📌 ¡Tutorial Completo de Aprendizaje Automático No Supervisado con Scikit-Learn y Python!
📌 ¡Aprende sobre el aprendizaje no supervisado y los fundamentos del aprendizaje automático en este tutorial detallado! 🎯 Este video simplifica temas complejos como el agrupamiento, la reducción de dimensionalidad y la detección de anomalías, haciéndolos accesibles para principiantes en ciencia de datos e inteligencia artificial. Usando Python y Scikit-Learn, te guiaremos a través de ejemplos prácticos perfectos para aspirantes a científicos de datos. 🚀
Desbloquea el poder del Aprendizaje Automático No Supervisado con la biblioteca Scikit-Learn de Python en este tutorial integral. Te guiaremos a través de algoritmos de agrupamiento, PCA, t-SNE y técnicas de detección de anomalías, proporcionando conjuntos de datos reales y visualizaciones para mejorar tu comprensión.
Tiempos:
00:00 – Introducción al Aprendizaje Automático No Supervisado
02:00 – Entendiendo Tipos de Aprendizaje No Supervisado: Agrupamiento Explicado
03:10 – ¿Qué es la Reducción de Dimensionalidad en Aprendizaje Automático?
04:53 – Detección de Anomalías en Aprendizaje No Supervisado
06:02 – Visión General de Minería de Reglas de Asociación
06:56 – Modelos Generativos: Generación de Datos Sintéticos
07:27 – Modelado de Temas y Detección de Temas
09:30 – Aplicando Agrupamiento KMeans en el Conjunto de Datos Iris con Scikit-Learn
14:40 – Visualizando Resultados de KMeans con Gráfico de Dispersión
17:49 – Comparando Agrupamiento KMeans con Etiquetas de Clase Reales
19:14 – Implementando DBSCAN en el Conjunto de Datos Iris
21:46 – Visualizando Resultados de DBSCAN vs Etiquetas Reales
23:05 – Introducción a Técnicas de Reducción de Dimensionalidad
24:00 – Aplicando PCA en el Conjunto de Datos Iris para Reducción de Dimensionalidad
25:57 – Visualizando Datos Transformados por PCA
26:38 – Comparando PCA con Etiquetas de Clase Originales
27:27 – Aplicando t-SNE en el Conjunto de Datos Iris para Visualización
29:38 – Comparando Resultados de PCA vs t-SNE
30:00 – Introducción a Técnicas de Detección de Anomalías
30:55 – Aplicando Isolation Forest en el Conjunto de Datos Iris y Visualizando Resultados
33:49 – Aplicando OneClassSVM para Detección de Anomalías
35:28 – Resumen y Conclusiones Clave
En Este Video, Aprenderás:
- Los fundamentos del aprendizaje automático no supervisado.
- Diferencias clave entre agrupamiento, reducción de dimensionalidad y detección de anomalías.
- Implementación práctica de KMeans, DBSCAN, PCA, t-SNE, Isolation Forest y OneClassSVM usando Scikit-Learn.
- Técnicas de visualización de datos prácticas con Matplotlib.
- ¿Cómo se comparan los resultados de agrupamiento con las etiquetas de clase reales?
Recursos Recomendados:
- Documentación de Scikit-Learn
- Conjunto de Datos Iris de Scikit-Learn
No Olvides:
👍 Darle me gusta a este video si te resultó útil.
🔔 Suscribirte a nuestro canal para más tutoriales de ciencia de datos.
💬 Dejar un comentario con tus preguntas o temas que te gustaría que cubriéramos a continuación.
Conéctate Conmigo:
Facebook: facebook.com/shaida.muhd
Signal: +92-3139190354
Skype: shaida.sherpao