Aprendizaje no supervisado

Aprendizaje no supervisado

1. Una modesta presentación sobre análisis aglomerativo que hice yo y me quedo medio feyuya.

2. Una presentación general de Ullman y colaboradores para un curso del MIT.

3. Una presentación de 2 algoritmos clásicos de aprendizaje no supervisado de M. Magdon-Ismail.

4. Una libreta muy completa sobre el uso y aplicación de varios algoritmos de clustering incluidos en scikit-learn. Le dedica mucho espacio a explicar todos los pasos de las K-medias y sus variantes, pero es muy claro y muy completo.

Análisis en componentes principales

1. Notas sobre PCA del curso de Andrew Ng en Stanford

2. Principal Component Analysis. Libreta de Colab del libro Python Data Science Handbook

Aprendizaje en variedades para visualización de datos de alta dimensionalidad

1. Manifold learning en sci-kit learn

2. Libreta de colab sobre Manifold Learning del libro Python Data Science Handbook

3. El algoritmo más conocido t-distributed stochastic neighbor embedding (t-SNE), con una explicación clara del algoritmo y un muy bonito artículo interactivo para entender como hace las separaciones el método de t-SNE

4. Un curso de Manifold Learning a partir de libretas jupyter

5. El metodo de moda Uniform Manifold Aproximation Proyection (UMAP) y el enlace a la librería en python con ejemplos de aplicación