Conceptos básicos del aprendizaje automático no supervisado Ppt de capacitación

Diapositiva 1

Esta diapositiva muestra que el aprendizaje automático no supervisado tiene la ventaja de trabajar con datos sin etiquetar. Esto implica que no se necesita trabajo humano para que el conjunto de datos sea legible por máquina, lo que implica que el software funcionará en conjuntos de datos mucho más grandes.

Diapositiva 2

Esta diapositiva presenta la agrupación en clústeres en Machine Learning, que categoriza una población o establece puntos de datos en clústeres para que los puntos de datos en un grupo similar sean más idénticos entre sí y diferentes de los puntos de datos en otros grupos. Es una clasificación de objetos basada en sus similitudes y diferencias.

Diapositiva 3

Esta diapositiva enumera que hay una variedad de técnicas de agrupamiento disponibles. Los siguientes son los enfoques de agrupación en clústeres más comunes utilizados en el aprendizaje automático: agrupación en clústeres de partición, agrupación en clústeres basada en densidad, agrupación en clústeres basada en modelos de distribución, agrupación en clústeres jerárquica y agrupación en clústeres difusa.

Diapositiva 4

Esta diapositiva ilustra que los datos se dividen en grupos no jerárquicos en la técnica de agrupación en particiones o basada en el centroide. La técnica de agrupamiento de K-Means es un ejemplo bien conocido. El conjunto de datos se divide en K grupos, donde K indica el número de grupos predefinidos. El centro del clúster está diseñado de tal manera que la distancia entre los puntos de datos de un clúster y el centroide de otro clúster sea la menor posible.

Diapositiva 5

Esta diapositiva indica que el enfoque de agrupamiento basado en la densidad une áreas densas para formar grupos, y se generan distribuciones de forma arbitraria siempre que la región densa se pueda vincular. El programa logra esto mediante la detección de distintos grupos en el conjunto de datos y la conexión de áreas de alta densidad en grupos.

Notas para el instructor: si el conjunto de datos tiene alta densidad y múltiples dimensiones, estos algoritmos pueden tener dificultades para agrupar los puntos de datos.

Diapositiva 6

Esta diapositiva explica que el enfoque de agrupación en clústeres basado en el modelo de distribución divide los datos en función de la posibilidad de que un conjunto de datos corresponda a una distribución específica. La agrupación se logra asumiendo distribuciones específicas, más notablemente la Distribución Gaussiana.

Notas para el instructor: El método de agrupación en clústeres de maximización de expectativas, que emplea modelos de mezcla gaussiana, es un ejemplo de este tipo (GMM) de agrupación.

Diapositiva 7

Esta diapositiva muestra que, como alternativa a la agrupación en clústeres con particiones, se puede utilizar la agrupación en clústeres jerárquicos, ya que no es necesario enumerar la cantidad de clústeres que se formarán. El conjunto de datos se separa en grupos para formar una estructura similar a un árbol conocida como dendrograma.

Diapositiva 8

Esta diapositiva indica que Fuzzy Clustering es una técnica suave en la que un objeto de datos se puede asignar a más de un grupo llamado clústeres. Cada conjunto de datos tiene una colección de coeficientes de membresía proporcionales al grado de membresía de un grupo.

Diapositiva 9

Esta diapositiva ofrece una descripción general del algoritmo de agrupamiento, que es un enfoque no supervisado en el que la entrada no está etiquetada. La resolución de problemas se basa en la experiencia del algoritmo obtenida al resolver problemas similares durante el programa de capacitación.

Notas del instructor:

• Los métodos de agrupamiento se pueden categorizar según los modelos descritos anteriormente. Se han descrito muchos métodos de agrupamiento, pero solo unos pocos son ampliamente utilizados.
• El tipo de datos que se utilizan determina el algoritmo de agrupación. Algunos algoritmos, por ejemplo, deben adivinar la cantidad de grupos en un conjunto de datos dado, mientras que otros deben descubrir la distancia más corta entre las observaciones del conjunto de datos.

Diapositiva 10

Esta diapositiva enumera los diferentes tipos de algoritmos de agrupamiento en aprendizaje automático no supervisado. Estos incluyen K-Means, cambio de media, DBSCAN, agrupamiento de maximización de expectativas usando GMM, algoritmo jerárquico aglomerativo y propagación de afinidad.

Diapositiva 11

Esta diapositiva ofrece una descripción general del algoritmo de agrupamiento de K-Means, que es un enfoque no supervisado en el que las muestras se dividen en grupos separados con varianzas iguales para clasificar los datos.

Diapositiva 12

Esta diapositiva presenta el algoritmo de desplazamiento medio, que intenta ubicar áreas densas dentro de una distribución suave de puntos de datos. Es un ejemplo de un modelo basado en un centroide que actualiza candidatos para que el centroide sea el centro de los puntos dentro de una región específica.

Diapositiva 13

Esta diapositiva indica que el algoritmo DBSCAN significa Agrupación espacial de aplicaciones con ruido basada en la densidad. Es un modelo basado en la densidad comparable al modelo de cambio medio pero con algunas mejoras notables. Las zonas de alta densidad se distinguen de las áreas de baja densidad utilizando este enfoque.

Diapositiva 14

Esta diapositiva muestra que la agrupación en clústeres de maximización de expectativas con el algoritmo GMM se puede usar como reemplazo del algoritmo de k-medias o en situaciones en las que falla el algoritmo de k-medias. Se supone que los puntos de datos en GMM tienen una distribución gaussiana.

Diapositiva 15

Esta diapositiva muestra que el algoritmo jerárquico aglomerativo lleva a cabo la agrupación jerárquica ascendente. Cada punto de datos se considera inicialmente como un solo grupo y luego se fusiona gradualmente en este método.

Diapositiva 16

Esta diapositiva ofrece una descripción general de la propagación por afinidad, que es diferente de otros métodos de agrupamiento, ya que no requiere que se especifique el número de agrupamientos. Cada punto de datos entrega un mensaje entre el par de puntos de datos hasta la convergencia.

Diapositiva 17

Esta diapositiva enumera algunos usos bien conocidos del enfoque de agrupación en aprendizaje automático, como: En la detección de células cancerosas, motores de búsqueda, segmentación de clientes, ciencias biológicas y uso de la tierra.

Notas del instructor:

• En la detección de células cancerosas: Las técnicas de agrupamiento se emplean comúnmente para identificar células malignas. Separa los conjuntos de datos cancerígenos y no cancerosos en distintas categorías.
• Utilizado en motores de búsqueda: Los motores de búsqueda también utilizan el enfoque de agrupación. El resultado de la búsqueda se basa en el objeto más cercano a la consulta de búsqueda. Logra esto combinando objetos de datos relacionados en un solo grupo separado de las otras cosas diferentes. La calidad del método de agrupamiento utilizado determina la precisión de los resultados de una consulta
• Segmentación de clientes: se utiliza en estudios de mercado y redes sociales para segregar a los clientes en función de sus intereses y elecciones.
• En ciencias biológicas: se utiliza en biología para clasificar especies de plantas y animales utilizando el enfoque de reconocimiento de imágenes.
• En el uso del suelo: El enfoque de agrupación se emplea en la base de datos GIS para descubrir áreas de uso similar del suelo. Esto puede ser ventajoso para determinar para qué función se debe usar una parcela de tierra específica.

Diapositiva 18

Esta diapositiva presenta el aprendizaje de reglas de asociación, que es una forma de enfoque de aprendizaje no supervisado que detecta la dependencia de un elemento de datos con respecto a otro y los mapea adecuadamente para obtener una mejor comprensión de los datos.

Notas del instructor:

Los algoritmos de aprendizaje de reglas de asociación se clasifican en tres tipos:

• A priori
• Brillo
• Algoritmo de crecimiento FP

Diapositiva 19

Esta diapositiva indica que el algoritmo Apriori se usa para el análisis de la canasta de mercado y ayuda a comprender los artículos que se pueden comprar juntos. También se puede utilizar en la profesión médica para identificar reacciones a fármacos en pacientes.

Diapositiva 20

Esta diapositiva enumera que Eclat significa algoritmo de transformación de clase de equivalencia. Este enfoque emplea una estrategia de búsqueda en profundidad para ubicar conjuntos de elementos comunes en una base de datos de transacciones y se ejecuta más rápido que el algoritmo Apriori.

Diapositiva 21

Esta diapositiva explica el algoritmo de Crecimiento FP que significa Patrón Frecuente. El algoritmo de crecimiento FP es una versión más avanzada del algoritmo Apriori. Representa la base de datos como una estructura de árbol conocida como patrón frecuente o árbol. El objetivo de este árbol frecuente es encontrar los patrones más comunes.

Diapositiva 22

Esta diapositiva enumera que el aprendizaje de reglas de asociación tiene muchos usos en Machine Learning. A continuación se enumeran algunos usos comunes del aprendizaje de reglas de asociación.

Notas del instructor:

• Análisis de la Canasta de Mercado: Es un conocido ejemplo y aplicación del aprendizaje de reglas de asociación. Los grandes comerciantes suelen utilizar este método para descubrir la relación entre los bienes
• Diagnóstico médico: los pacientes pueden diagnosticarse fácilmente con el uso de reglas de asociación, ya que ayudan a determinar la probabilidad de enfermedad por una dolencia específica.
• Secuencia de Proteínas: Las reglas de asociación ayudan en la creación de proteínas sintéticas
• También se utiliza en el diseño de catálogos, análisis de pérdida líder y otras aplicaciones.

Diapositiva 23

Esta diapositiva ofrece una descripción general del modelo oculto de Markov. Es un modelo estadístico utilizado en Machine Learning, y puede explicar la evolución de eventos observables influenciados por variables internas que no son aparentes o visibles.

Diapositiva 24

Esta diapositiva ofrece una introducción al aprendizaje por refuerzo que se inspira directamente en cómo los humanos aprenden de los datos en su vida diaria. Incluye un algoritmo que utiliza prueba y error para mejorar y aprender de nuevos escenarios. Se promueven o 'refuerzan' los resultados favorables, mientras que se desalientan los resultados desfavorables.

Notas del instructor: El aprendizaje por refuerzo funciona colocando el algoritmo en un entorno de trabajo con un intérprete y un sistema de recompensa basado en el concepto psicológico de condicionamiento. Cada iteración del algoritmo entrega el resultado de salida al intérprete, quien evalúa si el resultado es favorable o no.