se utiliza a menudo antes del aprendizaje supervisado para mejorar el rendimiento y la generalización del modelo. También puede ser útil para el aprendizaje no supervisado. Por ejemplo, emplearás una variante del ACP que te permitirá agrupar artículos de Wikipedia según su contenido.

    Reproducir Capítulo Ahora
  4. 4

    Descubrir rasgos interpretables

    En este capítulo, conocerás una técnica de reducción de dimensiones llamada "factorización de matrices no negativas" ("NMF") que expresa las muestras como combinaciones de partes interpretables. Por ejemplo, expresa los documentos como combinaciones de temas, y las imágenes en términos de patrones visuales habituales. También aprenderás a utilizar NMF para crear sistemas de recomendación que puedan encontrarte artículos similares para leer, o artistas musicales que coincidan con tu historial de escucha.

    Reproducir Capítulo Ahora
Empresas

Group¿Entrenar a 2 o más personas?

Obtenga acceso de su equipo a la biblioteca completa de DataCamp, con informes centralizados, tareas, proyectos y más

En las siguientes pistas

Certificación disponible

Científico de datos asociado en Python

Ir a la pista

Fundamentos del machine learning con Python

Ir a la pista

Científico de Machine Learning con Python

Ir a la pista

Sets De Datos

Company stock price movementsEurovision 2016Fish measurementsGrainsLCD digitsMusical artistsWikipedia articlesWine

Colaboradores

Collaborator's avatar
Yashas Roy
Collaborator's avatar
Hugo Bowne-Anderson
Benjamin Wilson HeadshotBenjamin Wilson

Director of Research at lateral.io

Ver Mas

¿Qué tienen que decir otros alumnos?

¡Únete a 13 millones de estudiantes y empieza Aprendizaje no supervisado en Python hoy mismo!

Crea Tu Cuenta Gratuita

GoogleLinkedInFacebook

o

Al continuar, acepta nuestros Términos de uso, nuestra Política de privacidad y que sus datos se almacenan en los EE. UU.