Clústeres jerárquicos: agrupación de datos con algoritmos aglomerativos

Este curso basado en texto lo guía a través de los conceptos básicos de agrupación jerárquica, centrándose en el poderoso enfoque aglomerativo de abajo hacia arriba, que se utiliza para agrupar datos en grupos de datos de forma natural. Pasará de comprender las métricas básicas de distancia a implementar, ajustar y evaluar modelos de agrupación jerárquica en conjuntos de datos del mundo real. Lo que aprenderás: - Comprender las diferencias fundamentales entre agrupamiento aglomerativo y agrupación divisor. - Calcular la distancia y la similitud utilizando métricas como Euclidean, Manhattan, y la distancia coseno. - Aplicar diferentes criterios de vinculación, incluyendo simple, completo, promedio, y el enlace de Ward. - Interpretar dendrogramas para determinar el número óptimo de clusters para sus datos. - Implementar agrupación aglomerativa en Python utilizando bibliotecas modernas como scikit-learn y scipy. - Evaluar la calidad de agrupamiento utilizando coeficientes de silueta y correlación cofenética. El curso comienza con la terminología fundamental y las matemáticas de distancia antes de pasar a las caminatas algorítmicas paso a paso.Leerá explicaciones detalladas, analizará fragmentos de código claros y completará ejercicios escritos diseñados para solidificar su comprensión de la agrupación jerárquica. Este programa está diseñado para analistas de datos principiantes y aspirantes a ingenieros de aprendizaje automático, no requiere experiencia previa con la agrupación.Comience a explorar la estructura oculta de sus datos hoy mismo.