InicioCursosDescubrimiento de los métodos de aprendizaje no supervisado en Python

Identificar grupos entre los peces

Capítulo 2 · Explorar los datos con técnicas de agrupamiento · lección 11 de 54
Reservado a los suscriptores — aquí tienes su inicio
El resto de esta lección está reservado a los suscriptores Crea tu cuenta gratuita para probar los ejercicios de ejemplo y, cuando quieras, pásate al acceso completo.

Cree su cuenta gratuita

Sin tarjeta de crédito, en treinta segundos.
Continuar con Google
o
Registrarse con un correo electrónico
¿Ya tienes cuenta? Iniciar sesión
Al continuar, aceptas las condiciones de uso y la política de privacidad. Tus datos están alojados en la Unión Europea.

Acceso completo DATAGOZ

19 €/ mes — o 190 € / año
  • Todos los cursos publicados y los itinerarios profesionales
  • Ejercicios y cuestionarios corregidos automáticamente
  • Práctica, examen y certificado de seguimiento
  • Sin compromiso, cancelable en línea
Ver las fórmulas
Esta lección forma parte del curso

Descubrimiento de los métodos de aprendizaje no supervisado en Python

short_training6 capítulos · 54 lecciones

Descubra el aprendizaje no supervisado en Python.

  • La plataforma de formaciónsuscriptores
  • Aprendizaje no supervisadosuscriptores
  • Determinar el número óptimo de gruposabonados
  • Agrupar puntos en dos dimensionesabonados
  • Analizar los resultados del agrupamientoabonados
  • Medir la calidad de los grupos obtenidossuscriptores
  • Elegir el número de grupos para las semillassuscriptores
  • Evaluar los grupos formados a partir de las semillassuscriptores
  • Preparar las variables para obtener mejores agrupacionessuscriptores
  • Estandarizar los datos de peces antes de la agrupaciónsuscriptores
  • Identificar grupos entre los pecesestás aquí
  • Clasificar las acciones en grupos con K-meanssuscriptores
  • Detectar las acciones con evoluciones similaressuscriptores
  • Visualizar las estructuras jerárquicas de los datossuscriptores
  • Determinar el número de fusiones necesariassuscriptores
  • Agrupar los datos sobre semillas mediante clustering jerárquicoabonnés
  • Analizar las relaciones jerárquicas entre las accionesabonnés
  • Asignar etiquetas a los grupos obtenidos del clustering jerárquicoabonnés
  • Identificar los grupos de datos más cercanosabonnés
  • Comparar las agrupaciones jerárquicas según los métodos de enlaceabonnés
  • Estudiar las agrupaciones en distintos niveles de la jerarquíaabonnés
  • Extraer las etiquetas de los grupos formadosabonnés
  • Proyectar los datos en dos dimensiones con t-SNEabonnés
  • Visualizar los datos sobre cereales con t-SNEabonnés
  • Cartografiar las similitudes entre las acciones con t-SNEabonnés
  • Visualizar el funcionamiento de la PCAabonnés
  • Detectar las correlaciones naturales entre los datossuscriptores
  • Descorrelacionar las medidas de las semillas mediante el PCAsuscriptores
  • Identificar las componentes principalessuscriptores
  • Determinar la dimensión intrínseca de los datossuscriptores
  • Analizar el papel de la primera componente principalsuscriptores
  • Estudiar la varianza explicada por las componentes del PCAsuscriptores
  • Estimar la dimensión intrínseca de los datos sobre los pecessuscriptores
  • Reducir el número de dimensiones con el PCAsuscriptores
  • Simplificar las medidas de los peces mediante la reducción dimensionalsuscriptores
  • Representar las palabras con las puntuaciones TF-IDFsuscriptores
  • Agrupar los artículos de Wikipedia, primera partesuscriptores
  • Continuar la agrupación de los artículos de Wikipedia, segunda partesuscriptores
  • Descubrir la factorización matricial no negativa (NMF)suscriptores
  • Identificar los datos compuestos por valores no negativossuscriptores
  • Aplicar la NMF a los artículos de Wikipediasuscriptores
  • Extraer características de los artículos de Wikipedia con la NMFsuscriptores
  • Reconstruir los datos a partir de las componentes NMFsuscriptores
  • Descomponer los datos en elementos interpretables gracias a la NMFsuscriptores
  • Identificar los temas de los documentos con la NMFsuscriptores
  • Explorar el conjunto de datos de los dígitos representados con LEDsuscriptores
  • Extraer las componentes de las imágenes con la NMFsuscriptores
  • Entender por qué el ACP no permite identificar partes distintassuscriptores
  • Crear sistemas de recomendación con la NMFsuscriptores
  • Encontrar artículos similares al de Cristiano Ronaldoseguidores
  • Recomendar artistas musicales, primera parteseguidores
  • Mejorar las recomendaciones de artistas musicales, segunda parteseguidores
  • Hacer balance de los métodos de descubrimiento de características interpretablesseguidores
  • Conclusión de la formaciónsuscriptores
Lección siguiente

Agrupar acciones con K-means

Ver el programa Crea una cuenta para continuar