gaspersic/freeCodeCamp
1
0
Fork 0
Code Issues Pull Requests Projects Releases Wiki Activity

Asociación: tipo de aprendizaje no supervisado (#21477)

Browse Source 
Agregado "asociación" como tipo de aprendizaje no supervisado. Corrección menor de puntuación o mayúsculas. Agregado otro link de referencia.
This commit is contained in:
Camilo Camargo
2019-08-07 23:31:42 -05:00
committed by Randell Dawson
parent 8777519ac9
commit b632c37714
1 changed files with 6 additions and 3 deletions
Download Patch File Download Diff File Expand all files Collapse all files

9
guide/spanish/machine-learning/unsupervised-learning/index.md
View File

@ -7,6 +7,7 @@ localeTitle: Aprendizaje sin supervisión
* https://en.wikipedia.org/wiki/Unsupervised\_learning
* https://stackoverflow.com/a/1854449/6873133
* http://mlg.eng.cam.ac.uk/zoubin/papers/ul.pdf
* https://machinelearningmastery.com/supervised-and-unsupervised-machine-learning-algorithms/
#### Proyecto de artículo:
@ -14,12 +15,14 @@ localeTitle: Aprendizaje sin supervisión
El aprendizaje no supervisado nos permite abordar los problemas con poca o ninguna idea de cómo deberían ser nuestros resultados. Podemos derivar la estructura de datos donde no necesariamente sabemos el efecto de las variables.
Tipos de
Tipos de aprendizaje no supervisado
Agrupación en clúster: se utiliza para el análisis exploratorio de datos para encontrar patrones ocultos o agrupación en datos. Tome una colección de 1,000,000 de genes diferentes, y encuentre una manera de agrupar automáticamente estos genes en grupos que de alguna manera sean similares o estén relacionados por diferentes variables, como la duración de la vida, la ubicación, los roles, etc.
Asociación: se utiliza cuando queremos descubrir reglas que describan una porción significativa de los datos. Un ejemplo de esto sería aprender que la gente que compra X producto también suele comprar un producto Y.
Los enfoques para el aprendizaje no supervisado incluyen:
agrupamiento k-significa. modelos de mezcla. Clustering jerárquico, detección de anomalías. Redes neuronales. Aprendizaje Hebbiano. Redes adversas generativas. Enfoques para aprender modelos de variables latentes como. Algoritmo de expectativa-maximización (EM) Método de los momentos.
Agrupamiento k-significa. modelos de mezcla. Clustering jerárquico, detección de anomalías. Redes neuronales. Aprendizaje Hebbiano. Redes adversas generativas. Enfoques para aprender modelos de variables latentes como. Algoritmo de expectativa-maximización (EM) Método de los momentos.
Algunos ejemplos más: Supongamos que tiene datos para un sitio de comercio electrónico. Tiene una lista de personas y cosas que ordenaron en línea la semana pasada. Ahora puede usar los algoritmos de agrupación en clústeres y encontrar el patrón en los datos, predecir la tendencia de compra y formular la estrategia comercial según la tendencia.
Algunos ejemplos más: Supongamos que tiene datos para un sitio de comercio electrónico. Tiene una lista de personas y cosas que ordenaron en línea la semana pasada. Ahora puede usar los algoritmos de agrupación en clústeres y encontrar el patrón en los datos, predecir la tendencia de compra y formular la estrategia comercial según la tendencia.