Tipos de agrupamiento en ppt de capacitación de aprendizaje automático

Diapositiva 1

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 2

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 3

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 4

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 5

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 6

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.