Build your ultimate AI agent
Descripción del curso
La modelización con mezclas es una forma de representar poblaciones cuando nos interesa su heterogeneidad. Los modelos de mezcla utilizan distribuciones de probabilidad conocidas (p. ej., Gaussiana, Poisson, Binomial) para ofrecer un marco estadístico práctico y formal para la segmentación y la clasificación. A diferencia de los enfoques de clustering clásicos, podemos estimar la probabilidad de pertenecer a un clúster e inferir sobre las subpoblaciones. Por ejemplo, en marketing, puedes agrupar distintos tipos de clientes y estimar sus probabilidades de comprar productos específicos para dirigirles promociones personalizadas. Al aplicar el procesamiento del lenguaje natural a un conjunto grande de documentos, puedes agruparlos por temas y entender la importancia de cada tema en cada documento. En este curso, aprenderás qué son los Modelos de Mezcla, cómo se estiman y cuándo conviene aplicarlos.
Requisitos previos
Programa de formación
Contenido del curso
1
Introducción a los Modelos de Mezcla
En este capítulo, verás los conceptos fundamentales del clustering basado en modelos y en qué se diferencia de otras técnicas de agrupación. Aprenderás el proceso generador de los Modelos de Mezcla Gaussianos y cómo visualizar los clústeres.
- Introducción al clustering basado en modelos50 XP
- Enfoques de clustering50 XP
- Explora los datos de género100 XP
- Distribución gaussiana50 XP
- Muestrear una distribución gaussiana100 XP
- (no tan buenas) Estimaciones de la media y la sd100 XP
- Modelos de mezcla gaussianos (GMM)50 XP
- Simula una mezcla de dos distribuciones gaussianas100 XP
- Representa un histograma de la mezcla gaussiana100 XP
- Mezcla de tres distribuciones gaussianas100 XP
2
Estructura de los Modelos de Mezcla y Estimación de Parámetros
En este capítulo, conocerás la estructura principal de los Modelos de Mezcla, cómo abordar distintos tipos de datos con este enfoque y cómo estimar los parámetros implicados. Para realizar la estimación, aprenderás un método iterativo llamado algoritmo de Expectation-Maximization.
3
Mezcla de Gaussianas con `flexmix`
Este capítulo muestra cómo ajustar Modelos de Mezcla Gaussianos en 1 y 2 dimensiones con el paquete `flexmix`. Los datos utilizados constan de 10.000 observaciones de personas con su peso, altura, índice de masa corporal y género informado.
4
Modelos de Mezcla más allá de las Gaussianas
En este módulo, aprenderás cómo los Modelos de Mezcla se extienden para considerar distribuciones de probabilidad distintas de la Gaussiana y cómo se ajustan estos modelos con `flexmix`. Los conjuntos de datos utilizados son imágenes de dígitos manuscritos y el número de delitos en la ciudad de Chicago. En el primer conjunto de datos, encontrarás clústeres que resumen los dígitos manuscritos y, en el segundo, clústeres de comunidades donde es más o menos peligroso vivir.
R
Modelos de mezcla en R
Curso
completado
