Curso en Aprendizaje NO Supervisado

Temario

• Aprendizaje No Supervisado
• ¿Qué es el ANS?
• Principales ventajas y desventajas del ANS
• Tipos de ANS: agrupamiento y asociación

• PCA: Principal Component Analysis
• ¿Qué es y para qué puede ser utilizado PCA?
• Consideraciones antes de aplicar PCA. Ventajas y desventajas
• Supuestos y limitaciones de PCA
• Interpretación de los componentes principales
• ¿Cómo determinamos el valor correcto de componentes principales?
• ¿Existen otros métodos de reducción de dimensionalidad?
• Ejemplo de aplicación y conclusiones

Temario

• Introducción
• ¿Qué es el clustering?
• ¿Qué tipo de problemas podemos resolver con Algoritmos de clustering?

• Algoritmos de Clustering más conocidos
• Introducción
• K-Means Clustering
• Mean-Shift Clustering
• Density-Based Spatial Clustering of Applications with Noise (DBSCAN)
• Expectation–Maximization (EM) Clustering using Gaussian Mixture Models (GMM)
• Agglomerative Hierarchical Clustering

• Técnicas de Afinado en Clustering
• Método de Elbow
• Método de Siluetas

• Cómo utilizar K-Means
• Cómo funciona K-Means y K-Means ++
• Cómo implementar K-Means ++

• Cierre
• Conclusiones

Temario

• Detección de Anomalías
• ¿Qué es la detección de anomalías?
• ¿Por qué debemos detectar las anomalías? Advertencias y dónde aplicar las detecciones

• Detección de Anomalías UNIVARIANTE
• Introducción a la detección de anomalías univariante

• Detección de Anomalías MULTIVARIANTE
• Introducción a la detección de anomalías multivariante
• CBLOF
• HBOS & Isolation Forest
• KNN e investigación visual

• Detección de Anomalías ALGORITMOS SUPERVISADOS
• Introducción a la detección de anomalías con algoritmos supervisados
• Conclusiones