Please enable JavaScript.
Coggle requires JavaScript to display documents.
APRENDIZAJE NO SUPERVISADO EN LAS REDES NEURONALES, VENTAJAS, LIMITACIONES…
APRENDIZAJE NO SUPERVISADO EN LAS REDES NEURONALES
VENTAJAS, LIMITACIONES Y EVALUACIÓN
Buenas prácticas
Limpiar y preparar los datos
Probar distintos métodos
Revisar e interpretar los resultados
Proteger la información sensible
Riesgos
Interpretación incorrecta
Puede llevar a conclusiones equivocadas
Datos sesgados
Pueden producir patrones engañosos
Evaluación
Revisar la utilidad de los resultados
Comparar con conocimientos del área
Confirmar si los patrones son relevantes
Analizar la calidad de los grupos
Medir la separación entre agrupaciones
Utilizar métricas adecuadas al método
Limitaciones
Puede producir agrupaciones poco útiles
Requiere elegir métodos y parámetros adecuados
Depende de la calidad de los datos
Los errores pueden afectar los patrones
Los resultados pueden ser difíciles de interpretar
Los grupos no siempre tienen significado claro
Ventajas
Analiza grandes conjuntos de datos
Facilita la exploración de información compleja
Descubre patrones desconocidos
Puede revelar relaciones inesperadas
No necesita datos etiquetados
Reduce el trabajo de etiquetado manual
APLICACIONES Y EJEMPLOS
Biología y ciencia
Analiza datos de experimentos
Agrupa muestras con características similares
Ayuda a explorar relaciones entre variables
Análisis de documentos
Examina características del texto
Encuentra temas y similitudes
Organiza grandes colecciones de información
Detección de anomalías
Aprende el comportamiento habitual
Identifica observaciones poco comunes
Puede ayudar a detectar transacciones sospechosas
Reconocimiento de patrones
Analiza características de imágenes
Detecta estructuras repetitivas
Facilita la exploración de datos visuales
Segmentación de clientes
Analiza comportamientos de compra
Agrupa personas con hábitos similares
Ayuda a diseñar estrategias comerciales
TÉCNICAS Y MODELOS PRINCIPALES
Modelos generativos
Aprenden patrones de los datos
Modelan cómo se distribuye la información
Pueden generar ejemplos nuevos
Ejemplo: algunas redes generativas
Reducción de dimensionalidad
Reduce la cantidad de variables
Conserva información relevante
Facilita la visualización y el análisis
Autoencoders
Redes que aprenden a representar datos
Decodificador
Reconstruye los datos desde esa representación
Codificador
Reduce la información a una representación compacta
Mapas autoorganizados
Conocidos como mapas de Kohonen
Organizan información en una cuadrícula
Conservan relaciones de similitud
Agrupamiento o clustering
Organiza datos similares en grupos
Agrupa ejemplos según sus características
Ejemplo: segmentación de clientes
FUNCIONAMIENTO DEL APRENDIZAJE
Interpretación de resultados
Examinar los patrones encontrados
Comprobar si tienen sentido
Utilizar los resultados para tomar decisiones
Identificación de patrones
Compara características de los ejemplos
Detecta semejanzas y diferencias
Forma grupos o representaciones
Procesamiento neuronal
La red recibe los datos
Las neuronas procesan las características
Aprende representaciones internas
Preparación de los datos
Eliminar errores y duplicados
Tratar valores faltantes
Normalizar variables cuando sea necesario
Recopilación de datos
Obtener información de distintas fuentes
Reunir suficientes ejemplos
Representar el problema estudiado
CONCEPTO Y FUNDAMENTOS
Diferencia con el aprendizaje supervisado
No supervisado
Busca estructuras sin respuestas predefinidas
Descubre patrones por sí mismo
Supervisado
Aprende con ejemplos etiquetados
Características
Aprende a partir de los datos disponibles
No necesita etiquetas para cada ejemplo
Puede descubrir grupos desconocidos
Datos de entrada
Contienen características o variables
Pueden ser números, imágenes o texto
No requieren una respuesta correcta conocida
Objetivo principal
Encontrar patrones en los datos
Identificar semejanzas y diferencias
Organizar información automáticamente
Obtener conocimiento útil
¿Qué es?
Método de aprendizaje automático
Utiliza datos sin etiquetas de respuesta
La red analiza los datos disponibles
Identifica patrones y relaciones
Descubre estructuras ocultas en la información
