Descubrimiento de los métodos de aprendizaje no supervisado en Python
Esta formación permite descubrir los métodos de aprendizaje no supervisado en Python. Ayuda a comprender los algoritmos de agrupamiento, la reducción de dimensionalidad y la identificación de estructuras ocultas en los datos. A través de ejemplos prác
Cree su cuenta gratuita
Cómo se desarrolla el curso
Cada lección es un texto estructurado, ilustrado con ejemplos y esquemas, seguido de un cuestionario corregido automáticamente. Avanzas a tu ritmo, y tus notas quedan vinculadas a la lección en la que las tomaste.
-
Adquirir una comprensión sólida de los principios fundamentales del aprendizaje no supervisado
-
Comprender el funcionamiento de los principales algoritmos de agrupamiento y de reducción de dimensionalidad
-
Saber aplicar métodos no supervisados en Python para analizar conjuntos de datos
-
Aprender a identificar grupos, tendencias y estructuras ocultas en los datos
-
Desarrollar la capacidad de interpretar los resultados y de elegir métodos adecuados a las problemáticas de análisis de datos
-
Analista de datos: recopilación, procesamiento y análisis de datos para identificar tendencias y facilitar la toma de decisiones.
-
Data scientist: diseño y aplicación de métodos estadísticos y algoritmos de aprendizaje automático para extraer información relevante.
-
Ingeniero de machine learning: desarrollo y optimización de modelos de aprendizaje automático adaptados a las necesidades de las organizaciones.
-
Analista en inteligencia artificial : estudio de los datos y uso de métodos algorítmicos para resolver problemas complejos.
-
Consultor en ciencia de datos : acompañamiento de las empresas en la elección y aplicación de métodos de análisis de datos.
-
Especialista en segmentación de datos : identificación de grupos homogéneos mediante algoritmos de agrupamiento.
-
Analista en detección de anomalías : localización de comportamientos inusuales o datos atípicos en distintos conjuntos de datos.
-
Desarrollador Python orientado a datos : creación de scripts y herramientas para preparar, analizar y explotar datos.
-
Responsable de estudios estadísticos : exploración de conjuntos de datos e interpretación de resultados para responder a problemáticas concretas.
Accesibilidad

Si tiene una discapacidad y desea seguir una formación con nosotros, este correo electrónico está dedicado a usted: contact@datagoz.com . Para cualquier otra situación, no dude en contactarnos para evaluar cómo garantizar una experiencia de aprendizaje.
¿Cómo financio mi formación?
Certificado de superación: al final de este curso, se le entregará un certificado de superación DATAGOZ, nominativo y verificable en línea.
¡El equipo de DATAGOZ te desea una buena formación!
6 capítulos, 54 lecciones
- 2. Aprendizaje no supervisadoabierto
- 2. Determinar el número óptimo de gruposabierto
- 2. Agrupar puntos en dos dimensionesabierto
- 2. Analizar los resultados de la agrupaciónabierto
- 2. Medir la calidad de los grupos obtenidosabierto
- 2. Elegir el número de grupos para las semillasabierto
- 2. Evaluar los grupos formados a partir de las semillasabierto
- 2. Preparar las variables para obtener mejores agrupacionesabierto
- 2. Estandarizar los datos de peces antes de la agrupaciónabierto
- 2. Identificar grupos entre los pecesabierto
- 2. Clasificar las acciones en grupos con K-meansabierto
- 2. Detectar las acciones con evoluciones similaresabierto
- 3. Visualizar las estructuras jerárquicas de los datosseguidores
- 3. Determinar el número de fusiones necesariasseguidores
- 3. Agrupar los datos sobre las semillas mediante clasificación jerárquicaseguidores
- 3. Analizar las relaciones jerárquicas entre las accionesseguidores
- 3. Asignar etiquetas a los grupos resultantes del clustering jerárquicoseguidores
- 3. Identificar los grupos de datos más cercanosseguidores
- 3. Comparar las agrupaciones jerárquicas según los métodos de enlaceseguidores
- 3. Estudiar las agrupaciones en distintos niveles de la jerarquíaseguidores
- 3. Extraer las etiquetas de los grupos formadosseguidores
- 3. Proyectar los datos en dos dimensiones con t-SNEseguidores
- 3. Visualizar los datos sobre los cereales con t-SNEseguidores
- 3. Cartografiar las similitudes entre las acciones con t-SNEseguidores
- 4. Visualizar el funcionamiento del PCAseguidores
- 4. Detectar las correlaciones naturales entre los datosseguidores
- 4. Decorrelacionar las medidas de las semillas gracias al PCAseguidores
- 4. Identificar las componentes principalesseguidores
- 4. Determinar la dimensión intrínseca de los datosseguidores
- 4. Analizar el papel de la primera componente principalseguidores
- 4. Estudiar la varianza explicada por las componentes del PCAseguidores
- 4. Estimar la dimensión intrínseca de los datos sobre los pecesseguidores
- 4. Reducir el número de dimensiones con el PCAseguidores
- 4. Simplificar las medidas de los peces gracias a la reducción dimensionalseguidores
- 4. Representar las palabras con las puntuaciones TF-IDFseguidores
- 4. Agrupar los artículos de Wikipedia, primera parteseguidores
- 4. Continuar agrupando los artículos de Wikipedia, segunda parteseguidores
- 5. Descubrir la factorización matricial no negativa (NMF)seguidores
- 5. Identificar los datos formados por valores no negativosseguidores
- 5. Aplicar la NMF a los artículos de Wikipediaseguidores
- 5. Extraer características de los artículos de Wikipedia con la NMFseguidores
- 5. Reconstruir los datos a partir de los componentes de la NMFseguidores
- 5. Descomponer los datos en elementos interpretables gracias a la NMFseguidores
- 5. Identificar los temas de los documentos con la NMFseguidores
- 5. Explorar el conjunto de datos de los dígitos representados por LEDseguidores
- 5. Extraer los componentes de las imágenes con la NMFseguidores
- 5. Comprender por qué el ACP no permite identificar partes distintasseguidores
- 5. Crear sistemas de recomendación con NMFseguidores
- 5. Encontrar artículos similares al de Cristiano Ronaldoseguidores
- 5. Recomendar artistas musicales, primera parteseguidores
- 5. Mejorar las recomendaciones de artistas musicales, segunda parteseguidores
- 5. Hacer balance de los métodos de descubrimiento de características interpretablesseguidores
Todo lo que acompaña a las lecciones
Cuánto tiempo, según su disponibilidad
Lo que obtiene al final
Cuando el curso termina, el certificado de asistencia se emite a su nombre. Su código permite a un reclutador verificarlo en pocos segundos.
No es un título ni una certificación profesional; es la prueba verificable de que ha seguido y superado este curso.
Quién escribe este curso
Una pedagogía clara y aplicada, con ejemplos concretos para aprender de forma eficaz.
Antes de empezar
Empieza este curso hoy
13 lecciones abiertas, sin tarjeta bancaria. Verá el nivel y el tono antes de decidir.