Resumen
El curso abordará los principales algoritmos del aprendizaje no supervisado, para moldear y comprender la estructura imperante en los datos. Por tanto, esto te permitirá identificar insights relevantes en las fuentes de datos.
Asimismo, aprenderás la temática de reducción de dimensiones a través de la implementación del Análisis de Componentes Principales (ACP) y el algoritmo t-SNE.
Finalmente, revisarás el concepto de clustering y desarrollarás los principales algoritmos de agrupamiento como son: K-means e Hierarchical clustering.
Metodología
Aplicamos la metodología learning by doing utilizando notebooks y herramientas en la nube para manejo de grandes volúmenes de datos.
¿Por qué aprender Machine Learning?
Ante el crecimiento masivo de los datos, se hace cada vez mas necesario contar con herramientas de reducción de la dimensionalidad para obtener las características y; features relevantes para el modelamiento de los datos.
Por tanto, comprender la estructura de los datos y la forma en que se agrupan, permite tomar mejores decisiones fundamentadas en procesos analíticos.
Objetivos de aprendizaje
- Implementar el Análisis de Componentes Principales como técnica de reducción de dimensiones.
- Ejecutar el algoritmo t-SNE como técnica de reducción de dimensiones y descubrimiento de patrones en los datos.
- Emplear el algoritmo de K-means para realizar labores de clustering en los datos.
- Ejecutar el algoritmo Hierarchical clustering o clustering jerárquico para comprender la estructura de agrupamiento en los datos.